[发明专利]生成用于预测风力涡轮机的转子叶片损坏的预测模型的计算机实施的方法

权利要求书

1.一种生成用于预测风力涡轮机的转子叶片损坏的预测模型的计算机实施的方法，其中，所述方法处理先前获取的数据（DA），所述数据（DA）包括多个风力涡轮机的数据集（DS），其中，每个数据集（DS）涉及特定的风力涡轮机（WT）并且包括相应的变量值，所述变量包括定义所述特定风力涡轮机（WT）的特性的一个或多个涡轮机变量（T1，T2，……，T10）、定义在所述特定风力涡轮机（WT）的操作时间内平均的天气条件一个或多个天气变量（W1，W2，……，W4）、以及定义在特定风力涡轮机（WT）的操作时间期间在特定风力涡轮机（WT）的至少一个转子叶片上已经发生的损坏的一个或多个损坏变量（Dl，D2，……，D19），其中，所述方法包括以下步骤：

a）对那些变量的值进行离散化，所述变量是数值变量，从而产生经修改的数据集（DS’）；

b）基于所述经修改的数据集（DS’）的多个贝叶斯网络（BN1，BN2，……，BNN）的结构学习，其中每个贝叶斯网络（BN1，BN2，……，BNN）是概率有向无环图，其包括作为节点的变量，并通过有向边（E）定义节点之间的概率依赖性，并且其中，每个贝叶斯网络（BN1，BN2，……，BNN）是通过另一种学习方法学习的；

c）基于反映相应贝叶斯网络（BN1，BN2，……，BNN）的预测质量的性能度量（PM）从所述多个贝叶斯网络（BN1，BN2，……，BNN）中确定最优贝叶斯网络（OBN），其中，所述最优贝叶斯网络（OBN）具有最佳性能度量（PM）；

d）基于经修改的数据集（DS’）的最优贝叶斯网络（OBN）的参数学习，从而产生表示由最优贝叶斯网络（OBN）中的相应有向边（E）链接的节点的变量之间的条件概率（CP），其中，所述最优贝叶斯网络（OBN）与条件概率（CP）相结合是预测模型。

2.根据权利要求1所述的方法，其中，所述一个或多个涡轮机变量（Tl，T2，……，T10）包括以下变量中的一者或多者：

- 规定在特定风力涡轮机（WT）中使用的发电机类型的涡轮机变量（Tl）；

- 规定所述特定风力涡轮机的转子被设计用于的旋转速度的涡轮机变量（T2）；

- 规定所述特定风力涡轮机（WT）的转子直径的涡轮机变量（T3）；

- 规定所述特定风力涡轮机（WT）所属类别的涡轮机变量（T4）；

- 规定所述特定风力涡轮机（WT）的海拔高度的涡轮机变量（T5）；

- 规定所述特定风力涡轮机（WT）的类型的涡轮机变量（T6）；

- 规定所述特定风力涡轮机（WT）被设计用于的转子尖端速度的涡轮机变量（T7）；

- 规定所述特定风力涡轮机（WT）的寿命的涡轮机变量（T8）；

- 规定所述特定风力涡轮机（WT）在其操作期间经历超过预定值的风速的总时间量的涡轮机变量（T9）；

- 规定所述特定风力涡轮机（WT）是陆上风力涡轮机还是离岸风力涡轮机的涡轮机变量（T10）。

3.根据权利要求1或2所述的方法，其中，所述一个或多个天气变量（W1，W2，……，W4）包括以下变量中的一者或多者：

- 规定在所述特定风力涡轮机（WT）的操作时间期间所述特定风力涡轮机（WT）的位置处的平均风速的天气变量（W1）；

- 规定在所述特定风力涡轮机（WT）的操作时间期间所述特定风力涡轮机（WT）的位置处的平均空气湿度的天气变量（W2）；

- 规定平均雷电密度的天气变量（W3），所述平均雷电密度是在所述特定风力涡轮机（WT）的操作时间期间所述特定风力涡轮机（WT）的位置周围每单位时间和每单位面积的平均雷击数量；

- 规定在所述特定风力涡轮机（WT）的操作时间期间所述特定风力涡轮机（WT）位置周围的每单位时间和每单位面积的平均降水量的天气变量（W4）。