[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

说明书

本发明涉及一种用于生成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，其中该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）包括相应的变量值，这些变量包括一个或多个涡轮机变量（T1，T2，……，T10）、一个或多个天气变量（W1，W2，……，W4）以及一个或多个损坏变量（D1，D2，……，D19），其中该方法包括以下步骤：a）离散化那些是数值变量的变量的值，产生经修改的数据集（DS’）；b）基于经修改的数据集（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）通过另一种学习方法学习；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），从多个贝叶斯网络（BN1，BN2，……，BNN）中确定最优贝叶斯网络（OBN），其中最优贝叶斯网络（OBN）具有最优性能度量（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，产生条件概率（CP），其中最优贝叶斯网络（OBN）结合条件概率（CP）是预测模型。

技术领域

本发明涉及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。

背景技术

为了确保风力发电场中风力涡轮机的可靠操作，定期检查相应风力涡轮机的转子叶片。因此，在风力发电厂检查期间有大量的数据库被存储，这些数据中报告了叶片损坏。这些数据可用于建立预测模型来预测叶片损坏。

由于收集的损坏数据的高维数，所以常规的统计方法无法使用，因为那些方法创建的预测模型将花费数年时间来求解。

发明内容

本发明的目的是提供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，其中生成的预测模型可以提供在合理的时间内产生可管理的计算工作量的预测结果。

这个目的通过根据权利要求1的方法来解决。在从属权利要求中定义了本发明的优选实施例。

本发明的方法涉及一种用于生成预测模型的计算机实施的方法，该预测模型被配置成预测风力涡轮机的转子叶片损坏。换句话说，该方法使用计算机以便生成这种预测模型，该预测模型可被视为能够预测转子叶片损坏的计算机程序。

本发明的方法处理先前获取的数据。这些数据包括多个风力涡轮机的数据集，其中每个数据集涉及特定的风力涡轮机，即正在操作或已经在操作中的风力涡轮机。对应的数据集包括相应变量值，变量包括定义特定风力涡轮机特性的一个或多个涡轮机变量、定义特定风力涡轮机操作时间内平均的天气条件的一个或多个天气变量、以及定义在特定风力涡轮机操作期间特定风力涡轮机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。

基于上述数据集，该方法执行如下所述的步骤a）至d）。在步骤a）中，将那些变量的值离散化，所述变量是数值变量，从而产生经修改的数据集。数值变量是采用具有数值意义的数值的变量。也就是说，这些变量的数字表达某些量，并且不是类别，因为对于类别变量的情况也可包含在数据集中。虽然类别变量可以表达为数字，但这些数字并不像数值变量的情况那样具有数量的意义上的数值意义。

在根据本发明的方法的步骤b）中，基于经修改的数据集执行多个贝叶斯网络的结构学习。贝叶斯网络对于技术人员来说是已知的。在步骤b）中学习的每个贝叶斯网络是概率有向无环图，其包括作为节点的变量，并且通过有向边定义节点之间的概率依赖性。每个贝叶斯网络通过另一种学习方法来学习，其中执行结构学习的对应学习方法对于技术人员来说是众所周知的，并且因此在本文中不再详细描述。

在根据本发明的方法的步骤c）中，基于反映相应贝叶斯网络的预测质量的性能度量，从多个贝叶斯网络中确定最优贝叶斯网络，其中最优贝叶斯网络具有最佳性能度量，即提供最佳预测质量。