[发明专利]一种风电机组故障自诊断方法和系统

权利要求书

1.一种风电机组故障自诊断方法，其特征在于，包括：

获取风电机组的状态参数数据和第一预设时长内的运行参数数据；其中，所述运行参数数据包括至少一个待预测参数的真实测量值；

根据所述状态参数数据和所述运行参数数据，确定所述风电机组所在的第一风电机组群；

根据所述运行参数数据和所述第一风电机组群，确定所述风电机组的第一工况类别；

根据所述第一风电机组群和所述第一工况类别，确定所述第一风电机组群中所述第一工况类别对应的训练好的故障诊断模型；

将所述运行参数数据输入至训练好的故障诊断模型，得到所述待预测参数的模型预测值；

根据所述待预测参数的所述模型预测值和所述真实测量值，生成故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述状态参数数据和所述运行参数数据，确定所述风电机组所在的第一风电机组群，包括：

获取多个样本风电机组的状态参数样本数据和第二预设时长内的运行参数样本数据；

根据所述状态参数样本数据和所述运行参数样本数据，对多个所述样本风电机组进行聚类分析，划分为多个样本风电机组群；

通过对比所述状态参数数据和所述运行参数数据与不同所述样本风电机组群的所述状态参数样本数据和所述运行参数样本数据，确定所述风电机组所在的第一风电机组群。

3.根据权利要求2所述的方法，其特征在于，所述根据所述状态参数样本数据和所述运行参数样本数据，对多个所述样本风电机组进行聚类分析，划分为多个样本风电机组群，包括：

对所述状态参数样本数据和所述运行参数样本数据进行特征量化处理，生成量化状态参数样本数据和量化运行参数样本数据；

根据所述量化状态参数样本数据和所述量化运行参数样本数据，基于聚类分析算法，进行聚类分析，得到分类结果；

根据所述分类结果，将多个所述样本风电机组划分为多个所述样本风电机组群。

4.根据权利要求3所述的方法，其特征在于，所述根据所述运行参数数据和所述第一风电机组群，确定所述风电机组的第一工况类别，包括：

将所述样本风电机组群中的至少一个所述样本风电机组的所述运行参数样本数据，划分为不同工况下的样本工况数据；

通过对比所述运行参数数据与所述第一风电机组群中不同工况下的样本工况数据，确定所述风电机组的第一工况类别。

5.根据权利要求4所述的方法，其特征在于，所述将所述样本风电机组群中的至少一个所述样本风电机组的所述运行参数样本数据，划分为不同工况下的样本工况数据，包括：

从所述运行参数样本数据中提取工况数据；

采用K-折等概率的方法对每一个所述工况数据进行划分，得到多个不同工况组；其中，K为大于1的整数；

将所述运行参数样本数据，根据所述工况组进行划分，得到不同工况下的样本工况数据。

6.根据权利要求5所述的方法，其特征在于，所述根据所述第一风电机组群和所述第一工况类别，确定所述第一风电机组群中所述第一工况类别对应的训练好的第一故障诊断模型，包括：

根据不同工况下的样本工况数据，确定每个工况适用的至少一个故障诊断模型；

将每个工况下的所述样本数据输入至该工况所适用的至少一个故障诊断模型，对故障诊断模型进行训练，得到训练好的故障诊断模型；

根据所述第一风电机组群和所述第一工况类别，确定所述第一风电机组群中所述第一工况类别对应的至少一个训练好的故障诊断模型。

7.根据权利要求6所述的方法，其特征在于，所述故障诊断模型为随机森林模型和/或极度梯度提升树Xgboost模型和/或神经网络模型。

8.根据权利要求1所述的方法，其特征在于，所述方法，还包括：

根据所述状态参数数据中第一状态参数和第一预设模型更新参数，判断是否触发模型更新；

在所述第一状态参数为所述第一预设模型更新参数的情况下，触发模型更新，对训练好的所述第一故障模型进行更新。