基於貝葉斯推理方式對風機狀態進行預測的方法和系統的製作方法
2023-09-19 02:53:05
基於貝葉斯推理方式對風機狀態進行預測的方法和系統的製作方法
【專利摘要】本申請公開基於貝葉斯推理方式對風機狀態進行預測的方法和系統，該方法包括：獲取風力機在一定時間內的運行數據進行歸類；對各時間段內的風力機運行狀態類型進行概率統計處理，生成概率值並確定出各時間段內的總體運行狀態類型；對總體運行狀態類型進行貝葉斯網絡建模，生成總體運行狀態類型發生的先驗條件概率；對各時間段的先驗條件概率以及總體運行狀態類型的概率值利用貝葉斯推理方式進行概率處理，生成聯合概率值並建立風機的狀態分布曲線，根據狀態分布曲線對風機進行故障狀態的預測。本申請解決了難以對風力發電機故障運行狀態的發生進行預測的問題。
【專利說明】基於貝葉斯推理方式對風機狀態進行預測的方法和系統
【技術領域】
[0001]本申請涉及風力機的狀態監測領域，更具體地涉及一種基於貝葉斯推理方式對風機狀態進行預測的方法和系統。
【背景技術】
[0002]風力發電機在自然風的帶動下運行並產生電能，在風力發電機的運行過程中，將受到外界環境因素和自身工作狀態的影響，如:由於自然風的實時變化，有時風速小於風力發電機的切入風速，使風力發電機難以啟動；有時風速又大於風力發電機可承受的極限風速，對風力發電機造成破壞，使風力發電機出現故障甚至停機；又如:風力發電機長時間運行，使風力發電機出現運行故障。
[0003]對於風力發電機的運行故障而言，通常情況下，並不是突然停機，而是導致風力發電機的性能逐漸下降，在不進行檢修維護的情況下，終將導致風力發電機停機，風力機一旦停機，再進行維修的成本是非常巨大的，並且風力機停機也會造成發電量的巨大損失。所以，需要對風場上的風力發電機進行預測式維護。
[0004]如果故障在發生的早期階段被發現，則可以將由該故障帶來的影響降低至最小，進一步縮短風力發電機的停機時間同時減小發電量的損失。並且，也可以只在需要時進行維護，從而降低成本。
[0005]但在現有技術中，風力發電機的運行狀態類型眾多，尤其是一些故障運行狀態，如:齒輪箱軸承故障、葉輪故障、變槳角故障等的發生較為突然，難以預測，在故障發生後，只能根據風力發電機數據報警數據，對其進行相應的檢修維護。從故障發生到檢修維護的過程需要較長時間，風力機的故障已經對其運行造成一定影響，導致發電量的巨大損失。
[0006]綜上所述，如何解決難以對風力發電機故障運行狀態的發生進行預測，便成為亟待解決的技術問題。
【發明內容】
[0007]有鑑於此，本申請所要解決的技術問題是提供了一種基於貝葉斯推理(BayesianInference)方式對風機故障狀態進行預測的方法和系統，以解決難以對風力發電機故障運行狀態的發生進行預測的問題。
[0008]為了解決上述技術問題，本申請公開了一種基於貝葉斯推理方式對風機故障狀態進行預測的方法，包括:
[0009]獲取風場內所有風力機在指定的時間點之前一定時間內的運行數據，按照預置的所述風力機的運行狀態類型對所述運行數據進行歸類，並在所述一定時間內按相同時長的時間段獲取各所述風力機在每一時間段對應的運行狀態類型；
[0010]對每一所述時間段內的各所述風力機所對應的所述運行狀態類型進行概率統計處理，生成各所述風力機運行狀態類型的概率值，確定出每一所述時間段內的所述概率值最大的所述運行狀態類型作為該時間段的總體運行狀態類型；其中，所述總體運行狀態類型的概率值為該時間段內所述風力機運行狀態類型的最大概率值；
[0011]對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率；
[0012]對各所述時間段的所述先驗條件概率以及總體運行狀態類型的概率值，利用貝葉斯推理方式進行概率處理，生成所述相鄰兩個時間段的任意一對所述總體運行狀態類型發生的聯合概率值，由所述聯合概率值建立此類風機由於所述故障引起性能衰退直至停機的狀態分布曲線，根據該狀態分布曲線對所述風機進行故障狀態的預測。
[0013]其中，優選地，對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率，進一步為:
[0014]以故障導致停機的時間點為時間起始點，依次對一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模處理，然後，使用任何風機發生所述故障的所有該類事件進行參數訓練，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率。
[0015]其中，優選地，對所述一定時間內的每一時間段內各所述風力機所對應的所述運行狀態類型進行概率統計處理，進一步為:
[0016]將所述一定時間內的每一時間段內，所述風力機所對應的同一所述運行狀態類型與在該時間段內出現的所有所述運行狀態類型的比例進行概率統計處理。
[0017]其中，優選地，獲取風場內所有風力機在指定的時間點之前一定時間內的運行數據，進一步為:對風場內所有風力機在指定的時間點之前一定時間內的風速數據與該風力機的發電功率、葉片轉速、變槳轉角和/或該風力機的運行參數進行相關性測試，獲取由該相關性測試所生成的運行數據。
[0018]其中，優選地，所述一定時間，進一步為:以25天為固定值的時間期限；
[0019]所述相同時長的時間段，進一步為:在所述25天內以I天作為固定值的時間段。
[0020]為了解決上述技術問題，本申請還公開了一種基於貝葉斯推理方式對風機狀態進行預測的系統，包括:數據獲取單元、統計處理單元、建模訓練單元以及狀態預測單元，其中，
[0021]所述數據獲取單元，用於獲取風場內所有風力機在指定的時間點之前一定時間內的運行數據，按照預置的所述風力機的運行狀態類型對所述運行數據進行歸類，並在所述一定時間內按相同時長的時間段獲取各所述風力機在每一時間段對應的運行狀態類型；
[0022]所述統計處理單元，用於對每一所述時間段內的各所述風力機所對應的所述運行狀態類型進行概率統計處理，生成各所述風力機運行狀態類型的概率值，確定出每一所述時間段內的所述概率值最大的所述運行狀態類型作為該時間段的總體運行狀態類型，其中，所述總體運行狀態類型的概率值為該時間段內所述風力機運行狀態類型的最大概率值；
[0023]所述建模訓練單元，用於對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率；
[0024]所述狀態預測單元，用於對各所述時間段的所述先驗條件概率以及總體運行狀態類型的概率值，利用貝葉斯推理方式進行概率處理，生成所述相鄰兩個時間段的任意一對所述總體運行狀態類型發生的聯合概率值，由所述聯合概率值建立此類風機由於所述故障引起性能衰退直至停機的狀態分布曲線，根據該狀態分布曲線對所述風機進行故障狀態的預測。
[0025]其中，優選地，所述建模訓練單元，進一步用於:
[0026]以故障導致停機的時間點為時間起始點，依次對一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模處理，然後，使用任何風機發生所述故障的所有該類事件進行參數訓練，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率。
[0027]其中，優選地，所述統計處理單元，進一步用於:
[0028]將所述一定時間內的每一時間段內，所述風力機所對應的同一所述運行狀態類型與在該時間段內出現的所有所述運行狀態類型的比例進行概率統計處理。
[0029]其中，優選地，數據獲取單元，進一步用於:
[0030]對風場內所有風力機在指定的時間點之前一定時間內的風速數據與該風力機的發電功率、葉片轉速、變槳轉角和/或該風力機的運行參數進行相關性測試，獲取由該相關性測試所生成的運行數據。
[0031]其中，優選地，所述一定時間，進一步為:以25天為固定值的時間期限；
[0032]所述相同時長的時間段，進一步為:在所述25天內以I天作為固定值的時間段。
[0033]本申請所述的一種基於貝葉斯推理方式對風機故障狀態進行預測的方法和系統，能夠對風力機的不同運行數據精確劃分為多個運行特徵項，並建立運行特徵項與風力機運行狀態類型的對應關係，即實現了兩次數據融合，採用貝葉斯推理方式建立模型，並以故障導致停機的時間點之前的一定時間內的數據對該模型進行訓練，通過訓練後的模型可以對風力機的故障運行狀態進行發展趨勢的預測，從而有效解決了難以對風力發電機故障運行狀態的發生進行預測的問題。
[0034]當然，實施本申請的任一產品並不一定需要同時達到以上所述的所有技術效果。
【專利附圖】
【附圖說明】
[0035]此處所說明的附圖用來提供對本申請的進一步理解，構成本申請的一部分，本申請的示意性實施例及其說明用於解釋本申請，並不構成對本申請的不當限定。在附圖中:
[0036]圖1是本申請實施例一所述的基於貝葉斯推理方式對風機故障狀態進行預測的方法的流程框圖。
[0037]圖2是本申請實施例二所述的基於貝葉斯推理方式對風機故障狀態進行預測的方法的流程框圖。
[0038]圖3是本申請實施例四所述的基於貝葉斯推理方式對風機故障狀態進行預測的系統的結構示意圖。
[0039]圖4是本申請實施例三中故障前25天內的每一天的所述總體運行狀態類型進行貝葉斯網絡建模的示意圖。
【具體實施方式】[0040]如在說明書及權利要求當中使用了某些詞彙來指稱特定組件。本領域技術人員應可理解，硬體製造商可能會用不同名詞來稱呼同一個組件。本說明書及權利要求並不以名稱的差異來作為區分組件的方式，而是以組件在功能上的差異來作為區分的準則。如在通篇說明書及權利要求當中所提及的「包含」為一開放式用語，故應解釋成「包含但不限定於」。「大致」是指在可接收的誤差範圍內，本領域技術人員能夠在一定誤差範圍內解決所述技術問題，基本達到所述技術效果。此外，「耦接」一詞在此包含任何直接及間接的電性耦接手段。因此，若文中描述一第一裝置耦接於一第二裝置，則代表所述第一裝置可直接電性耦接於所述第二裝置，或通過其他裝置或耦接手段間接地電性耦接至所述第二裝置。說明書後續描述為實施本申請的較佳實施方式，然所述描述乃以說明本申請的一般原則為目的，並非用以限定本申請的範圍。本申請的保護範圍當視所附權利要求所界定者為準。
[0041]實施例一
[0042]如圖1所示，為本申請實施例一所述的一種基於貝葉斯推理方式對風機故障狀態進行預測的方法，該方法包括:
[0043]步驟101，獲取風場內所有待測風力機在指定的時間點之前的一定時間內的運行數據，按照預置的所述風力機的運行狀態類型對所述運行數據進行歸類，並在所述一定時間內按相同時長的時間段獲取各所述風力機在每一時間段對應的運行狀態類型。
[0044]在步驟101中，所述指定的時間點，具體可以是所述風力機實際發生某一種故障導致停機的時刻作為所述時間點，也可以是所述風力機在正常運行中的某一時刻作為所述時間點，在此不作出限定。所述運行數據，具體是所述風力機的運行參數與風力(或風速)之間的關聯性數據，如:所述風力機的發電功率與風速的關聯數據。
[0045]需要說明的是，由於在風場中，自然風(風速、風力等)實時都在變化，對所述風力機各類運行參數的影響也在不斷變化，為了較準確地獲取所述風力機的相關數據，就需要將所述風力機在一定時間內的運行數據以多個時間段的方式分別進行獲取，所以，在步驟101中，在所述一定時間內按相同時長的時間段獲取各所述風力機在每一時間段對應的運行狀態類型。另外，對於步驟101，所述風力機可以是風場中任一風力發電機，也可以是風場中所有風力發電機，並不構成對本申請的限定。
[0046]對於步驟101中，所述風力機的運行狀態類型，具體可以為正常運行、正常加速或減速、故障損壞(未停機)、異常停機和正常停機等。將所述風力機在不同時間段內的所述特徵項歸類為不同的所述運行狀態類型。
[0047]步驟102，對每一所述時間段內的各所述風力機所對應的所述運行狀態類型進行概率統計處理，生成各所述風力機運行狀態類型的概率值，確定出每一所述時間段內的所述概率值最大的所述運行狀態類型作為該時間段的總體運行狀態類型，其中，所述總體運行狀態類型的概率值為該時間段內所述風力機運行狀態類型的最大概率值。
[0048]在步驟102中，在某一時間段內，所有進行數據獲取的所述風力機將出現不同的所述運行狀態類型，其中，出現最多的某一種所述運行狀態類型可以代表該時間段內所有所述風力機的全局的運行狀態，從而將該運行狀態類型作為該時間段內的所述總體運行狀態類型，該總體運行狀態類型與在該時間段內出現的所有所述運行狀態類型的比例就是概率值。
[0049]步驟103，對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率。
[0050]步驟104，對各所述時間段的所述先驗條件概率以及總體運行狀態類型的概率值，利用貝葉斯推理方式進行概率處理，生成所述相鄰兩個時間段的任意一對所述總體運行狀態類型發生的聯合概率值，由所述聯合概率值建立此類風機由於所述故障引起性能衰退直至停機的狀態分布曲線，根據該狀態分布曲線對所述風機進行故障狀態的預測。
[0051]實施例二
[0052]結合圖2所示，為本申請實施例二所述的一種基於貝葉斯推理方式對風機故障狀態進行預測的方法，該方法包括:
[0053]步驟201，獲取待測風力機在一定時間內的運行數據，根據預置的劃分條件將所述運行數據劃分為多種運行特徵項，在所述一定時間內按相同時長的時間段獲取該風力機在每一時間段對應的運行特徵項。
[0054]對於步驟201，獲取待測風力機在一定時間內的運行數據，具體為:對所述待測風力機在一定時間內的風速數據與該待測風力機的發電功率、葉片轉速、變槳轉角等運行參數進行相關性測試，獲取由該相關性測試所生成的所述運行數據。也就是說，若進行3種相關性測試，那麼，獲取到的所述運行數據中就包含有三類分別對應於該3種相關性測試的數據。再根據預置的劃分條件將3種相關性測試的數據劃分為多種運行特徵項。優選地，為了便於表示，可以採用數字或字母標號的方式對各所述特徵項進行標示。
[0055]其中，所述一定時間，具體為以25天為固定值的時間期限，即在步驟201中，獲取所述風力機在某一故障導致停機的時間點以前25天內的運行數據。
[0056]步驟202，按照預置的所述風力機的運行狀態類型對每一時間段內的所述風力機對應的所述運行特徵項進行歸類，生成各所述風力機在每一時間段對應的運行狀態類型。
[0057]在步驟202中，所述風力機的運行狀態類型由預置的劃分條件將所述風力機的所述運行數據劃分為多種運行特徵項，其中，所述預置的劃分條件，具體是預先結合所述風力機的運行參數和風速，對該風力機的工作特徵進行分類的條件。從而，可以根據該劃分條件將所述運行數據劃分為多種運行特徵項，如將所述風力機的工作特徵分類為:風速小於4m/s(米每秒)時，該風力機的產生的功率小於0，則運行異常。當然，在本實施例中，所述預置的劃分條件可以根據實際應用的需要進行調整，所以，所述特徵項的數量也將根據該劃分條件的改變發生變化。為了便於表示不同的所述特徵項，可以對不同所述特徵項採用字母、數字(或二者結合)的方式進行標註，並不構成對本申請的限定。
[0058]在本實施例中，步驟202中的所述運動狀態類型具體為:1:正常運行，2:正常加速或減速，3:故障損壞(未停機)，4:安全停機，5:異常停機等5種類型。
[0059]步驟203，對每一所述時間段內的各所述風力機所對應的所述運行狀態類型進行概率統計處理，生成各所述風力機運行狀態類型的概率值，確定出每一所述時間段內的所述概率值最大的所述運行狀態類型作為該時間段的總體運行狀態類型，其中，所述總體運行狀態類型的概率值為該時間段內所述風力機運行狀態類型的最大概率值。
[0060]在步驟203中，以一天時間內為例，所述風力機在一天內可能出現上述5種運行狀態類型，將每一種所述運行狀態類型發生的數量與一天內5種運行狀態類型的總量的比例進行統計處理，便得到每一種所述運行狀態類型在一天內的概率值，再將概率值最大的所述運行狀態類型作為這一天內的總體運行狀態類型。
[0061]步驟204，以故障導致停機的時間點為時間起始點，依次對一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模處理，然後，使用任何風機發生所述故障的所有該類事件進行參數訓練，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率。
[0062]步驟205，對各所述時間段的所述先驗條件概率以及總體運行狀態類型的概率值，利用貝葉斯推理方式進行概率處理，生成所述相鄰兩個時間段的任意一對所述總體運行狀態類型發生的聯合概率值，由所述聯合概率值建立此類風機由於所述故障引起性能衰退直至停機的狀態分布曲線，根據該狀態分布曲線對所述風機進行故障狀態的預測。 [0063]對於步驟205，以指定的時間點之前25天為例，利用貝葉斯方式進行概率處理，可以獲得相鄰兩天的所述總體運行狀態類型的聯合概率值，即供獲得24組所述聯合概率值，將該24組所述聯合概率值建立相應的分布曲線，並以所述分布曲線為基準，對未來的所述風力機的運行狀態進行預測，其中，進行預測時，以25天的時間長度為單位，如:對I至25天的風力機數據進行預測，若要預測第26天，則對2至26天的風力機數據進行預測。
[0064]實施例三
[0065]下面結合圖，對所述基於貝葉斯推理方式對風機故障狀態進行預測的方法的具體應用進行詳細說明:
[0066]需要說明的是，獲取所述運行數據時，相關性測試的種類越多，其反應的所述風力機的運行狀態就越準確，所以，在本實施例中，對所述待測風力機的3種相關性測試的數據作為運行數據進行獲取:風速數據與該待測風力機的發電功率、葉片轉速、變槳轉角的相關性測試。
[0067]步驟一，以風力機出現某種故障導致停機的時刻作為指定的時間點，獲取該指定的時間點之前25天的由該3種相關性測試所生成的所述3種運行數據，根據如下表所示的預置的劃分條件將所述3種運行數據分別劃分為多種運行特徵項，在所述一天內按10分鐘的時間段獲取該風力機在每10分鐘內對應的運行特徵項。具體地，如表1至3所示:
[0068]表1風速數據與發電功率相關性特徵項表
[0069]
【權利要求】
1.一種基於貝葉斯推理方式對風機狀態進行預測的方法，其特徵在於，包括: 獲取風場內所有風力機在指定的時間點之前一定時間內的運行數據，按照預置的所述風力機的運行狀態類型對所述運行數據進行歸類，並在所述一定時間內按相同時長的時間段獲取各所述風力機在每一時間段對應的運行狀態類型； 對每一所述時間段內的各所述風力機所對應的所述運行狀態類型進行概率統計處理，生成各所述風力機運行狀態類型的概率值，確定出每一所述時間段內的所述概率值最大的所述運行狀態類型作為該時間段的總體運行狀態類型；其中，所述總體運行狀態類型的概率值為該時間段內所述風力機運行狀態類型的最大概率值； 對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率； 對各所述時間段的所述先驗條件概率以及總體運行狀態類型的概率值，利用貝葉斯推理方式進行概率處理，生成所述相鄰兩個時間段的任意一對所述總體運行狀態類型發生的聯合概率值，由所述聯合概率值建立此類風機由於所述故障引起性能衰退直至停機的狀態分布曲線，根據該狀態分布曲線對所述風機進行故障狀態的預測。
2.如權利要求1所述的基於貝葉斯推理方式對風機狀態進行預測的方法，其特徵在於，對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率，進一步為: 以故障導致停機的時 間點為時間起始點，依次對一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模處理，然後，使用任何風機發生所述故障的所有該類事件進行參數訓練，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率。
3.如權利要求1所述的基於貝葉斯推理方式對風機狀態進行預測的方法，其特徵在於，對所述一定時間內的每一時間段內各所述風力機所對應的所述運行狀態類型進行概率統計處理，進一步為: 將所述一定時間內的每一時間段內，所述風力機所對應的同一所述運行狀態類型與在該時間段內出現的所有所述運行狀態類型的比例進行概率統計處理。
4.如權利要求1所述的基於貝葉斯推理方式對風機狀態進行預測的方法，其特徵在於，獲取風場內所有風力機在指定的時間點之前一定時間內的運行數據，進一步為: 對風場內所有風力機在指定的時間點之前一定時間內的風速數據與該風力機的發電功率、葉片轉速、變槳轉角和/或該風力機的運行參數進行相關性測試，獲取由該相關性測試所生成的運行數據。
5.如權利要求1所述的基於貝葉斯推理方式對風機狀態進行預測的方法，其特徵在於， 所述一定時間，進一步為:以25天為固定值的時間期限； 所述相同時長的時間段，進一步為:在所述25天內以I天作為固定值的時間段。
6.一種基於貝葉斯推理方式對風機狀態進行預測的系統，其特徵在於，包括:數據獲取單元、統計處理單元、建模訓練單元以及狀態預測單元，其中， 所述數據獲取單元，用於獲取風場內所有風力機在指定的時間點之前一定時間內的運行數據，按照預置的所述風力機的運行狀態類型對所述運行數據進行歸類，並在所述一定時間內按相同時長的時間段獲取各所述風力機在每一時間段對應的運行狀態類型； 所述統計處理單元，用於對每一所述時間段內的各所述風力機所對應的所述運行狀態類型進行概率統計處理，生成各所述風力機運行狀態類型的概率值，確定出每一所述時間段內的所述概率值最大的所述運行狀態類型作為該時間段的總體運行狀態類型；其中，所述總體運行狀態類型的概率值為該時間段內所述風力機運行狀態類型的最大概率值； 所述建模訓練單元，用於對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率； 所述狀態預測單元，用於對各所述時間段的所述先驗條件概率以及總體運行狀態類型的概率值，利用貝葉斯推理方式進行概率處理，生成所述相鄰兩個時間段的任意一對所述總體運行狀態類型發生的聯合概率值，由所述聯合概率值建立此類風機由於所述故障引起性能衰退直至停機的狀態分布曲線，根據該狀態分布曲線對所述風機進行故障狀態的預測。
7.如權利要求6所述的基於貝葉斯推理方式對風機狀態進行預測的系統，其特徵在於，所述建模訓練單元，進一步用於: 以故障導致停機的時間點為時間起始點，依次對一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模處理，然後，使用任何風機發生所述故障的所有該類事件進行參數訓練，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率。
8.如權利要求6所述的基於貝葉斯推理方式對風機狀態進行預測的系統，其特徵在於，所述統計處理單元，進一步用於: 將所述一定時間內的每一時間段內，所述風力機所對應的同一所述運行狀態類型與在該時間段內出現的所有所述運行狀態類型的比例進行概率統計處理。
9.如權利要求6所述的基於貝葉斯推理方式對風機狀態進行預測的系統，其特徵在於，數據獲取單元，進一步用於: 對風場內所有風力機在指定的時間點之前一定時間內的風速數據與該風力機的發電功率、葉片轉速、變槳轉角和/或該風力機的運行參數進行相關性測試，獲取由該相關性測試所生成的運行數據。
10.如權利要求6所述的基於貝葉斯推理方式對風機狀態進行預測的系統，其特徵在於， 所述一定時間，進一步為:以25天為固定值的時間期限； 所述相同時長的時間段，進一步為:在所述25天內以I天作為固定值的時間段。
【文檔編號】F03D11/00GK104005917SQ201410183613
【公開日】2014年8月27日 申請日期:2014年4月30日 優先權日:2014年4月30日
【發明者】葉翔 申請人:葉翔