[发明专利]一种海上风电机组的寿命预测方法及装置有效
申请号: | 202210750046.X | 申请日: | 2022-06-29 |
公开(公告)号: | CN114934880B | 公开(公告)日: | 2023-05-02 |
发明(设计)人: | 焦冲;蔡安民;蔺雪峰;许扬;林伟荣;张俊杰;金强 | 申请(专利权)人: | 华能集团技术创新中心有限公司;中国华能集团清洁能源技术研究院有限公司 |
主分类号: | F03D17/00 | 分类号: | F03D17/00 |
代理公司: | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人: | 赵迪 |
地址: | 100031 北京市西*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 海上 机组 寿命 预测 方法 装置 | ||
1.一种海上风电机组的寿命预测方法,其特征在于,所述方法包括:通过第一预测模型对风电机组中各关键部件的寿命进行预测,得到第一预测结果;通过第二预测模型对所述风电机组中各关键部件的寿命进行预测,得到第二预测结果;将所述第一预测结果与所述第二预测结果进行综合评估,得到所述风电机组中各关键部件的寿命预测结果;基于所述各关键部件的寿命预测结果,对所述风电机组的寿命进行预测,得到所述风电机组的寿命预测结果;
所述第一预测模型包括齿轮箱寿命预测模型、塔筒寿命预测模型、发电机寿命预测模型、变流器寿命预测模型;
所述第一预测模型还包括数据分析模型,所述通过第一预测模型对风电机组中各关键部件的寿命进行预测,得到第一预测结果,包括:将所述风电机组的各关键部件的参数分别输入至对应的寿命预测模型中,得到各关键部件的寿命预测结果,并输入至所述数据分析模型;所述数据分析模型基于各关键部件的寿命预测结果和所述风电机组中剩余部件的参数进行预测,得到第一预测结果;
所述第二预测模型,包括:基于变分自编码器VAE对所述风电机组的多源信息进行融合筛选,得到融合特征;利用所述融合特征、风电机组的历史数据、以及专家经验数据对预设自学习神经网络进行训练,得到第二预测模型。
2.根据权利要求1所述的寿命预测方法,其特征在于,所述关键部件包括齿轮箱、塔筒、发电机、变流器。
3.一种海上风电机组的寿命预测装置,其特征在于,所述装置包括:第一预测模块,用于通过第一预测模型对风电机组中各关键部件的寿命进行预测,得到第一预测结果;第二预测模块,用于通过第二预测模型对所述风电机组中各关键部件的寿命进行预测,得到第二预测结果;评估模块,用于将所述第一预测结果与所述第二预测结果进行综合评估,得到所述风电机组中各关键部件的寿命预测结果;第三预测模块,用于基于所述各关键部件的寿命预测结果,对所述风电机组的寿命进行预测,得到所述风电机组的寿命预测结果;
所述第一预测模型包括齿轮箱寿命预测模型、塔筒寿命预测模型、发电机寿命预测模型、变流器寿命预测模型;
所述第一预测模型还包括数据分析模型,所述通过第一预测模型对风电机组中各关键部件的寿命进行预测,得到第一预测结果,包括:将所述风电机组的各关键部件的参数分别输入至对应的寿命预测模型中,得到各关键部件的寿命预测结果,并输入至所述数据分析模型;所述数据分析模型基于各关键部件的寿命预测结果和所述风电机组中剩余部件的参数进行预测,得到第一预测结果;
所述第二预测模型,包括:基于变分自编码器VAE对所述风电机组的多源信息进行融合筛选,得到融合特征;利用所述融合特征、风电机组的历史数据、以及专家经验数据对预设自学习神经网络进行训练,得到第二预测模型。
4.根据权利要求3所述的寿命预测装置,其特征在于,所述各关键部件包括齿轮箱、塔筒、发电机、变流器。
5.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-2中任一所述的方法。
6.一种计算机存储介质,其中,所述计算机存储介质存储有计算机可执行指令;所述计算机可执行指令被处理器执行后,能够实现权利要求1-2中任一所述的方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华能集团技术创新中心有限公司;中国华能集团清洁能源技术研究院有限公司,未经华能集团技术创新中心有限公司;中国华能集团清洁能源技术研究院有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210750046.X/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种皮肤敏感修护组合物及其应用
- 下一篇:一种中性起蜡水除油剂及其制备方法