风机SCADA数据的偏航静态偏差角预测方法及系统与流程

本发明涉及风力发电机的偏航静态偏差角的纠偏技术领域，具体而言，为一种风机scada数据的偏航静态偏差角的预测方法和系统。

背景技术：

风力发电机(下称风机)，指的是一种能够通过吸收风能，并将风能转化为电能的机器。风机偏航，指的是风机通过旋转机舱，改变风机的迎风面，以调整风机吸收风能的效果，若偏航角大于阈值达到一定时间，风机的控制系统通过控制偏航电机，调整风轮轴线至与风向基本一致。风机偏航角，单位为°，是风向与风轮轴线之间的夹角，由scada(supervisorycontrolanddataacquisition)系统收集秒平均偏航角。实际工程中常用风向传感器测量偏航角，scada系统每100ms收集一次偏航角并保存每秒平均偏航角。风向传感器的零点标定是偏航角测量的基础。

在风机运行过程中，由于仪器安装或运行过程其他因素的干扰，风向传感器的零点标定常存在误差，称为零点偏移现象；静态偏航误差，指的是由零点偏移现象引起的误差角度，会引起故障；目前校准静态偏航误差的方法主要是通过机载式激光雷达，准确测定风向，并与scada测得的风向数据进行对比，计算出风机的静态偏航误差。例如中国发明专利(专利号cn109989884)公开的一种风机偏航控制方法中，其通过激光雷达获取风向数据，进而推演出风机当前风信息，以提高风机的偏航稳定性；但这些技术中，需要借助于其他譬如激光雷达设备，系统架设成本高。

有鉴于此，特提出本发明。

技术实现要素：

针对现有技术中的缺陷，本发明提供一种风机scada数据的偏航静态偏差角预测方法及系统，基于神经网络遗传算法，无需外挂机载式激光雷达，以利于实现降本增效的目的。

为达到上述目的，本发明的技术方案包括：

一种风机scada数据的偏航静态偏差角预测方法，包括：

s1.获取时间段内不同风机的风速、偏航角以及发电功率，构架数据矩阵；

s2.根据所述数据矩阵标记得到静态偏航误差；

s3.基于神经网络，训练关于所述风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型；

s4.获取目标风机的当前风速、偏航角以及发电功率数据，输入至训练好的所述神经网络学习模型，预测所述目标风机的偏差角进行输出。

进一步的，上述的风机scada数据的偏航静态偏差角预测方法中，步骤s2.根据所述数据矩阵标记得到静态偏航误差，包括：

采用pca主成分分析法，对以风机风速、发电功率、偏航角为相关特征的数据矩阵进行数据降维，得到相应的不同数据情况下的偏差角。

进一步的，上述的风机scada数据的偏航静态偏差角预测方法中，步骤s3.包括：

所述神经网络为对抗神经网络和/或深度神经网络，其特征工程提取出的特征向量具有预设的形状和维度，以提取的结果为素材，设定算法模型训练参数，得到神经网络训练学习模型。

进一步的，上述的风机scada数据的偏航静态偏差角预测方法中，所述特征向量的形状和维度即数据矩阵进行降维处理的结果，不同风机的风速、偏航角、发电功率及标记得到对应的偏差角，构成数据样本集，作为训练参数，采用k折交叉验证的方式，训练学习模型并验证模型的准确率。

进一步的，上述的风机scada数据的偏航静态偏差角预测方法中，获得的数据样本集划分为运行正常的数据样本和出现故障的数据样本，分别为正例和反例，输入到所述神经网络训练学习模型中；

同一批输入数据样本集，使用k折交叉验证算法，获取的k个样本，其中k-1个作为测试集，一个样本作为训练集，进行迭代计算。

第二方面，本发明还提供了一种实施上述方法的预测系统，包括

数据获取模块：用于获取时间段内不同风机的风速、偏航角以及发电功率，构架数据矩阵；

数据处理模块：用于根据所述数据矩阵标记得到静态偏航误差；

参数训练模块：用于基于神经网络，训练关于所述风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型；

数据预测模块：用于获取目标风机的当前风速、偏航角以及发电功率数据，输入至训练好的所述神经网络学习模型，预测所述目标风机的偏差角进行输出。

第三方面，本发明还提供了一种包括上述的预测系统的智能诊断系统，还包括文件管理系统和版本管理系统；

预测系统，用于训练关于风机风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型；

文件管理系统，用于存储预测系统训练的所述神经网络学习模型，并提供tensorflow服务给版本管理系统；

版本管理系统，用于保存和管理所述文件管理系统中的神经网络学习模型的版本数据信息，以供客户端通过服务句柄访问并获取相应的神经网络学习模型后执行预测任务。

进一步的，上述的智能诊断系统中，提供持续训练数据管道，以使不同的数据通过预测系统后构造为不同版本的模型，供客户端请求获取。

进一步的，上述的智能诊断系统中，还包括用户交互界面，用于数据或指定的输入以及数据的展示。

本发明的有益效果体现在：

本发明风机scada数据的偏航静态偏差角预测方法，以偏航角，风速，发电功率为输入量构建数据矩阵进行降维处理，基于神经网络算法，预测出风机的静态偏航误差，准确度高，且无需外挂机载式激光雷达等设备，降低引入其他设备产生的成本和引入设备的本身性能造成的数据误差，即相对于传统技术，本发明方法能够达到降本增效的目的，适于推广。

本发明预测系统与风机scada系统对接，获取数据，进行神经网络训练，基于其训练得到的学习模型，可以实时获取风机的运行数据，预测风机的偏航静态偏差角，准确度高，利于预测风机故障，以及时作出相关措施，避免因为静态偏航误差危害机组安全运行。

本发明智能诊断系统可以不断更新学习模型版本，用于风机运行情况的预测，经过一段时间的训练期，预测的结果会越来越准确。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为本发明风机scada数据的偏航静态偏差角预测方法在一个具体实施例中的流程图；

图2为本发明神经网络学习模型(即深度学习模型)的训练示意图；

图3为图2中正反例数据集利用k折交叉验证的示意图；

图4为本发明风力发电机scada偏航数据的偏航静态偏差角预测系统的结构框图；

图5为本发明智能诊断系统的结构框图；

图6为本发明提供持续训练数据管道的示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

实施例1

如图1所示，一种风机scada数据的偏航静态偏差角预测方法，包括：

s1.获取时间段内不同风机的风速、偏航角以及发电功率，构架数据矩阵；

s2.根据所述数据矩阵标记得到静态偏航误差；

s3.基于神经网络，训练关于所述风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型；

s4.获取目标风机的当前风速、偏航角以及发电功率数据，输入至训练好的所述神经网络学习模型，预测所述目标风机的偏差角进行输出。

本发明方法为基于神经网络遗传算法的静态偏航误差计算方法，主要针对的是风力发电机的scada系统，即数据采集与监视控制系统中的数据，无需使用机载式激光雷达，以风机的风向偏航角、风速、发电功率等维度为输入变量，通过训练好的神经网络模型，得到风向零点静态偏差角，以降低设备架设成本，实现风机静态偏航误差的预测。

本发明给出的具体实施例中，步骤s1.获取时间段内不同风机的风速、偏航角以及发电功率，构架数据矩阵，具体的：

获取一段时间内不同风机的风速v、偏航误差θ、发电功率p，构架数据矩阵。静态偏航误差不同于动态偏航误差，动态偏航误差与运行状态有关，通过实时获取风机的各项动态特征捕获确定进行补偿，本发明方法中针对的静态偏航误差(下文简称偏差角)，属于系统误差，需要有效检测和校正；在一段时间内，风机的风能利用系数不变，风机的发电功率p只与风速v、偏航误差θ相关，根据这一相关性，获取多个风机的上述风速v、偏航误差θ、发电功率p数据情况(来自风力发电机的scada系统监控记录，一台风机可以获取上万或几十万条相关数据)，形成足够的数据集，构架这几项数据的数据矩阵。

在其他实施例中，该步骤获取的数据中，还可以包括不同风机的桨距角数据。

然后进行步骤s2.，基于所述数据矩阵的数据情况进行观察，依据专家经验，标记各偏差角θ2；标记过程中，采用pca主成分分析法，对以风机风速、发电功率、偏航角为相关特征的数据矩阵进行数据降维，得到相应的不同数据情况下的偏差角θ2，作为预测期望值，与数据矩阵的数据共同构成数据样本集，用于输入后续的神经网络训练学习模型。

参考图2-3，步骤s3.基于神经网络，训练关于所述风速、偏航角、发电功率以及偏差角的神经网络学习模型，具体的：

所述神经网络为对抗神经网络(gan)和/或深度神经网络(dnn)，其特征工程提取出的特征向量具有预设的形状和维度，以提取的结果为素材，设定算法模型训练参数，得到神经网络训练学习模型。通过数据样本集训练神经网络训练学习模型，基于神经网络所具有自学习功能和高速寻找优化解的能力，自动掌握环境特征,实现自动目标识别，容错性好,抗干扰能力强，以获得更为准确的数据处理结果。

其中，上述特征向量的形状和维度即数据矩阵进行降维处理的结果，即不同风机的风速v、偏航角θ、发电功率p及标记得到对应的偏差角θ2，作为训练参数，采用k折交叉验证的方式，训练学习模型并验证模型的准确率。

偏航误差不仅增加机组额外负载，引起叶片气动弹性波动，还会降低机组的输出功率，引起风机故障；因此上述获得的数据样本集划分为运行正常的数据样本和出现故障的数据样本，分别为正例和反例，输入到所述神经网络训练学习模型中。

模型中同一批输入数据样本集，使用k折交叉验证算法，获取的k个样本，其中k-1个作为测试集，一个样本作为训练集，每次迭代过程中每个样本只有一次被划入训练集或测试集的机会，无重复抽样，可以利用相对较少或有限的数据集，训练好神经网络训练学习模型，验证得出模型的准确率；训练的模型与其准确率关联存储；后续采用该学习模型进行预测时，准确率作为预测结果的参考或指导数据。

所述神经网络训练学习模型可以重复获取新的数据样本集进行训练，以能够更好的得到偏航误差的预测结果，更利于预测风机故障。

s4.获取目标风机的当前风速、偏航角以及发电功率数据，输入至训练好的所述神经网络学习模型，预测所述目标风机的偏差角进行输出，具体包括：

目标风机即待预测偏航静态偏差角的风力发电机，通过scada系统采集该风机的当前处于的风速vi、发电功率pi以及偏航角θi,输入至所述神经网络训练学习模型中，输出对应的偏差角θ2i，作为预测数据，能够用于预测风机故障。

本发明风机scada数据的偏航静态偏差角预测方法，以偏航角，风速，发电功率为输入量构建数据矩阵进行降维处理，基于神经网络算法，预测出风机的静态偏航误差，准确度高，且无需外挂机载式激光雷达等设备，降低引入其他设备产生的成本和引入设备的本身性能造成的数据误差，即相对于传统技术，本发明方法能够达到降本增效的目的，适于推广。

实施例2

如图4所示，本发明还提供了一种风力发电机scada偏航数据的偏航静态偏差角预测系统，包括

数据获取模块：用于获取时间段内不同风机的风速、偏航角以及发电功率，构架数据矩阵；

数据处理模块：用于根据所述数据矩阵标记得到静态偏航误差；

参数训练模块：用于基于神经网络，训练关于所述风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型；

数据预测模块：用于获取目标风机的当前风速、偏航角以及发电功率数据，输入至训练好的所述神经网络学习模型，预测所述目标风机的偏差角进行输出。

本发明系统用于实施上述实施例1中的预测方法，其各模块对应执行各步骤的原理，可参考上述实施例1的相关描述。

具体的，所述数据获取模块执行“获取时间段内不同风机的风速、偏航角以及发电功率，构架数据矩阵”时：

获取一段时间内不同风机的风速v、偏航误差θ、发电功率p，构架数据矩阵。在一段时间内，风机的风能利用系数不变，风机的发电功率p只与风速v、偏航误差θ相关，根据这一相关性，获取多个风机的上述风速v、偏航误差θ、发电功率p数据情况(来自风力发电机的scada系统监控记录，一台风机可以获取上万或几十万条相关数据)，形成足够的数据集，构架这几项数据的数据矩阵。

在其他实施例中，该步骤获取的数据中，还可以包括不同风机的桨距角数据。

所述数据处理模块执行“用于根据所述数据矩阵标记得到静态偏航误差”时：

基于数据矩阵的数据情况进行观察，依据专家经验，标记各偏差角θ2；标记过程中，采用pca主成分分析法，对以风机风速、发电功率、偏航角为相关特征的数据矩阵进行数据降维，得到相应的不同数据情况下的偏差角θ2，作为预测期望值，与数据矩阵的数据共同构成数据样本集，用于输入后续的神经网络训练学习模型。

所述参数训练模块执行“基于神经网络，训练关于所述风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型”时：

所述神经网络为对抗神经网络(gan)和/或深度神经网络(dnn)，其特征工程提取出的特征向量具有预设的形状和维度，以提取的结果为素材，设定算法模型训练参数，得到神经网络训练学习模型。

其中，上述特征向量的形状和维度即数据矩阵进行降维处理的结果，即不同风机的风速v、偏航角θ、发电功率p及标记得到对应的偏差角θ2，作为训练参数，采用k折交叉验证的方式，训练学习模型并验证模型的准确率。

上述获得的数据样本集划分为运行正常的数据样本和出现故障的数据样本，分别为正例和反例，输入到所述神经网络训练学习模型中。

模型中同一批输入数据样本集，使用k折交叉验证算法，获取的k个样本，其中k-1个作为测试集，一个样本作为训练集，每次迭代过程中每个样本只有一次被划入训练集或测试集的机会，无重复抽样，可以利用相对较少或有限的数据集，训练好神经网络训练学习模型，验证得出模型的准确率；训练的模型与其准确率关联存储；后续采用该学习模型进行预测时，准确率作为预测结果的参考或指导数据。

所述神经网络训练学习模型可以重复获取新的数据样本集进行训练，以能够更好的得到偏航误差的预测结果，更利于预测风机故障。

所述数据预测模块执行“获取目标风机的当前风速、偏航角以及发电功率数据，输入至训练好的所述神经网络学习模型，预测所述目标风机的偏差角进行输出”时：

目标风机即待预测偏航静态偏差角的风力发电机，通过scada系统采集该风机的当前处于的风速vi、发电功率pi以及偏航角θi,输入至所述神经网络训练学习模型中，输出对应的偏差角θ2i，作为预测数据，能够用于预测风机故障。

本发明预测系统与风机scada系统对接，获取数据，进行神经网络训练，基于其训练得到的学习模型，可以实时获取风机的运行数据，预测风机的偏航静态偏差角，准确度高，利于预测风机故障，以及时作出相关措施，避免因为静态偏航误差危害机组安全运行。

实施例3

如图5-6所示，本发明还提供了一种智能诊断系统，包括预测系统、文件管理系统和版本管理系统；

预测系统，用于训练关于风机风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型；

文件管理系统，用于存储预测系统训练的所述神经网络学习模型，并提供tensorflow服务给版本管理系统；

版本管理系统，用于保存和管理所述文件管理系统中的神经网络学习模型的版本数据信息，以供客户端通过服务句柄访问并获取相应的神经网络学习模型后执行预测任务。

具体的，预测系统训练好的神经网络学习模型，通过文件管理系统提供tensorflow服务给版本管理系统，客户端可以通过服务句柄访问版本管理系统中相应的神经网络学习模型版本；客户端取得相应的算法模型后即可执行预测任务。

预测系统可以不断获取数据样本对神经网络学习模型进行训练，新的模型训练完成后，神经网络学习模型的版本更新，文件管理系统自动将新版本神经网络学习模型的信息保存并提供给版本管理系统，待下次客户端访问时，即可查看并获取新版本神经网络学习模型的版本。

进一步的，为了满足更多的需求，本发明智能诊断系统提供持续训练数据管道，不同的数据(包括风机运行过程中的桨距角等各项运行参数)通过预测系统后构造为不同版本的模型，供客户端请求获取，用于进行不同项目的预测和诊断分析。

进一步，所述智能诊断系统作为智能诊断平台，提供用户交互界面，用于数据或指定的输入以及数据的展示。

本发明智能诊断系统可以不断更新学习模型版本，用于风机运行情况的预测，经过一段时间的训练期，预测的结果会越来越准确。

本发明的实现和本文中提供的所有功能操作可以用数字电子电路、或者用计算机软件、固件或硬件，包括本说明书及其结构等同方案中所公开的结构、或者其中的一个或多个的组合来实现。本公开的实现可以实现为一个或多个计算机程序产品，即在计算机可读介质上编码的计算机程序指令的一个或多个模块，这些指令由数据处理装置来执行或者用以控制数据处理装置的操作。除了硬件之外，该数据处理装置可以包括为所描述的计算机程序创建执行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统或者其中的一个或多个的组合的代码。

计算机程序(也称为程序、软件、软件应用、脚本或代码)可以用任何形式的编程语言(包括编译语言或解释语言)来编写，并且计算机程序可以用任何形式来部署，包括作为独立程序或者作为模块、部件、子例程或者适合在计算环境中使用的其他单元。计算机程序并非必须对应于文件系统中的文件。程序可以存储在保持其他程序或数据(例如标记语言文档中所存储的一个或多个脚本)的文件的部分中，存储在专用于所描述的程序的单个文件中，或者存储在多个协同文件(例如存储一个或多个模块、子程序或者代码的部分的文件)中。计算机程序可以被部署成在一个计算机上来执行，或者在位于一个站点处或分布在多个站点处且通过通信网络互连的多个计算机上来执行。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。