[发明专利]发电机温度预警方法及系统

说明书

本公开提供一种发电机温度预警方法及系统，该方法包括：获取发电机的运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据；利用预设的深度学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值；在所述发电机的温度大于所述预警阈值时，生成告警信号。

技术领域

本公开涉及发电机检测领域，更具体地讲，涉及一种发电机温度预警方法及系统。

背景技术

发电机是风力发电机组的核心部件之一。发电机故障可导致整个风力发电机组停机，严重影响电网的安全稳定运行。

对于发电机的过温预警，目前通常采用固定的温度阈值监测和报警方式监测发电机的运行状态，在温度超过固定的上限阈值时报警，超过固定的极限阈值时紧急停机。然而，固定的上限阈值或者极限阈值会导致很多误报警，从而损失发电量。

因此，如何有效识别真正的过温故障进而进行发电机控制，是亟待解决的技术问题。

发明内容

本公开的实施例的目的在于提供一种发电机温度预警方法及系统，以提高发电机过温故障识别精度，进而最大化避免因过温度故障识别错误导致损失发电量。

第一方面，本发明提供一种发电机温度预警方法，包括：获取发电机的运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据；

利用预设的深度学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值；

在所述发电机的温度大于所述预警阈值时，生成告警信号。

进一步地，所述发电机包括风力发电机，所述运行状态数据包括功率控制数据、发电机转速数据、发电机温度数据、以及发电机轴电压数据；

所述环境数据包括发电机所处环境的温度数据、湿度数据；

所述风资源数据包括风速数据、风向数据以及湍流数据。

进一步地，所述利用预设的深度学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值的步骤包括：

利用预设的神经网络学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值。

进一步地，所述利用预设的神经网络学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值的步骤包括：

确定所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据的对应的权重；

利用预设的神经网络学习模型，利用所述对应的权重分别对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据加权后学习得到所述发电机温度的预警阈值。

进一步地，所述确定所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据的对应的权重的步骤包括：

利用遗传算法确定所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据的对应的权重；其中，所述遗传算法在利用所述对应的权重分别对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据加权后学习得到所述发电机温度的预警阈值产生的误告警次数最小时收敛。

第二方面，本发明提供一种发电机温度预警系统包括：数据获取模块，用于获取发电机的运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据；

深度学习模块，用于利用预设的深度学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值；