(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111197336.8 (22)申请日 2021.10.14 (71)申请人 明阳智慧能源集团股份公司 地址 528437 广东省中山市 火炬开发区火 炬路22号 (72)发明人 孙启涛　赵超凡　鲁纳纳　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 代理人 冯炳辉 (51)Int.Cl. G06Q 10/00(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06F 30/27(2020.01) G06F 113/06(2020.01)G06F 119/06(2020.01) G06F 119/08(2020.01) (54)发明名称 一种风电机组的故障预警建模方法及系统 (57)摘要 本发明公开了一种风电机组的故障预警建 模方法及系统， 该方法包括以下步骤： S1、 运行数 据获取； S2、 标签点数据筛选； S3、 构建预 警模型； S4、 确定预警阈值； S5、 判断风电机组故障预警状 态； S6、 检验预警模型效果； 利用ReliefF算法筛 选预警模型所需的SCADA数据标签点， 然后利用 机器学习算法建立预警模型， 对风电机组部件进 行实时预警， 确保模型有较高的准确率， 便于运 维人员及时排查故障； 本发明筛选标签点数据更 为科学合理； 同时所构建的预警模型准确率较 高， 提高了运维效率； 兼容性高， 能够用于风电机 组的各个关键部件， 及时发现风电机组的初期故 障， 避免风机受到更 大损伤。 权利要求书2页 说明书5页 附图5页 CN 114021743 A 2022.02.08 CN 114021743 A 1.一种风电机组的故障预警建模方法， 其特 征在于， 包括以下步骤： S1、 采集风电机组运行数据， 对采集到的风电机组运行数据进行预处理， 划分为训练样 本集和验证样本集； S2、 将训练样本集输入到reliefF算法中， 获取各标签点数据的特征影响值， 将该特征 影响值作为各个标签点数据的权 重， 根据权 重筛选出各个标签点数据； S3、 将筛选后标签点数据输入到SVM模型中训练， 构建预警模型； S4、 将多组故障风电机组运行数据输入到预警模型中， 得到多组故障风电机组对应的 异常数据占比， 并计算所有异常数据占比的平均值得到预警阈值； S5、 将当前所需检测的风电机组运行数据输入到预警模型中， 将得到的该风电机组的 异常数据占比与预警阈值比对， 判断该风电机组的部件是否故障； S6、 根据触发预警的风电机组运行数据， 分析每个预警触发时的持续时长， 来判断风电 机组预警的严重程度； S7、 将验证样本集输入到预警模型中， 检验预警模型的效果。 2.根据权利要求1所述的一种风电机组的故障预警建模方法， 其特征在于， 在步骤S1 中， 具体执 行以下操作： 分别获取风电机组在正常运行状态和 异常运行状态下跨度时间为一个月的运行数据， 采样周期为1s； 对采集的风电机组数据进行预处理， 将采集的风电机组数据的前80％数据 作为训练样本集， 其后20％数据作为验证样本集。 3.根据权利要求1所述的一种风电机组的故障预警建模方法， 其特征在于， 在步骤S3 中， 具体执 行以下操作： 将筛选后标签点数据输入到SVM模型中， 对SVM模型进行训练， 完成训练后的SVM模型即 为预警模型， 对预警模型进行保存。 4.根据权利要求1所述的一种风电机组的故障预警建模方法， 其特征在于， 在步骤S4 中， 包括以下步骤： S401、 任意取数据长度为1天的故障风电机组运行数据输入到预警模型后， 得到该天相 对应的风电机组运行 数据中被判断为异常数据的异常数据占比； S402、 重复操作步骤S401多次， 将所有取 得的异常数据占比的平均值作为预警阈值。 5.根据权利要求1所述的一种风电机组的故障预警建模方法， 其特征在于， 在步骤S5 中， 具体执 行以下操作： 将当前所需检测的风电机组运行数据输入到预警模型后得到该风电机组运行数据的 异常数据占比， 若该异常数据占比超过预警阈值， 则触发预警， 系统提示机组部件故障； 若 该异常数据占比未超过 预警阈值， 则不触发预警。 6.根据权利要求1所述的一种风电机组的故障预警建模方法， 其特征在于， 在步骤S6 中， 具体执 行以下操作： 根据触发预警的风电机组运行数据， 分析每个预警触发时的持续时长， 并根据持续时 长， 来判断风电机组预警的严重程度； 若持续时长小于一小时， 则判断为一级预警； 若持续 时长大于一小时且小于两小时， 则判断为二级预警； 若持续时长大于两个小时， 则判断为三 级预警。 7.一种风电机组的故障预警建模系统， 其特 征在于， 包括：权　利　要　求　书 1/2 页 2 CN 114021743 A 2运行数据获取模块， 获取风电机组在预设的跨度时间段内的运行 数据； 建模标签获取模块， 通过Rel iefF算法筛 选出标签点数据； 模型训练模块， 将筛选后的相应标签点数据作为训练集输入到SVM模型中， 构建预警模 型； 阈值确定模块， 用于确定基于风电机组运行 数据得到的预警阈值； 预警模块， 根据预警阈值对风电机组运行 数据进行 预警判断， 从而 进行预警。 8.根据权利要求7所述的一种风电机组 的故障预警建模系统， 其特征在于， 所述运行数 据获取模块具体执 行以下操作： 分别获取风电机组在正常运行状态和 异常运行状态下跨度时间为一个月的运行数据， 采样周期为1s； 对采集的风电机组数据进行预处理， 将采集的风电机组数据的前80％数据 作为训练样本集， 其后20％数据作为验证样本集。 9.根据权利要求7所述的一种风电机组 的故障预警建模系统， 其特征在于， 所述阈值确 定模块具体执 行以下操作： 任意取数据长度为1天的故障风电机组运行数据输入到预警模型后， 得到该天相对应 的风电机组运行数据中被判断为异常数据的异常数据占比； 重复上述操作多次， 将所有取 得的异常数据占比的平均值作为预警阈值。 10.根据权利要求7所述的一种风电机组的故障预警建模系统， 其特征在于， 所述预警 模块具体执 行以下操作： 将风电机组运行数据的异常数据占比与 预警阈值进行比对， 若该异常数据占比超过预 警阈值， 则触发预警， 系统提示机组部件故障； 若该异常数据占比未超过预警阈值， 则不触 发预警； 根据触发预警的风电机组运行数据， 分析每个预警触发时的持续时长， 并根据持续时 长， 来判断风电机组预警的严重程度； 若持续时长小于一小时， 则判断为一级预警； 若持续 时长大于一小时且小于两小时， 则判断为二级预警； 若持续时长大于两个小时， 则判断为三 级预警。权　利　要　求　书 2/2 页 3 CN 114021743 A 3