(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 202111345475.0 (22)申请日 2021.11.15 (71)申请人 国家能源 （山 东） 新能源 有限公司 地址 261000 山东省潍坊市滨海区龙威 三 街01001号 (72)发明人 不公告发明人 　 (74)专利代理 机构 北京纽乐康知识产权代理事 务所(普通 合伙) 11210 代理人 田磊 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 20/00(2019.01) G06K 9/62(2022.01) F03D 17/00(2016.01)G06F 119/06(2020.01) (54)发明名称 风电机组的叶片断裂预警方法和装置 (57)摘要 本发明公开了一种风电机组的叶片断裂预 警方法和装置， 该预警方法为： 根据特征变量选 取方法和趋势提取方法把预设时间段内的历史 运行数据提取成可用于模型训练的模型训练数 据， 根据特征变量的特性， 给出一个回归模型的 结构， 采用模型训练数据训练所述回归模型， 根 据训练得到的模 型， 对比模型输出数据和实时运 行数据之间的差异， 根据预设的预 警判断规则进 行预警判断， 判断得到的预警信息用于提示运维 人员， 对叶片的健康状态进行检查。 本发明的风 电机组的叶片断裂预警方法和装置解决了现有 技术中的风电机组的叶片健康检查方法需要投 入很大的人力物力， 成本较高的问题， 并且能在 早期发现叶片的健康问题。 权利要求书1页 说明书5页 附图3页 CN 114218690 A 2022.03.22 CN 114218690 A 1.一种风电机组的叶片断裂预警方法， 其特 征在于， 包括以下步骤： S1 根据特征变量选取方法和趋势提取方法把预设时间段内的历史运行数据提取成可 用于模型训练的模型训练数据； S2 根据特征变量的特性， 给出一个回归模型的结构， 采用模型训练数据训练所述 回归 模型； S3 根据训练得到的模型， 对比模型输出数据和实时运行数据之间的差异， 根据预设的 预警判断规则进行 预警判断； S4 判断得到的预警信息用于提 示运维人员， 对叶片的健康状态进行检查。 2.根据权利要求1所述的预警方法， 其特征在于， 所述特征变量选取方法为： 选择风速、 功率、 转速、 横向机舱振动和纵向机舱振动作为特征变量， 将特征变量的历史运行记录作为 训练模型的原 始输入， 历史数据的记录周期是1秒。 3. 根据权利要求1所述的预警方法， 其特征在于， 风速、 功率的历史数据的趋势提取方 法为： 采用滑动窗口中值法对数据进行趋势提取， 滑动窗口的时间长度采用  5 分钟， 滑动 窗口的滑动步长采用1分钟； 转速、 横向机舱振动和纵向机舱振动的历史数据的趋势提取方法为： 采用滑动 窗口取 极值的方法， 即在5分钟的时间段内取数据记录的最大值， 滑动窗口的滑动步长采用  1 分 钟。 4.根据权利要求1所述的预警方法， 其特征在于， 所述根据特征变量的特性， 给出一个 回归模型的结构为： 选取趋势 提取后的风速、 功 率和转速作为模型的输入变量， 选取趋势 提 取后的纵向机舱振动和横向机舱振动作为输出变量， 采用支持向量回归模 型作为模型的底 层结构。 5.根据权利要求1所述的预警方法， 其特征在于， 所述预警判断规则包括： 通过数据采 集装置获取机组运行的实时数据， 把 实时运行数据输入模型， 模型得到预测的数据， 把模型 预测的数据和实时运行数据进行对比， 如果发现实时运行数据发生了趋势性的偏离， 则发 出叶片断裂预警信息 。 6. 根据权利要求5所述的预警方法， 其特征在于， 实时运行数据趋势性偏离的判断方 法包括： 实测值减去模型预测值得到一个差值， 对差值进行求导； 对差值导数进 行滑动窗口 中值计算， 得到差值导数的滑动中值， 滑动窗口的时间长度采用5分钟， 滑动步长采用一分 钟； 如果差值 导数的滑动中值连续  6 小时大于 0 ， 则发出预警信息 。 7.一种采用权利要求1 ‑6任意一项所述的方法进行风电机组的叶片断裂预警的装置， 其特征在于， 包括： 历史数据获取模块， 用于获取风电机组在预设时间段内的历史运行 数据； 实时数据通讯模块， 用于获取 数据及输出 数据； 模型训练模块， 用于进行回归 模型训练， 输入历史数据记录， 输出模型文件； 预警判断模块， 用于和实时数据通讯模块对接获取数据， 并和运维管理系统对接输出 预警信息 。权　利　要　求　书 1/1 页 2 CN 114218690 A 2风电机组的叶片断裂 预警方法和装置 [0001] 技术领域 [0002]本发明涉及风力发电技术领域， 具体来说， 涉及一种风电机组的叶片断裂预警方 法和装置 。 背景技术 [0003]我国风能资源丰富发展潜力巨大， 通过大规模建立风力发电机基地， 可以充分利 用风能能源， 创造巨大 的经济价值,风电已经成为构建以新能源为主体的新型电力系统的 重要组成部 分。 风力发电机的风轮吸收风能旋转， 进而 带动相连接的发电机旋转发电。 风电 机组的叶片式风力发电的核心部件， 是把 风能转化成电能的载体。 [0004]随着机组投运时间变长， 以及某些机组型号自身特性， 叶片断裂的故障时有发生， 给机组的安全运行和全场的发电效益都带了了不少影响。 对于现有的风机， 如何采取技术 措施， 减少由于叶片断裂带来的直接和间接损失， 如何尽早地发现叶片断裂的征兆， 从而及 时采取应对措施， 减少安全隐患， 降低发电量损失， 是一个具有重大经济意义和社会意义的 问题。 发明内容 [0005]针对相关技术中的上述技术问题， 本发明提出一种风电机组的叶片断裂预警方法 和装置， 能够克服现有技 术的上述 不足。 [0006]为实现上述 技术目的， 本发明的技 术方案是这样实现的： 一种风电机组的叶片断裂预警方法， 包括以下步骤： S1 根据特征变量选取方法和趋势提取方法把预设时间段内的历史运行数据提取 成可用于模型训练的模型训练数据， S2 根据特征变量的特性， 给出一个回归模型的结构， 采用模型训练数据训练这个 回归模型； S3 根据训练得到的模型， 对比模型输出数据和实时运行数据之间的差异， 根据预 设的预警判断规则进行 预警判断； S4 判断得到的预警信息用于提 示运维人员， 对叶片的健康状态进行检查。 [0007]进一步地， 所述特征变量选取方法为： 选择风速、 功率、 转速、 横向机舱振动和纵向 机舱振动作为特征变量， 将特征变量的历史运行记录作为训练模型 的原始输入， 历史数据 的记录周期是1秒， 即一秒记录一次数据 产生的历史数据集。 [0008]进一步地， 风速、 功率的历史数据的趋势提取方法为： 采用滑动窗口中值法对数据 进行趋势提取， 滑动窗口的时间长度采用  5 分钟， 即在5分钟的时间段内的数据进行取中 值计算得到一个数值， 滑动窗口的滑动步长采用1分钟， 即每滑动1分钟取一个5 分钟的窗口 进行中值计算得到一系列的数值；说　明　书 1/5 页 3 CN 114218690 A 3