本技术聚焦于数据处理技术,提出了一种利用人工智能技术进行风电设备多参数监测的方法与系统。该方法通过分析风电设备在不同运行状态下的各类风电参数,构建多维和平均数据矩阵;进一步分析这些数据,识别不同风电参数间的关联性;进行变点检测,计算平均关联系数,并构建关联影响度模型;基于不同运行状态下参数差异,确定故障指示值;最后,将各时刻所有风电参数进行数据融合。该发明旨在通过数据融合技术,增强神经网络对风电设备状态监测的精确度。
背景技术
风电设备是利用风能发电的设备,是风电产业的重要组成部分。为了提高风电机组的运行可靠性、降低维护成本,并确保风力发电场的运行效率和安全性,需要对风电设备进行监测。随着风电技术的快速发展,对集成化、智能化的监测管理系统的需求日益增长,要求能够精准识别各种复杂工况下的设备状态,实现故障早期预警与主动维护。
随着人工智能的发展,利用人工智能算法可以对风电设备的多种参数进行监测并识别异常模式。风电设备数据量大且种类繁多,在训练模型之前通常需要使用数据融合技术对数据做融合处理,目前的融合方法通常依赖于经验值来为不同类型的数据分配权重,这种做法可能导致重要数据的特征被削弱,从而影响人工智能模型对风电设备运行状态检测结果的准确性。
实现思路