[发明专利]一种基于机器学习的风电机组功率性能分析方法

说明书

本发明涉及风力发电机技术领域，具体而言，涉及一种基于机器学习的风电机组功率性能分析方法，该方法的步骤包括：获取机组的运行数据，基于第一设定条件对机组的运行数据进行判断，若机组的运行数据满足第一设定条件，则构建并训练性能分析模型，并通过第一优化模块、第二优化模块对性能分析模型进行反馈优化，并将机组的运行数据输入至优化后的性能分析模型内进行计算，基于计算得到的机组性能劣化程度分析内容获取机组性能劣化处理方案及机组性能劣化程度，基于第二设定条件对机组性能劣化程度进行判断，根据判断结果对机组进行设定程度的预警及处理，完成对机组性能劣化程度的判定及处理。

技术领域

本发明涉及风力发电机技术领域，具体而言，涉及一种基于机器学习的风电机组功率性能分析方法。

背景技术

就目前而言，由于风电机组各系统模块化，通过PROFIBUS/CAN通讯与主控进行数据交互，且数据刷新速度快，形成了数量大、多源、异构和复杂的风电机组实时监测数据。并且，大量的监测数据互相独立，由于无法对这些数据进行把控，进而无法判定风电机组内各个设备的性能劣化程度，导致了风电机组的运维人员无法及时获知机组预警情况，不仅给机组埋下了安全隐患，而且造成了大量的电量损失。基于此，我们设计了一种基于机器学习的风电机组功率性能分析方法及系统，以克服上述问题。

发明内容

本发明的目的在于提供一种基于机器学习的风电机组功率性能分析方法，本发明的实施例通过以下技术方案实现：

一种基于机器学习的风电机组功率性能分析方法，该方法的步骤包括：

获取机组的运行数据，经过数据加工后基于第一设定条件对机组的运行数据进行判断，若机组的运行数据满足第一设定条件，则进入下一步骤；若机组的运行数据不满足第一设定条件，则终止；

构建并训练性能分析模型，通过第一优化模块、第二优化模块对性能分析模型进行反馈优化，并将机组的运行数据输入至优化后的性能分析模型内进行计算，得到机组性能劣化程度分析内容；

基于机组性能劣化程度分析内容获取机组性能劣化处理方案及机组性能劣化程度，基于第二设定条件对机组性能劣化程度进行判断，根据判断结果对机组进行设定程度的预警及处理，完成对机组性能劣化程度的判定及处理。

可选的，第一设定条件具体为：判断机组是否处于运行状态，判断机组的实时功率数据是否为预期功率数据，判断机组的运行桨角是否为最小桨角。

可选的，性能分析模型由输入层、隐藏层、输出层所组成，其中，隐藏层采用sigmoid函数作为激励函数，输入层、输出层均采用线性函数作为激励函数；

sigmoid函数的计算公式为：

其中，x为输入数值；

性能分析模型的训练过程为：

获取机组的运行数据和机组的标准数据，以机组的运行数据作为训练集，以机组的标准数据作为测试集；

将训练集输入至性能分析模型，得到预测的机组性能劣化程度分析内容，计算测试集与预测的机组性能劣化程度分析内容之间的损失值，若损失值超过阈值，则重新获取机组的运行数据和机组的标准数据；若损失值不超过阈值，则完成性能分析模型的训练。

可选的，第一优化模块内部预设有正则化算法，以防止性能分析模型过拟合，其计算公式为：

其中，ω为神经元的权值，ω_i为第i个神经元的权值，k为全连接层的数量。

可选的，第二优化模块具体为参数调节模块，用以对性能分析模型进行调参。