模型训练方法及系统、储能逆变器及基于其的预测方法与流程

1.本发明涉及模型训练领域，特别涉及一种模型训练方法及系统、储能逆变器及基于其的预测方法。


背景技术：

2.储能逆变器(pcs，power converter system)是微网储能系统同电网与储能电池连接的关键部件，其一方面可以同电网进行柔性的连接，对电网输送或吸收有功及无功，另一方面可以对储能电池进行充放电控制及对电池进行维护。现有的储能逆变器并不具备针对风力发电机的预测功能，无法对与其配合工作的风力发电机进行预测，进而无法确定风力发电机的更换时间，导致影响到风力发电机及储能逆变器的工作。


技术实现要素：

3.本发明要解决的技术问题是为了克服现有技术中储能逆变器并不具备针对风力发电机的预测功能，无法对与其配合工作的风力发电机进行预测的缺陷，提供一种模型训练方法及系统、储能逆变器及基于其的预测方法。
4.本发明是通过下述技术方案来解决上述技术问题：
5.本发明提供了一种模型训练方法，包括以下步骤：
6.获取多个风力发电机的历史数据，所述历史数据包括历史属性数据、历史运行数据、历史环境数据以及历史寿命数据；
7.将获取的历史数据输入至神经网络模型中进行训练，获取用于预测风力发电机寿命的目标模型。
8.较佳地，所述历史属性数据包括风力发电机的材料数据，所述历史运行数据包括风力发电机的载荷数据，所述历史环境数据包括风力发电机所处运行环境的温度数据、湿度数据、风力数据、位置数据。
9.本发明还提供了一种基于储能逆变器的预测方法，包括以下步骤：
10.在所述储能逆变器中利用如上所述的模型训练方法训练出所述目标模型；
11.获取与所述储能逆变器相配合的待预测风力发电机的当前数据，所述当前数据包括所述待预测风力发电机的当前属性数据、当前运行数据以及当前环境数据；
12.将所述当前属性数据、当前运行数据以及当前环境数据输入至所述目标模型中，获取所述待预测风力发电机的预测寿命数据。
13.较佳地，所述预测方法还包括：
14.根据所述预测寿命数据计算所述待预测风力发电机的寿命终结时间；
15.在所述寿命终结时间之前的一预设时间段内向后台发送风机更换请求。
16.较佳地，所述预测方法还包括：
17.实时显示所述待预测风力发电机的预测寿命数据以及寿命终结时间。
18.本发明还提供了一种模型训练系统，包括：
19.历史数据获取模块，用于获取多个风力发电机的历史数据，所述历史数据包括历史属性数据、历史运行数据、历史环境数据以及历史寿命数据；
20.训练模块，用于将获取的历史数据输入至神经网络模型中进行训练，获取用于预测风力发电机寿命的目标模型。
21.较佳地，所述历史属性数据包括风力发电机的材料数据，所述历史运行数据包括风力发电机的载荷数据，所述历史环境数据包括风力发电机所处运行环境的温度数据、湿度数据、风力数据、位置数据。
22.本发明还提供了一种储能逆变器，包括如上所述的模型训练系统、当前数据获取模块以及预测模块；
23.所述模型训练系统用于训练出所述目标模型；
24.所述当前数据获取模块用于获取与所述储能逆变器相配合的待预测风力发电机的当前数据，所述当前数据包括所述待预测风力发电机的当前属性数据、当前运行数据以及当前环境数据；
25.所述预测模块用于将所述当前属性数据、当前运行数据以及当前环境数据输入至所述目标模型中，获取所述待预测风力发电机的预测寿命数据。
26.较佳地，所述储能逆变器还包括：
27.计算模块，用于根据所述预测寿命数据计算所述待预测风力发电机的寿命终结时间；
28.请求模块，用于在所述寿命终结时间之前的一预设时间段内向后台发送风机更换请求。
29.较佳地，所述储能逆变器还包括：
30.显示模块，用于实时显示所述待预测风力发电机的预测寿命数据以及寿命终结时间。
31.本发明的积极进步效果在于：本发明能够对储能逆变器相配合的风力发电机的寿命进行准确预测，并能够在风力发电机寿命终结之前进行相应的信息显示以及发出风机更换请求，从而能够保证老化的风力发电机能够被及时更换，保证风力发电机以及储能逆变器的正常工作。
附图说明
32.图1为本发明实施例1的模型训练方法的流程图。
33.图2为本发明实施例2的基于储能逆变器的预测方法的流程图。
34.图3位本发明实施例3的模型训练系统的模块示意图。
35.图4位本发明实施例4的储能逆变器的模块示意图。
具体实施方式
36.下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
37.实施例1
38.本实施例提供了一种模型训练方法，如图1所示，包括以下步骤：
39.步骤11、获取多个风力发电机的历史数据，所述历史数据包括历史属性数据、历史运行数据、历史环境数据以及历史寿命数据；
40.步骤12、将获取的历史数据输入至神经网络模型中进行训练，获取用于预测风力发电机寿命的目标模型。
41.其中，所述历史属性数据包括风力发电机的材料数据，所述历史运行数据包括风力发电机的载荷数据，所述历史环境数据包括风力发电机所处运行环境的温度数据、湿度数据、风力数据、位置数据。
42.本实施例将风力发电机的历史属性数据、历史运行数据、历史环境数据作为历史输入，将风力发电机的历史寿命数据作为历史输出，从而可以对风力发电机的寿命预测进行训练，能够训练出可以准确预测风力发电机寿命的目标模型，其中，所述神经网络模型的类型可以根据实际需要进行选择。
43.实施例2
44.本实施例提供了一种基于储能逆变器的预测方法，如图2所示，包括以下步骤：
45.步骤21、在所述储能逆变器中利用实施例1的模型训练方法训练出所述目标模型；
46.步骤22、获取与所述储能逆变器相配合的待预测风力发电机的当前数据，所述当前数据包括所述待预测风力发电机的当前属性数据、当前运行数据以及当前环境数据；
47.步骤23、将所述当前属性数据、当前运行数据以及当前环境数据输入至所述目标模型中，获取所述待预测风力发电机的预测寿命数据；
48.步骤24、根据所述预测寿命数据计算所述待预测风力发电机的寿命终结时间；
49.步骤25、在所述寿命终结时间之前的一预设时间段内向后台发送风机更换请求。
50.另外，本实施例的预测方法还可以包括：实时显示所述待预测风力发电机的预测寿命数据以及寿命终结时间。
51.本实施例的预测方法能够在风力发电机寿命终结之前进行相应的信息显示以及发出风机更换请求，从而能够保证老化的风力发电机能够被及时更换，保证风力发电机以及储能逆变器的正常工作。
52.实施例3
53.本实施例提供了一种模型训练系统，如图3所示，包括历史数据获取模块31以及训练模块32；
54.其中，历史数据获取模块31用于获取多个风力发电机的历史数据，所述历史数据包括历史属性数据、历史运行数据、历史环境数据以及历史寿命数据；
55.训练模块32用于将获取的历史数据输入至神经网络模型中进行训练，获取用于预测风力发电机寿命的目标模型。
56.所述历史属性数据包括风力发电机的材料数据，所述历史运行数据包括风力发电机的载荷数据，所述历史环境数据包括风力发电机所处运行环境的温度数据、湿度数据、风力数据、位置数据。
57.实施例4
58.本实施例提供了一种储能逆变器，如图4所示，包括实施例3所述的模型训练系统、当前数据获取模块41以及预测模块42；
59.所述模型训练系统用于训练出所述目标模型；
60.所述当前数据获取模块41用于获取与所述储能逆变器相配合的待预测风力发电机的当前数据，所述当前数据包括所述待预测风力发电机的当前属性数据、当前运行数据以及当前环境数据；
61.所述预测模块42用于将所述当前属性数据、当前运行数据以及当前环境数据输入至所述目标模型中，获取所述待预测风力发电机的预测寿命数据。
62.所述储能逆变器还包括：
63.计算模块43，用于根据所述预测寿命数据计算所述待预测风力发电机的寿命终结时间；
64.请求模块44，用于在所述寿命终结时间之前的一预设时间段内向后台发送风机更换请求；
65.显示模块45，用于实时显示所述待预测风力发电机的预测寿命数据以及寿命终结时间。
66.虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。