[发明专利]基于贝叶斯推理方式对风机状态进行预测的方法和系统

权利要求书

1.一种基于贝叶斯推理方式对风机状态进行预测的方法，其特征在于，包括：

获取风场内所有风力机在指定的时间点之前一定时间内的运行数据，按照预置的所述风力机的运行状态类型对所述运行数据进行归类，并在所述一定时间内按相同时长的时间段获取各所述风力机在每一时间段对应的运行状态类型；

对每一所述时间段内的各所述风力机所对应的所述运行状态类型进行概率统计处理，生成各所述风力机运行状态类型的概率值，确定出每一所述时间段内的所述概率值最大的所述运行状态类型作为该时间段的总体运行状态类型；其中，所述总体运行状态类型的概率值为该时间段内所述风力机运行状态类型的最大概率值；

对所述一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模，生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率；

对各所述时间段的所述先验条件概率以及总体运行状态类型的概率值，利用贝叶斯推理方式进行概率处理，生成所述相邻两个时间段的任意一对所述总体运行状态类型发生的联合概率值，由所述联合概率值建立此类风机由于所述故障引起性能衰退直至停机的状态分布曲线，根据该状态分布曲线对所述风机进行故障状态的预测。

2.如权利要求1所述的基于贝叶斯推理方式对风机状态进行预测的方法，其特征在于，对所述一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模，生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率，进一步为：

以故障导致停机的时间点为时间起始点，依次对一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模处理，然后，使用任何风机发生所述故障的所有该类事件进行参数训练，生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率。

3.如权利要求1所述的基于贝叶斯推理方式对风机状态进行预测的方法，其特征在于，对所述一定时间内的每一时间段内各所述风力机所对应的所述运行状态类型进行概率统计处理，进一步为：

将所述一定时间内的每一时间段内，所述风力机所对应的同一所述运行状态类型与在该时间段内出现的所有所述运行状态类型的比例进行概率统计处理。

4.如权利要求1所述的基于贝叶斯推理方式对风机状态进行预测的方法，其特征在于，获取风场内所有风力机在指定的时间点之前一定时间内的运行数据，进一步为：

对风场内所有风力机在指定的时间点之前一定时间内的风速数据与该风力机的发电功率、叶片转速、变桨转角和/或该风力机的运行参数进行相关性测试，获取由该相关性测试所生成的运行数据。

5.如权利要求1所述的基于贝叶斯推理方式对风机状态进行预测的方法，其特征在于，

所述一定时间，进一步为：以25天为固定值的时间期限；

所述相同时长的时间段，进一步为：在所述25天内以1天作为固定值的时间段。

6.一种基于贝叶斯推理方式对风机状态进行预测的系统，其特征在于，包括：数据获取单元、统计处理单元、建模训练单元以及状态预测单元，其中，

所述数据获取单元，用于获取风场内所有风力机在指定的时间点之前一定时间内的运行数据，按照预置的所述风力机的运行状态类型对所述运行数据进行归类，并在所述一定时间内按相同时长的时间段获取各所述风力机在每一时间段对应的运行状态类型；

所述统计处理单元，用于对每一所述时间段内的各所述风力机所对应的所述运行状态类型进行概率统计处理，生成各所述风力机运行状态类型的概率值，确定出每一所述时间段内的所述概率值最大的所述运行状态类型作为该时间段的总体运行状态类型；其中，所述总体运行状态类型的概率值为该时间段内所述风力机运行状态类型的最大概率值；

所述建模训练单元，用于对所述一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模，生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率；

所述状态预测单元，用于对各所述时间段的所述先验条件概率以及总体运行状态类型的概率值，利用贝叶斯推理方式进行概率处理，生成所述相邻两个时间段的任意一对所述总体运行状态类型发生的联合概率值，由所述联合概率值建立此类风机由于所述故障引起性能衰退直至停机的状态分布曲线，根据该状态分布曲线对所述风机进行故障状态的预测。