CN110609229A - 一种基于深度学习的风力发电机叶片不平衡故障检测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的风力发电机叶片不平衡故障检测方法，通过采集风力发电机叶片表面附着不同质量覆冰时的多组数据，并进行预处理，然后将预处理后的部分数据输入至搭建好的LSTM+attention mechanism网络模型，通过对该模型的训练，使LSTM+attention mechanism网络模型能够快速、准确预测风力发电机叶片不平衡故障问题，这样这不仅降低了依靠人力巡检的成本，还提高了风电场运行的效率，提升了风电场的可靠性与安全性。

Description

一种基于深度学习的风力发电机叶片不平衡故障检测方法

技术领域

本发明属于风机故障检测技术领域，更为具体地讲，涉及一种基于深度学习的风力发电机叶片不平衡故障检测方法。

背景技术

近年来，随着科技和经济的发展，人们对生活品质的追求不断提升，低碳环保成了人们关注的热点，这促进了新能源发展。特别是风力发电，其渗透率在最近几年迅速上升，但是在寒冷季节，由于积冰引起的风力发电机叶片不平衡故障，这增加了风电场的维护成本。长时间的风机叶片覆冰会影响风力发电机的稳定运行，如果覆冰的质量过大，还会降低风力发电机叶片的疲劳寿命。在风机叶片表面由于大量覆冰而断裂前，检测出该故障是很有必要的。然而在对风机运行时的时间序列数据的初步分析中，使用传统的数学方法很难检测到由叶片覆冰造成的不平衡故障，因为在正常和故障状态下，它们之间的特征差异并不明显。

随着人工智能技术的发展，越来越多的方法被应用到电力系统中，如电力系统输电线路故障诊断，风力发电的出力预测，风力发电机叶片断裂预测等。电力系统的数据量庞大，在处理大规模数据的时候，神经网络有着巨大的优势，它能够发现相似数据之间的细微差别。因此，将人工智能应用于由于叶片覆冰造成的不平衡故障是可行的办法。尽早发现风机叶片表面的异常情况，可以尽早的去检查维修，降低风电场的运营和维护成本，预防风机叶片发生更严重的事故。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度学习的风力发电机叶片不平衡故障检测方法，通过数据来搭建故障检测模型，进而预测风力发电机叶片不平衡状况，解决了人力巡检成本高以及肉眼直观观测的误差高的特点。

为实现上述发明目的，本发明一种基于深度学习的风力发电机叶片不平衡故障检测方法，其特征在于，包括以下步骤：

(1)、采集风力发电机叶片表面附着不同质量覆冰时的多组电压、电流、输出功率、转子角速度和机械转矩，记为m_i[data_j]，其中i＝1,2,…,M，j＝1,2,…,N，M表示覆冰的不同质量种数，N表示第i种质量覆冰下的第j组数据；

(2)、采集数据预处理

(2.1)、将每种质量覆冰下的数据集添加标签，如果该种质量覆冰下采集的数据正常，则该数据集的状态记为0，否则为1；

(2.2)、将添加标签后的每种数据集均划分为训练集和测试集；

(2.3)、将所有的训练集和测试集调整成形状为[batch size,n_steps,n_inputs]的三维矩阵，其中batch size为导入神经网络的数据批次，n_steps是每一批次数据的长度，n_inputs是每批数据含有的数据种类；

(2.4)、

调整后的训练集和测试集随机打乱，作为LSTM+attention mechanism网络模型的输入数据；

(3)、搭建attention mechanism网络模型；

其中，V^T、W_a是待训练的权值矩阵，T表示转置，b_a是待训练的偏置向量，tanh是激活函数，Y_t是LSTM的输出；u^i,t表示第i时刻LSTM的输入和第t时刻LSTM的输出Y_t的匹配程度；a_i,t表示u^i,t的概率分布；C_t为attention mechanism网络模型输出的特征向量，i,t,k∈[1,n_steps]；

(4)、训练LSTM+attention mechanism网络模型；

(4.1)、将LSTM与搭建的attention mechanism网络共同作为待训练的网络模型；

(4.2)、设置待训练网络模型的最大训练次数和模型判断准确率；

(4.3)、将一组训练集数据输入待训练网络模型，训练集先输入LSTM网络进行特征学习，输出Y_t，再将Y_t输入至attention mechanism模型进行优化，从而输出特征向量C_t；

(4.4)、将C_t输入至全连接函数进行分类处理，输出故障判断结果，如果输出信号为1，则表示风力发电机叶片含有不平衡故障，输出信号为0，则表示风机状态正常；

(4.5)、判断当前训练次数是否达到最大或达到模型判断准确率，如果满足，则表示LSTM+attention mechanism网络模型训练结束；否则，进入步骤(4.6)；

(4.6)、将全连接函数判断的结果与风机真实状态进行比较，计算输出误差E，然后采用梯度下降法，通过将输出误差E反向传递来更新LSTM+attention mechanism网络模型的参数，参数更新如下：

其中，(VT)'、W′_a、b'_a分别为attention mechanism模型更新后的权重矩阵和偏置向量，Z为LSTM模型更新前的权重矩阵，Z'为更新后的LSTM模型的权重矩阵；

(4.7)、将当前训练次数自加1，用更新后的参数替代上一轮训练时的参数，再返回步骤(4.3)，通过输入下一组训练集数据进行下一轮的训练；

(5)、将测试集数据输入至训练完成的LSTM+attention mechanism网络模型，模型根据输入的测试集数据输出对应的高或低的电平信号，从而检测出风力发电机叶片不平衡故障。

本发明的发明目的是这样实现的：

本发明一种基于深度学习的风力发电机叶片不平衡故障检测方法，通过采集风力发电机叶片表面附着不同质量覆冰时的多组数据，并进行预处理，然后将预处理后的部分数据输入至搭建好的LSTM+attention mechanism网络模型，通过对该模型的训练，使LSTM+attention mechanism网络模型能够快速、准确预测风力发电机叶片不平衡故障问题，这样这不仅降低了依靠人力巡检的成本，还提高了风电场运行的效率，提升了风电场的可靠性与安全性。

附图说明

图1是本发明一种基于深度学习的风力发电机叶片不平衡故障检测方法流程图；

图2是正常状态下与叶片覆冰产生不平衡故障状态下的风机出力对比图；

图3是LSTM+attention mechanism网络模型的训练流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明一种基于深度学习的风力发电机叶片不平衡故障检测方法流程图。

在本实施例中，如图1所示，本发明一种基于深度学习的风力发电机叶片不平衡故障检测方法，包括以下步骤：

S1、采集风力发电机叶片表面附着不同质量覆冰时的多组电压、电流、输出功率、转子角速度和机械转矩，记为m_i[data_j]，其中i＝1,2,…,M，j＝1,2,…,N，M表示覆冰的不同质量种数，N表示第i种质量覆冰下的第j组数据；

S2、采集数据预处理

S2.1、将每种质量覆冰下的数据集添加标签，如果该种质量覆冰下采集的数据正常，则该数据集的状态记为0，否则为1；

S2.2、将添加标签后的每种数据集均划分为训练集和测试集；

S2.3、将所有的训练集和测试集调整成形状为[batch size,n_steps,n_inputs]的三维矩阵，其中batch size为导入神经网络的数据批次，n_steps是每一批次数据的长度，n_inputs是每批数据含有的数据种类；这样通过对数据的长度、维度的改变，将原始数据处理为满足网络模型输入格式要求的数据类型，且处理后的数据的长度与批次可以通过调整而改变；

在本实施例中，通过不断的调整参数，达到最优结果情况下，batch size的取值为4096，n_steps的取值为96，n_inputs为固定值5；

S2.4、调整后的训练集和测试集随机打乱，作为LSTM+attention mechanism网络模型的输入数据；

S3、搭建attention mechanism网络模型；

其中，V^T、W_a是待训练的权值矩阵，T表示转置，b_a是待训练的偏置向量，tanh是激活函数，Y_t是LSTM的输出；u^i,t表示第i时刻LSTM的输入和第t时刻LSTM的输出Y_t的匹配程度；a_i,t表示u^i,t的概率分布；C_t为attention mechanism网络模型输出的特征向量，i,t,k∈[1,n_steps]；在处理长时间序列数据时，当数据长度过长，LSTM模型可能会丢失数据中重要的特征，引入attention mechanism可以弥补数据过长导致特征丢失所带来的不足；

S4、如图3所示，训练LSTM+attention mechanism网络模型；

S4.1、将LSTM与搭建的attention mechanism网络共同作为待训练的网络模型；

S4.2、设置待训练网络模型的最大训练次数和模型判断准确率；

S4.3、将一组训练集数据输入待训练网络模型，训练集先输入LSTM网络进行特征学习，输出Y_t，再将Y_t输入至attention mechanism模型进行优化，从而输出特征向量C_t；

S4.4、将C_t输入至全连接函数进行分类处理，输出故障判断结果，如果输出信号为1，则表示风力发电机叶片含有不平衡故障，输出信号为0，则表示风机状态正常；

S4.5、判断当前训练次数是否达到最大或达到模型判断准确率，如果满足，则表示LSTM+attention mechanism网络模型训练结束；否则，进入步骤S4.6；

S4.6)将全连接函数判断的结果与风机真实状态进行比较，计算输出误差E，然后采用梯度下降法，通过将输出误差E反向传递来更新LSTM+attention mechanism网络模型的参数，参数更新如下：

其中，(V^T)'、W′_a、b'_a分别为attention mechanism模型更新后的权重矩阵和偏置向量，Z为LSTM模型更新前的权重矩阵，Z'为更新后的LSTM模型的权重矩阵；

S4.7、将当前训练次数自加1，用更新后的参数替代上一轮训练时的参数，再返回步骤S4.3，通过输入下一组训练集数据进行下一轮的训练；

S5、将测试集数据输入至训练完成的LSTM+attention mechanism网络模型，模型根据输入的测试集数据输出对应的高或低的电平信号，从而检测出风力发电机叶片不平衡故障。

本方法利用G.H.Bladed软件对风电机组不同类型的不平衡故障进行仿真，然后利用该软件采集了风力发电机在一个叶片、两个叶片、三个叶片覆冰情况下的故障数据和风机正常运行时的数据，其中，每个叶片的覆冰质量有15kg和30kg两种情况，风机运行时的风速在8m/s-13m/s内变化；综上，在变风速的情况下，一共采集了风机在六种故障状态和正常工作状态下的电压、电流、功率、转矩和角速度的数据。

本方法是在windows 10操作系统下，利用GPU版的tensorflow在pycharm 3.6(64位)软件中搭建的神经网络模型，并通过GPU对硬件进行加速；结果显示：表1为保持batchsize不变，改变n_steps，并对比有无attention mechanism模型存在的时候的故障识别的准确率，当n_steps达到96时，准确率达到最高，当n_steps继续增加时，准确率没有提升甚至在下降，并且有attention mechanism模型的准确率要高于没有attention mechanism模型的准确率；

表1是不同n_steps下的准确率

表2为保持n_steps不变，改变batch size，并对比有无attention mechanism模型存在的时候的故障识别的准确率，当batch size达到4096时，准确率达到最高，当batchsize继续增加时，准确率没有提升甚至在下降，具体结果如表2所示；

表2是不同batch size下的准确率

在本实施例中，如图2所示，其中，实曲线为正常工作状态下风力发电机的输出功率曲线，虚线为故障状态下风力发电机的输出功率曲线，可以看出故障状态和正常状态下，功率曲线比较近似，使用传统方法很难识别出风机是故障状态还是正常状态。

仿真结果如表3所示，该方法对风机叶片不平衡故障识别的准确率达到了99％以上，与其它传统方法，如循环神经网络(RNN)、支持向量机(SVM)、高斯分类(GPC)等相比，所提出方法(LSTMAM)的准确率远远高于其它方法。

表3是不同方法的准确率；

方法	准确率
		RNN	71.3％
SVM	65.0％
		GPC	48.3％
LSTMAM	99.8％

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于深度学习的风力发电机叶片不平衡故障检测方法，其特征在于，包括以下步骤：

(1)、采集风力发电机叶片表面附着不同质量覆冰时的多组电压、电流、输出功率、转子角速度和机械转矩，记为m_i[data_j]，其中i＝1,2,…,M，j＝1,2,…,N，M表示覆冰的不同质量种数，N表示第i种质量覆冰下的第j组数据；

(2)、采集数据预处理

(2.1)、将每种质量覆冰下的数据集添加标签，如果该种质量覆冰下采集的数据正常，则该数据集的状态记为0，否则为1；

(2.2)、将添加标签后的每种数据集均划分为训练集和测试集；

(2.3)、将所有的训练集和测试集调整成形状为[batch size,n_steps,n_inputs]的三维矩阵，其中batch size为导入神经网络的数据批次，n_steps是每一批次数据的长度，n_inputs是每批数据含有的数据种类；

(2.4)、调整后的训练集和测试集随机打乱，作为LSTM+attention mechanism网络模型的输入数据；

(3)、搭建attention mechanism网络模型；

其中，V^T、W_a是待训练的权值矩阵，T表示转置，b_a是待训练的偏置向量，tanh是激活函数，Y_t是LSTM的输出；u^i,t表示第i时刻LSTM的输入和第t时刻LSTM的输出Y_t的匹配程度；a_i,t表示u^i,t的概率分布；C_t为attention mechanism网络模型输出的特征向量，i,t,k∈[1,n_steps]；

(4)、训练LSTM+attention mechanism网络模型；

(4.1)、将LSTM与搭建的attention mechanism网络共同共同作为待训练的网络模型；

(4.2)、设置待训练网络模型的最大训练次数和模型判断准确率；

(4.3)、将一组训练集数据输入待训练网络模型，训练集先输入LSTM网络进行特征学习，输出Y_t，再将Y输入至attention mechanism模型进行优化，从而输出特征向量C_t；

(4.4)、将C_t输入至全连接函数进行分类处理，输出故障判断结果，如果输出信号为1，则表示风力发电机叶片含有不平衡故障，输出信号为0，则表示风机状态正常；

(4.5)、判断当前训练次数是否达到最大或达到模型判断准确率，如果满足，则表示LSTM+attention mechanism网络模型训练结束；否则，进入步骤(4.6)；

(4.6)、将全连接函数判断的结果与风机真实状态进行比较，计算输出误差E，然后采用梯度下降法，通过将输出误差E反向传递来更新LSTM+attention mechanism网络模型的参数，参数更新如下：

其中，(V^T)'、W′_a、b′_a分别为attention mechanism模型更新后的权重矩阵和偏置向量，Z为LSTM模型更新前的权重矩阵，Z'为更新后的LSTM模型的权重矩阵；

(4.7)、将当前训练次数自加1，用更新后的参数替代上一轮训练时的参数，再返回步骤(4.3)，通过输入下一组训练集数据进行下一轮的训练；

(5)、将测试集数据输入至训练完成的LSTM+attention mechanism网络模型，模型根据输入的测试集数据输出对应的高或低的电平信号，从而检测出风力发电机叶片不平衡故障。