CN108921347B - 一种风电变流器故障预测方法 - Google Patents

一种风电变流器故障预测方法 Download PDF

Info

Publication number
CN108921347B
CN108921347B CN201810708045.2A CN201810708045A CN108921347B CN 108921347 B CN108921347 B CN 108921347B CN 201810708045 A CN201810708045 A CN 201810708045A CN 108921347 B CN108921347 B CN 108921347B
Authority
CN
China
Prior art keywords
wind power
power converter
cluster
sub
wind
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810708045.2A
Other languages
English (en)
Other versions
CN108921347A (zh
Inventor
张筱辰
朱金大
闪鑫
王波
杨冬梅
陈永华
杜炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nari Technology Co Ltd
Original Assignee
Nari Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nari Technology Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN201810708045.2A priority Critical patent/CN108921347B/zh
Publication of CN108921347A publication Critical patent/CN108921347A/zh
Application granted granted Critical
Publication of CN108921347B publication Critical patent/CN108921347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明公开了一种风电变流器故障预测方法，包括如下步骤：将风电场中的所有风力发电机划分为若干个风力发电机子集群。针对每个风力发电机子集群，将风电变流器子集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的风电变流器子集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心风电变流器，计算风电变流器子集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，综合所有风力发电机子集群的风电变流器故障预测结果，即可获得风电场中风电变流器的故障预测结果。本发明实现了风电变流器故障的预测，有利于检修人员建立合理有效的维修计划，确保电网的安全稳定运行。

Description

一种风电变流器故障预测方法
技术领域
本发明涉及一种风电变流器故障预测方法，属于电网技术领域。
背景技术
风力发电机是一种将风能转换为机械能，通过机械能带动发电机转子旋转，从而输出交流电的电力设备。风电变流器是风力发电机的关键部件，其健康状态直接影响风力风电机运行的安全，进而影响整个风电场的稳定运行。由于风力发电机往往地处风资源比较丰富的偏远地区，且风力发电系统容量不断增加，电网对风电变流器的健康状态评估技术也提出了更高的要求。因此，实时监测风力发电机的运行状态，及时准确地预测风电变流器故障的发生，有利于建立合理有效的维修计划，减少不必要的断电时间，节省企业的维护费用，确保电网的安全稳定运行。
目前，风电变流器的检修通常采用事后维修，检修人员难以实时掌握风电变流器的健康状态。通过故障预测技术可以帮助检修人员提前预判风电变流器可能发生故障，然而目前现有的故障预测方法大多依赖设备的全寿命周期运行数据，建立的故障预测模型也仅适用于单台设备，模型的可移植性较差，尚缺乏一种有效的可推广的风电变流器故障预测方法。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种风电变流器故障预测方法，能够准确有效地实现风电变流器故障的在线预测。
为达到上述目的，本发明所采用的技术方案是：一种风电变流器故障预测方法：
将同一风电场中的所有风力发电机划分为若干个风力发电机子集群；针对每个风力发电机子集群，将风电变流器子集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的风电变流器子集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心风电变流器，计算风电变流器子集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，即可实现风电变流器子集群中风电变流器故障的预测，综合所有风力发电机子集群的风电变流器故障预测结果，即可获得风电场中所有风电变流器的故障预测结果；所述风电变流器子集群中每台风电变流器的历史监测信号包括：风电变流器输出总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度，风电变流器直流功率、直流电流、直流电压。
进一步的，结合地理空间分布情况，将距离较近的m台风力发电机划为一个风力发电机子集群，则风力发电机子集群个数
Figure BDA0001716001480000021
其中，α表示风电场中风力发电机的总个数。
进一步的，每一采样时刻的风电变流器子集群的主特征矩阵的具体提取方法如下：
用t1,t2,…,tk表示时间序列，其中，k为大于2的一个正整数，则tk时刻的原始特征矩阵表示为
Figure BDA0001716001480000022
其中，m为风电变流器子集群中风电变流器的个数，原始特征矩阵
Figure BDA0001716001480000023
分别表示第i台风电变流器第1、2、…、n路监测信号的采样值，n为每台风电变流器监测信号的总通道数；
构建包含输入层、隐层、输出层的三层稀疏自编码网络，网络隐层的激活值可以表示为a＝f(w1x(i)+b1)，其中，w1表示输入层的权值矩阵，b1表示输入层的偏移矩阵；网络输出层的值表示为h(i)＝f(w2a+b2)，其中w2表示隐层的权值矩阵，b2表示隐层的偏移矩阵；随机初始化稀疏自编码网络参数w1、w2、b1、b2；
稀疏自编码网络的总体代价函数表示为
Figure BDA0001716001480000024
其中，β为稀疏惩罚的权重，s2为网络隐层神经元的个数；
Figure BDA0001716001480000025
其中，λ为衰减参数的权重，nl表示网络的总层数，sl表示第l层网络的神经元个数，
Figure BDA0001716001480000031
表示连接l层第j个神经元和l+1层第i个神经元的权值；
Figure BDA0001716001480000032
Figure BDA0001716001480000033
其中，ρ为稀疏参数，
Figure BDA0001716001480000034
表示隐层第j个神经元对输入x(i)的激活值；
训练稀疏自编码网络，即基于反向传播算法通过迭代对参数w1、w2、b1、b2进行更新，当达到设定的迭代次数时，网络训练结束，此时的网络参数即为使总体代价函数Jsparse最小的网络参数w'1、w'2、b'1、b'2；
则tk时刻风电变流器子集群的主特征矩阵表示为
Figure BDA0001716001480000035
其中，第i台风电变流器主特征矩阵
Figure BDA0001716001480000036
第j台风电变流器主特征矩阵
Figure BDA0001716001480000037
j表示m台风电变流器中除第i台风电变流器外的任意一台风电变流器的序号。
进一步的，每一采样时刻的聚类中心风电变流器的具体搜寻方法如下：
依次计算第i台风电变流器的局部密度ρi、距离δi；其中，i＝1,2,…,m；m为风电变流器子集群中风电变流器的个数；
根据
Figure BDA0001716001480000038
j≠i计算第i台风电变流器的局部密度ρi，其中，j表示m台风电变流器中除第i台风电变流器外的任意一台风电变流器的序号，dij表示第i台风电变流器与第j台风电变流器的距离，dc表示截断距离，是事先指定的一个参数；第i台风电变流器与第j台风电变流器的距离dij的计算公式为
Figure BDA0001716001480000039
其中，
Figure BDA00017160014800000310
表示第i台风电变流器主特征矩阵，
Figure BDA00017160014800000311
表示第j台风电变流器主特征矩阵；
根据
Figure BDA0001716001480000041
计算第i台风电变流器的距离δi，其中，集合I＝{ρj>ρi}，
Figure BDA0001716001480000042
表示在所有局部密度大于ρi的风电变流器中，与第i台风电变流器距离最小的风电变流器与第i台风电变流器之间的距离，
Figure BDA0001716001480000043
表示第i台风电变流器具有最大局部密度时，与第i台风电变流器距离最大的风电变流器与第i台风电变流器之间的距离；进而通过公式γi＝ρiδi，计算每台风电变流器的中心权重γi；tk时刻具有最大中心权重γi的风电变流器即为tk时刻聚类中心风电变流器，聚类中心风电变流器主特征矩阵
Figure BDA0001716001480000044
进一步的，计算风电变流器子集群的累积偏心距离矩阵的具体方法如下：
根据
Figure BDA0001716001480000045
计算tk时刻每台风电变流器与聚类中心风电变流器之间的距离，得到对应的距离矩阵
Figure BDA0001716001480000046
则风电变流器子集群的累积偏心距离矩阵为
Figure BDA0001716001480000047
进一步的，对累积偏心距离矩阵进行归一化处理并设定预警阈值的具体方法如下：
归一化处理的累积偏心距离矩阵
Figure BDA0001716001480000048
其中，max(li)表示在风电变流器子集群的m台风电变流器中，最大的累积偏心距离；设定预警阈值EW∈[0,1]；比较gi与EW，当gi<EW时，则第i台风电变流器正常，当gi≥EW时，则第i台风电变流器将要发生故障，向检修人员发出预警信息，即可实现风电变流器子集群中风电变流器故障的预测；最后综合所有风力发电机子集群的风电变流器故障预测结果，即可获得风电场中所有风电变流器的故障预测结果。
与现有技术相比，本发明的有益效果是：
一、根据地理空间分布将风电场中的风力发电机划分为若干风力发电机子集群，针对每个风力发电机子集群，对风电变流器子集群的信号进行集中监测，通过提取风电变流器子集群的主特征矩阵、搜寻聚类中心风电变流器、归一化风电变流器子集群的累积偏心距离矩阵并设定预警阈值，即可实现风电变流器子集群的风电变流器故障的准确预测，综合所有风力发电机子集群的风电变流器故障预测结果，即可获得风电场中所有风电变流器的故障预测结果。检修人员可根据风电变流器故障预测结果，对风电变流器实施有针对性的维修维护方案，与通常采用的事后维修方式相比，缩短了设备停工修理时间，减少了企业因设备停工造成的经济损失，实现了风电变流器的主动维修。
二、目前，常用的设备故障预测方法通常依赖单一设备的全寿命周期运行数据，通过建模的方式学习设备的全寿命周期运行数据，以实现设备的故障预测。这类方法完全依赖设备的全寿命周期运行数据，不适用于缺乏全寿命周期运行数据的场景，且训练好的模型仅适用于单台设备，可移植性较差。本发明的核心思想是将同一风电变流器子集群中的风电变流器进行相互比较，通过计算得到风电变流器子集群的累积偏心距离矩阵，利用累积偏心距离衡量风电变流器的健康状态，最后结合设定的预警阈值即可实现风电变流器的故障预测。与现在常用的设备故障预测方法相比，本方法很好地考虑并融合了风电变流器集群式安装的特点，不依赖风电变流器的全寿命周期运行数据，对风电变流器子集群的历史监测信号的监测时间跨度不做要求，适用于不同规模的风电变流器子集群，方法的可移植性好。
附图说明
图1是本发明的流程图。
具体实施方式
本发明风电变流器故障预测方法，根据地理空间分布将风电场中的风力发电机划分为若干风力发电机子集群，对风电变流器子集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的风电变流器子集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心风电变流器，计算风电变流器子集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，即可实现风电变流器子集群中风电变流器故障的预测，综合所有风力发电机子集群的风电变流器故障预测结果，即可获得风电场中所有风电变流器的故障预测结果。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，是本发明的流程图，包括如下步骤：
步骤一、结合地理空间分布情况，将距离较近的m台风力发电机划为一个风力发电机子集群(m可取5～10)。
步骤二、针对每个风力发电机子集群，以当前时间为起点，将风电变流器子集群在一段历史时间范围内的历史监测信号作为原始特征库，风电变流器子集群中每台风电变流器的监测信号包括：风电变流器输出总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度，风电变流器直流功率、直流电流、直流电压。
步骤三、通过稀疏自编码算法从原始特征库中提取每一采样时刻的风电变流器子集群的主特征矩阵，计算过程如下：
一段历史时间范围的时间序列用t1,t2,…,tk表示，其中，k为大于2的一个正整数，则当前时刻tk对应的原始特征矩阵可以表示为
Figure BDA0001716001480000061
其中，m为风电变流器子集群中风电变流器的个数，原始特征矩阵
Figure BDA0001716001480000062
Figure BDA0001716001480000063
分别表示第i台风电变流器第1、2、…、n路监测信号的采样值，n为每台风电变流器监测信号的总通道数。
构建包含输入层、隐层、输出层的三层稀疏自编码网络，网络隐层的激活值可以表示为a＝f(w1x(i)+b1)，其中，w1表示输入层的权值矩阵，b1表示输入层的偏移矩阵；网络输出层的值表示为h(i)＝f(w2a+b2)，其中w2表示隐层的权值矩阵，b2表示隐层的偏移矩阵；随机初始化稀疏自编码网络参数w1、w2、b1、b2。
计算稀疏自编码网络的总体代价函数：
Figure BDA0001716001480000071
其中，β为稀疏惩罚的权重(可设定为3)，s2为网络隐层神经元的个数(隐层神经元的个数可设定为3)。
Figure BDA0001716001480000072
其中，h(i)表示网络输出层的值，λ为衰减参数的权重(可设定为0.0001)，nl表示网络的总层数，sl表示第l层网络的神经元个数，
Figure BDA0001716001480000073
表示连接l层第j个神经元和l+1层第i个神经元的权值。
Figure BDA0001716001480000074
Figure BDA0001716001480000075
其中，ρ为稀疏参数(可设定为0.15)，
Figure BDA0001716001480000076
表示隐层第j个神经元对输入x(i)的激活值。
训练稀疏自编码网络，即基于反向传播算法通过迭代对参数w1、w2、b1、b2进行更新，当达到设定的迭代次数时(迭代次数可设定为100次)，网络训练结束，此时的网络参数即为使总体代价函数Jsparse最小的网络参数w'1、w'2、b'1、b'2。
则tk时刻风电变流器子集群的主特征矩阵表示为
Figure BDA0001716001480000077
其中，第i台风电变流器主特征矩阵
Figure BDA0001716001480000078
第j台风电变流器主特征矩阵
Figure BDA0001716001480000079
j表示m台风电变流器中除第i台风电变流器外的任意一台风电变流器的序号。
步骤四、依次搜索时间序列t1,t2,…,tk中每一采样时刻的聚类中心风电变流器，以tk时刻为例，搜寻计算过程如下：
根据
Figure BDA0001716001480000081
j≠i计算第i台风电变流器的局部密度ρi，其中，j表示m台风电变流器中除第i台风电变流器外的任意一台风电变流器的序号，dij表示第i台风电变流器与第j台风电变流器的距离，dc表示截断距离(截断距离可设定为dij的最小值min(dij))，是事先指定的一个参数；第i台风电变流器与第j台风电变流器的距离dij的计算公式为
Figure BDA0001716001480000082
其中，
Figure BDA0001716001480000083
表示第i台风电变流器主特征矩阵，
Figure BDA0001716001480000084
表示第j台风电变流器主特征矩阵。
根据
Figure BDA0001716001480000085
计算第i台风电变流器的距离δi，其中，集合I＝{ρj>ρi}，
Figure BDA0001716001480000086
表示在所有局部密度大于ρi的风电变流器中，与第i台风电变流器距离最小的风电变流器与第i台风电变流器之间的距离，
Figure BDA0001716001480000087
表示第i台风电变流器具有最大局部密度时，与第i台风电变流器距离最大的风电变流器与第i台风电变流器之间的距离；进而通过公式γi＝ρiδi，计算每台风电变流器的中心权重γi；tk时刻具有最大中心权重γi的风电变流器即为tk时刻聚类中心风电变流器，聚类中心风电变流器主特征矩阵
Figure BDA0001716001480000088
步骤五、计算风电变流器子集群的累积偏心距离矩阵，计算过程如下：
根据
Figure BDA0001716001480000089
计算tk时刻每台风电变流器与聚类中心风电变流器之间的距离，得到对应的距离矩阵
Figure BDA00017160014800000810
则风电变流器子集群的累积偏心距离矩阵为
Figure BDA0001716001480000091
步骤六、归一化处理的累积偏心距离矩阵
Figure BDA0001716001480000092
其中，max(li)表示在风电变流器子集群的m台风电变流器中，最大的累积偏心距离；合理设定预警阈值EW∈[0,1](预警阈值EW可设定为0.8)。
步骤七、比较gi与EW，当gi<EW时，则第i台风电变流器正常，当gi≥EW时，则第i台风电变流器将要发生故障，向检修人员发出预警信息，即可实现风电变流器子集群中风电变流器故障的预测。
步骤八、综合所有风力发电机子集群的风电变流器故障预测结果，即可获得风电场中所有风电变流器的故障预测结果。
本发明可实现风电变流器故障的在线预测，可以帮助检修人员提前预判风电变流器可能发生故障，从而对风电变流器实施有针对性的维修维护方案，与通常采用的事后维修方式相比，缩短了设备停工修理时间，减少了企业因设备停工造成的经济损失，实现了风电变流器的主动维修。且本发明可在线运行、计算方便、无特殊要求限制，适用于不同规模的风电变流器子集群，可移植性好，有利于检修人员建立合理有效的维修计划，确保电网的安全稳定运行。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种风电变流器故障预测方法，其特征在于：
将同一风电场中的所有风力发电机划分为若干个风力发电机子集群；针对每个风力发电机子集群，将风电变流器子集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的风电变流器子集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心风电变流器，计算风电变流器子集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，即可实现风电变流器子集群中风电变流器故障的预测，综合所有风力发电机子集群的风电变流器故障预测结果，即可获得风电场中所有风电变流器的故障预测结果；所述风电变流器子集群中每台风电变流器的历史监测信号包括：风电变流器输出总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度，风电变流器直流功率、直流电流、直流电压。
2.根据权利要求1所述的风电变流器故障预测方法，其特征在于，结合地理空间分布情况，将距离较近的m台风力发电机划为一个风力发电机子集群，则风力发电机子集群个数
Figure FDA0003195284590000011
其中，α表示风电场中风力发电机的总个数。
3.根据权利要求1所述的风电变流器故障预测方法，其特征在于，每一采样时刻的风电变流器子集群的主特征矩阵的具体提取方法如下：
用t1,t2,…,tk表示时间序列，其中，k为大于2的一个正整数，则tk时刻的原始特征矩阵表示为
Figure FDA0003195284590000012
i＝1,2,…,m；其中，m为风电变流器子集群中风电变流器的个数，原始特征矩阵
Figure FDA0003195284590000013
分别表示第i台风电变流器第1、2、…、n路监测信号的采样值，n为每台风电变流器监测信号的总通道数；
构建包含输入层、隐层、输出层的三层稀疏自编码网络，网络隐层的激活值表示为a＝f(w1x(i)+b1)，其中，w1表示输入层的权值矩阵，b1表示输入层的偏移矩阵；网络输出层的值表示为h(i)＝f(w2a+b2)，其中w2表示隐层的权值矩阵，b2表示隐层的偏移矩阵；随机初始化稀疏自编码网络参数w1、w2、b1、b2；
稀疏自编码网络的总体代价函数表示为
Figure FDA0003195284590000021
其中，β为稀疏惩罚的权重，s2为网络隐层神经元的个数；
Figure FDA0003195284590000022
其中，λ为衰减参数的权重，nl表示网络的总层数，sl表示第l层网络的神经元个数，
Figure FDA0003195284590000023
表示连接l层第j个神经元和l+1层第i个神经元的权值；
Figure FDA0003195284590000024
Figure FDA0003195284590000025
其中，ρ为稀疏参数，
Figure FDA0003195284590000026
表示隐层第j个神经元对输入x(i)的激活值；
训练稀疏自编码网络，即基于反向传播算法通过迭代对参数w1、w2、b1、b2进行更新，当达到设定的迭代次数时，网络训练结束，此时的网络参数即为使总体代价函数Jsparse最小的网络参数w′1、w′2、b′1、b′2；
则tk时刻风电变流器子集群的主特征矩阵表示为
Figure FDA0003195284590000027
i＝1,2,…,m；其中，第i台风电变流器主特征矩阵
Figure FDA0003195284590000028
第j台风电变流器主特征矩阵
Figure FDA0003195284590000031
j表示m台风电变流器中除第i台风电变流器外的任意一台风电变流器的序号。
4.根据权利要求1所述的风电变流器故障预测方法，其特征在于，每一采样时刻的聚类中心风电变流器的具体搜寻方法如下：
依次计算第i台风电变流器的局部密度ρi、距离δi；其中，i＝1,2,…,m；m为风电变流器子集群中风电变流器的个数；
根据
Figure FDA0003195284590000032
j＝1,2,…,m；j≠i计算第i台风电变流器的局部密度ρi，其中，j表示m台风电变流器中除第i台风电变流器外的任意一台风电变流器的序号，dij表示第i台风电变流器与第j台风电变流器的距离，dc表示截断距离，是事先指定的一个参数；第i台风电变流器与第j台风电变流器的距离dij的计算公式为
Figure FDA0003195284590000033
其中，
Figure FDA0003195284590000034
表示第i台风电变流器主特征矩阵，
Figure FDA0003195284590000035
表示第j台风电变流器主特征矩阵；
根据
Figure FDA0003195284590000036
计算第i台风电变流器的距离δi，其中，集合I＝{ρj＞ρi}，
Figure FDA0003195284590000037
Figure FDA0003195284590000038
表示在所有局部密度大于ρi的风电变流器中，与第i台风电变流器距离最小的风电变流器与第i台风电变流器之间的距离，
Figure FDA0003195284590000039
表示第i台风电变流器具有最大局部密度时，与第i台风电变流器距离最大的风电变流器与第i台风电变流器之间的距离；进而通过公式γi＝ρiδi，计算每台风电变流器的中心权重γi；tk时刻具有最大中心权重γi的风电变流器即为tk时刻聚类中心风电变流器
Figure FDA00031952845900000310
5.根据权利要求1所述的风电变流器故障预测方法，其特征在于，计算风电变流器子集群的累积偏心距离矩阵的具体方法如下：
根据
Figure FDA0003195284590000041
计算tk时刻每台风电变流器与聚类中心风电变流器之间的距离，得到对应的距离矩阵
Figure FDA0003195284590000042
则风电变流器子集群的累积偏心距离矩阵为
Figure FDA0003195284590000043
6.根据权利要求1所述的风电变流器故障预测方法，其特征在于，对累积偏心距离矩阵进行归一化处理并设定预警阈值的具体方法如下：
归一化处理的累积偏心距离矩阵
Figure FDA0003195284590000044
其中max(li)表示在m台风电变流器中，最大的累积偏心距离；设定预警阈值EW∈[0,1]；比较gi与EW，当gi＜EW时，则第i台风电变流器正常，当gi≥EW时，则第i台风电变流器将要发生故障，向检修人员发出预警信息，即可实现风电变流器子集群中风电变流器故障的预测；最后综合所有风力发电机子集群的风电变流器故障预测结果，即可获得风电场中所有风电变流器的故障预测结果。
CN201810708045.2A 2018-07-02 2018-07-02 一种风电变流器故障预测方法 Active CN108921347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810708045.2A CN108921347B (zh) 2018-07-02 2018-07-02 一种风电变流器故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810708045.2A CN108921347B (zh) 2018-07-02 2018-07-02 一种风电变流器故障预测方法

Publications (2)

Publication Number Publication Date
CN108921347A CN108921347A (zh) 2018-11-30
CN108921347B true CN108921347B (zh) 2021-11-30

Family

ID=64423614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810708045.2A Active CN108921347B (zh) 2018-07-02 2018-07-02 一种风电变流器故障预测方法

Country Status (1)

Country Link
CN (1) CN108921347B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109738776A (zh) * 2019-01-02 2019-05-10 华南理工大学 基于lstm的风机变流器开路故障识别方法
CN109991500B (zh) * 2019-04-29 2021-12-21 中国水电工程顾问集团有限公司 一种风电故障预警预测的方法
CN111259834A (zh) * 2020-01-20 2020-06-09 武汉大学 基于集成深度置信网络的变压器故障诊断方法及系统
CN114088389A (zh) * 2021-12-10 2022-02-25 华润电力技术研究院有限公司 一种齿轮变速箱的数据处理方法和相关装置
EP4239419A1 (en) * 2022-03-01 2023-09-06 Siemens Aktiengesellschaft Condition monitoring of an electric power converter

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106323636A (zh) * 2016-08-16 2017-01-11 重庆交通大学 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法
CN107133632A (zh) * 2017-02-27 2017-09-05 国网冀北电力有限公司 一种风电设备故障诊断方法及系统
CN108010016A (zh) * 2017-11-20 2018-05-08 华中科技大学 一种基于卷积神经网络的数据驱动故障诊断方法
CN108106844A (zh) * 2017-11-22 2018-06-01 辽宁大学 一种自适应参数调节的自动编码机的轴承故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106323636A (zh) * 2016-08-16 2017-01-11 重庆交通大学 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法
CN107133632A (zh) * 2017-02-27 2017-09-05 国网冀北电力有限公司 一种风电设备故障诊断方法及系统
CN108010016A (zh) * 2017-11-20 2018-05-08 华中科技大学 一种基于卷积神经网络的数据驱动故障诊断方法
CN108106844A (zh) * 2017-11-22 2018-06-01 辽宁大学 一种自适应参数调节的自动编码机的轴承故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
深度学习在故障诊断领域中的研究现状与挑战;任浩等;《控制与决策》;20170831;全文 *

Also Published As

Publication number Publication date
CN108921347A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
CN108921347B (zh) 一种风电变流器故障预测方法
CN108847686B (zh) 一种光伏逆变器故障预测方法
CN109002781B (zh) 一种储能变流器故障预测方法
CN108960321B (zh) 一种大型锂电池储能电站电池故障预测方法
CN102663513B (zh) 利用灰色关联度分析的风电场功率组合预测建模方法
CN107730044A (zh) 一种可再生能源发电和负荷的混合预测方法
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN104573879A (zh) 基于最优相似日集的光伏电站出力预测方法
CN102184453A (zh) 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN102478584B (zh) 基于小波分析的风电场风速预测方法及系统
CN108717579B (zh) 一种短期风电功率区间预测方法
Lu et al. A hybrid approach for day-ahead forecast of PV power generation
Kolhe et al. GA-ANN for short-term wind energy prediction
CN109636066A (zh) 一种基于模糊时间序列挖掘的风电输出功率预测方法
CN110009141B (zh) 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
Peng et al. A very short term wind power prediction approach based on Multilayer Restricted Boltzmann Machine
CN106611243A (zh) 一种基于garch模型的风速预测残差修正方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
Wang et al. Data-driven prediction method for characteristics of voltage sag based on fuzzy time series
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
Guo et al. Short-Term Photovoltaic Power-Forecasting based on Machine Learning
Jiangxia et al. A combination prediction model for wind farm output power
Guo et al. Optimal Capacity Allocation of Combined Output of Tower Gravity Energy Storage Power Station and Wind Farm
Xiu et al. Prediction of solar power generation based on the principal components analysis and the BP neural network
Xin et al. A Robust Planning Considering Multiple Uncertainties of Distributed Generation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant