本发明涉及数据处理领域,尤其涉及一种多数据融合的故障分析方法、设备及存储介质。
背景技术:
1、对于风电领域的机组,不同的设备厂家对自身设备相对熟悉,基于物联网通信协议定位设备故障原因,并给出当下故障告警代码和描述。设备故障是以各设备厂家的故障、告警结果为依托。
2、但在大型、复杂的设备集群中,设备之间是相互联动的,一个设备出现故障有可能是其他设备引起的。设备之间无法相互联动预警,单一的设备结论容易误判,且无法将预测时间点提前,导致难以分析出机组中设备故障的最初原因,使得机组的工作效益降低。
技术实现思路
1、本发明的主要目的在于解决机组的设备之间无法相互联动预警,单一的设备结论容易误判,且无法将预测时间点提前,导致难以分析出机组中设备故障的最初原因,使得机组的工作效益降低的技术问题。
2、本发明第一方面提供了一种多数据融合的故障分析方法,所述多数据融合的故障分析方法包括:
3、在机组中收集秒级风电系统数据;
4、根据预设的时间窗口将所述秒级风电系统数据切割成小段,得到分钟级风电数据集,并对预设的历史故障信息执行统计操作,得到故障指标;
5、对所述分钟级风电数据集执行时间位与质量位的标记操作,得到训练数据集;
6、根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型;
7、检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果。
8、可选的,在本发明第一方面的第一种实现方式中,所述根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型的步骤包括:
9、根据所述训练数据集以及所述故障指标,对预设的所述回归分析模型执行模型训练操作,得到待调优模型;
10、根据预设的所述历史数据集以及所述故障指标,对所述待调优模型执行模型调优操作,得到所述故障分析模型。
11、可选的,在本发明第一方面的第二种实现方式中,所述对所述分钟级风电数据集执行时间位与质量位的标记操作,得到训练数据集的步骤包括:
12、对所述分钟级风电数据集执行数据清洗操作,得到待标记数据集;
13、对所述待标记数据集执行时间位与质量位的标记操作,得到所述训练数据集。
14、可选的,在本发明第一方面的第三种实现方式中,所述根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型的步骤之前,所述方法还包括:
15、对分钟级风电数据集中的故障数据执行特征提取操作,得到故障数据特征;
16、基于所述故障数据特征建立回归分析模型,所述回归分析模型包括线性回归分析模型、多元回归分析模型或者逻辑回归分析模型。
17、可选的,在本发明第一方面的第四种实现方式中,所述检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果的步骤之后,所述方法还包括:
18、根据所述分析结果,在所述机组中确定异常目标,以及确定所述异常目标对应的异常原因;
19、判断所述异常原因是否关联有预设的修复程序;
20、若所述异常原因关联有预设的所述修复程序,执行所述修复程序。
21、可选的,在本发明第一方面的第五种实现方式中,所述检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果的步骤之后,所述方法还包括:
22、根据所述待分析数据更新所述秒级风电数据,并返回执行对所述秒级风电数据集执行下采样操作,得到分钟级风电数据集的步骤。
23、可选的,在本发明第一方面的第六种实现方式中,所述根据预设的时间窗口将所述秒级风电系统数据切割成小段,得到分钟级风电数据集的步骤包括:
24、在机组中收集原始数据;
25、对所述原始数据执行去噪、处理缺失值、标准化和/或归一化操作,得到待筛选风电数据;
26、在所述待筛选风电数据中确定所述秒级风电系统数据。
27、可选的,在本发明第一方面的第七种实现方式中,所述在机组中收集秒级风电系统数据的步骤包括:
28、在机组中收集风机scada数据、风机cms数据以及各个二次设备的检测数据;
29、将所述风机scada数据、风机cms数据以及所述检测数据作为所述秒级风电系统数据。
30、本发明第二方面提供了一种多数据融合的故障分析设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述多数据融合的故障分析设备执行上述的多数据融合的故障分析方法。
31、本发明的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的多数据融合的故障分析方法。
32、在本发明实施例中,收集秒级风电系统数据;根据预设的时间窗口将所述秒级风电系统数据切割成小段,得到分钟级风电数据集,并对预设的历史故障信息执行统计操作,得到故障指标;对所述分钟级风电数据集执行时间位与质量位的标记操作,得到训练数据集;根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型;检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果。多数据融合的故障分析通过收集秒级风电系统数据并将其切割成分钟级数据集,为后续的分析提供了数据基础。对预设的历史故障信息执行统计操作,得到的故障指标对于故障分析和预测至关重要,可以帮助发现潜在的问题和异常情况,从而提升风电系统的可靠性和性能。通过对分钟级风电数据集执行时间位与质量位的标记操作,可以将数据进行分类和归档,便于后续的模型训练和分析。标记操作有助于建立有效的训练数据集,提高模型的准确性和可靠性。通过使用预设的历史数据集、训练数据集以及故障指标,对回归分析模型进行训练操作所得到的故障分析模型可以用于处理待分析数据,其中,根据预设的时间窗口将秒级风电系统数据切割成小段,可将预测时间点提前,结合上述操作步骤,可分析出机组中设备故障的最初原因,可帮助提前采取相应的维护和修复措施,降低故障风险和损失,保障了机组的工作效益。
1.一种多数据融合的故障分析方法,其特征在于,所述多数据融合的故障分析方法包括:
2.根据权利要求1所述的多数据融合的故障分析方法,其特征在于,所述根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型的步骤包括:
3.根据权利要求1所述的多数据融合的故障分析方法,其特征在于,所述对所述分钟级风电数据集执行时间位与质量位的标记操作,得到训练数据集的步骤包括:
4.根据权利要求1所述的多数据融合的故障分析方法,其特征在于,所述根据预设的历史数据集、所述训练数据集以及所述故障指标,对预设的回归分析模型执行模型训练操作,得到故障分析模型的步骤之前,所述方法还包括:
5.根据权利要求1所述的多数据融合的故障分析方法,其特征在于,所述检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果的步骤之后,所述方法还包括:
6.根据权利要求1-5任一项所述的多数据融合的故障分析方法,其特征在于,所述检测到待分析数据时,调用所述故障分析模型对所述待分组数据执行数据分析操作,得到分析结果的步骤之后,所述方法还包括:
7.根据权利要求1所述的多数据融合的故障分析方法,其特征在于,所述在机组中收集秒级风电系统数据的步骤包括:
8.根据权利要求1所述的多数据融合的故障分析方法,其特征在于,所述在机组中收集秒级风电系统数据的步骤包括:
9.一种多数据融合的故障分析设备,其特征在于,所述多数据融合的故障分析设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的多数据融合的故障分析方法。