CN111814848A - 一种风电机组温度故障的自适应预警策略设计方法 - Google Patents
一种风电机组温度故障的自适应预警策略设计方法 Download PDFInfo
- Publication number
- CN111814848A CN111814848A CN202010573195.4A CN202010573195A CN111814848A CN 111814848 A CN111814848 A CN 111814848A CN 202010573195 A CN202010573195 A CN 202010573195A CN 111814848 A CN111814848 A CN 111814848A
- Authority
- CN
- China
- Prior art keywords
- overrun
- value
- criterion
- threshold
- threshold parameter
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013461 design Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 75
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- KDYFGRWQOYBRFD-UHFFFAOYSA-N succinic acid Chemical compound OC(=O)CCC(O)=O KDYFGRWQOYBRFD-UHFFFAOYSA-N 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000010259 detection of temperature stimulus Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种风电机组温度故障的自适应预警策略设计方法。该方法使用风电机组正常运行时期数据集,基于模型估计残差序列进行多阈值设置及多判别准则设计,并基于训练集确定判别准则参数范围,在线应用中对实时数据点进行多次独立判断并设计投票机制给出最终预警结果。在本发明预警策略设计方法中,多阈值设置结合多判别准则设计综合考虑不同预警结果需求及异常特性,保证预警结果的全面性与准确性;基于训练数据确定判别准则参数范围避免了人为主观因素的干扰;投票机制结合多次独立判断结果,使最终预警结果更具有准确性和合理性,从而能够实现风电机组温度故障准确的故障预警,减少停机时间,节约运维成本,具有较强的理论性与实用性。
Description
技术领域
本发明涉及一种风电机组温度故障的自适应预警策略设计方法,基于风机正常运行状态数据集,通过正常行为建模对目标变量进行实时估计,并基于训练集残差序列自适应地确定多残差阈值及判别准则阈值参数范围,在实时运行数据中进行多次独立判断获取判断结果序列,并设计投票机制确定最终预警结果从而进行温度故障预警的方法。
背景技术
随着全球污染以及传统化石能源日益匮乏,清洁能源的发展引起了广泛的关注,风能以其清洁无污染的优势得以迅速发展,风电产业也由此成为国内外大力发展的新型可再生能源产业之一。目前,我国的风机装机总容量已位于世界前列,但近几年风力发电市场的快速发展也导致了研发时期的准备不足,风机的运行维护费用居高不下。
风机的高故障率是导致运维费用高的主要因素,风电机组是由多组件多子系统组成的复杂系统,机组通常运行在远郊平原、山区、临海等偏远地区,运行环境恶劣多变,关键组件的故障会导致整机的停机检修,带来大量的经济损失。而风机中安装的数据采集与监视控制(SCADA)系统在关键组件中一般都安装有对应测点,通过监测组件温度等信息对关键组件进行状态监测及故障预警,因此,利用SCADA系统信息实现组件温度异常的初期辨识,避免初期异常演变为灾难性故障,实现温度故障的提前感知,从而进行预测性维护,对减少运维成本,实现风电场智能运维具有重大的意义。然而,现有用于故障预警的阈值设置及判别准则设置简单,且均由人为确定,无法判断参数设置的合理性,从而难以保证预警结果的准确性。因此,设计基于数据的自适应的预警策略,减少人为不确定因素,对实现精确的故障预警具有重大的意义。
发明内容
本发明目的在于通过正常行为建模获取训练集残差序列,并基于训练残差序列确定残差阈值及判别准则阈值参数范围,在线运行时每个实时运行数据点进行多组合独立判断,并设计投票机制确定最终预警结果,提出一种基于数据的自适应的温度故障预警策略设计方法。该方法选取风电机组正常运行状态的数据集作为训练集,首先基于正常行为建模,选取变量估计模型获取训练残差序列,再基于训练残差序列设置多残差阈值并确定判别准则阈值参数范围,避免了人为不确定因素的干预,保证了预警策略的准确性和合理性,通过多组合独立的判断并设计投票机制确定最终预警结果,综合考虑不同预警结果需求,不同异常特性及不同超限程度,保证了预警的全面性和准确性。该方法能够结合多种变量估计模型,并能够扩展至风电机组各个具有温度测点的关键组件,实现关键组件的温度故障预警,具有实用价值,扩展性强。
本发明的目的通过以下的技术方案实现:一种风电机组温度故障的自适应预警策略设计方法,包括以下步骤:
1)选取待进行温度故障预警的风电机组关键组件,采集数据采集与监视控制(SCADA)系统中该组件温度测点所测温度变量作为目标变量y,与组件温度相关的参数X作为相关变量,选取机组正常运行状态下N条运行数据,构造训练集
2)离线训练阶段,基于正常行为建模,选取变量估计模型,并输入所构造的训练集进行训练,从而对目标变量进行实时估计,并计算训练集中目标变量实际运行值和模型估计值的残差序列;
3)基于训练集残差序列,获取残差序列的均值μtrain和标准差σtrain作为统计指标,并进行多阈值设置,训练集残差序列均值μtrain加减k倍标准差σtrain作为残差阈值的上下限,其中上限U(k)=μtrain+kσtrain,下限L(k)=μtrain-kσtrain;阈值上限越高,或下限越低,超过此阈值的数据点个数越少,对应预警结果中,误报率会下降,漏报率会升高,即对误报的要求更高,对漏报的要求降低;
4)结合不同的异常特性设计不同的预警判别准则,判别准则设计为连续超限判别准则结合百分比超限判别准则,连续超限是指数据点连续超过阈值,对应引起连续异常状态的异常特性,百分比超限是指数据点在一天时间范围内超过阈值的个数与一天之内所有数据点的百分比,对应引起数据剧烈波动的异常特性;
5)计算训练集中表征正常波动情况的超限程度指标,包括连续超限程度指标,即在某k值下训练集中出现的最大连续超限数值Max_suc(k),以及百分比超限程度指标,即在训练集中出现的最大百分比超限数值Max_ratio(k)%;不同k值对应不同的阈值,也对应不同的超限程度指标;
6)在线应用阶段,获取在线实时运行数据点d,根据离线阶段训练完成的变量估计模型,得到当前运行数据点实际值减去模型估计值的估计残差值rd;
7)基于训练集残差序列的超限程度指标,在不同k值下进行在线应用时的判别准则阈值参数范围设置,包括连续超限判别准则阈值参数范围及百分比超限判别准则阈值参数范围;
8)选取k的一个取值,确定阈值上下限U(k)及L(k),如果该实时数据点d的残差值rd大于阈值上限U(k)或小于阈值下限L(k)时,判定为超限,执行步骤9)与步骤10),如果该实时数据点d的残差值rd处于阈值上限U(k)与阈值下限L(k)之间,执行步骤11);
9)计算实时数据点d之前超限,即大于阈值上限或小于阈值下限的连续个数c1d(k),连续超限判别准则的阈值参数范围内的所有数值Sp(k),p=1,2,...,Ns(k)依次作为阈值参数与c1d(k)进行比较,其中Ns(k)为该k下连续超限判别准则阈值参数范围内的数值个数,满足条件c1d(k)≥Sp(k)时,输出判断结果1,不满足条件时判断结果为0,最终在该k值下得到连续超限判别准则下的判断结果0-1序列,序列长度为Ns(k);
10)计算实时数据点d前一天范围内超限的百分比c2d(k),百分比超限判别准则的阈值参数范围内的所有数值Rq(k),q=1,2,...,Nr(k)依次作为阈值参数与c2d(k)进行比较,其中Nr(k)为该k下百分比超限判别准则阈值参数范围内的数值个数,当满足条件100c2d(k)≥Rq(k)时,输出判断结果1,不满足条件时判断结果为0,最终在该k值下得到百分比超限判别准则下的判断结果0-1序列,序列长度为Nr(k);
11)输出全部为0的判断结果序列,序列长度为Ns(k)+Nr(k);
12)k取其他值时,重复步骤8-11),对于实时数据点d,每个k值下得到总长度为Ns(k)+Nr(k)的判断结果序列,最终综合所有k值下的判断结果序列,每个判断结果相互独立,基于所有判断结果,设计投票机制,判断在实时数据点d处是否给出报警。
进一步地,所述步骤2)中,变量估计模型包括SVR,GBRT,ANN,LSTM,DA-RNN等机器学习和深度学习方法,模型输出即为当前时刻对目标变量的估计值。
进一步地,所述步骤3)中,可以假设训练集残差序列服从高斯分布,基于高斯分布特性,多阈值设置的k取值为[1.5,2,2.5,3],多个k值对应多个阈值。
进一步地,所述步骤7)中,连续超限判别准则阈值参数范围设置过程为,对于某k值,基于训练集所得连续超限数值Max_suc(k)表征正常波动情况,因此在线应用中,连续超限判别准则阈值参数下限设置为Max_suc(k)+1,同时设置阈值参数上限为Upper_sus(k),连续超限判别准则的阈值参数范围为[Max_suc(k)+1,Upper_sus(k)];百分比超限判别准则阈值参数设置过程为,对于某k值,基于训练集所得百分比超限数值Max_ratio(k)%表征正常波动情况,因此在线应用中,百分比超限判别准则阈值参数下限设置为(Max_ratio(k)+1)%,同时设置阈值参数上限为Upper_ratio(k),百分比超限判别准则的阈值参数范围设置为[Max_ratio(k)+1,Upper_ratio(k)]。
进一步地,连续超限判别准则阈值参数上限设置过程为,在线应用中,连续超限数值与训练集最大连续超限数值相差一个量级时,认为必定发生异常,同时为避免训练集出现连续噪声引起连续超限判别准则阈值参数上限设置过高,认为在线应用中出现连续para_sus小时超限发生异常,因此连续超限判别准则阈值上限设置为Upper_sus(k)=min(para_sus×nh,10×Max_suc(k)),其中nh为一个小时时间内总数据点个数;百分比超限判别准则阈值参数上限设置过程为,在线应用中,百分比超限数值与训练集最大百分比超限数值相差一个量级时,认为必定发生异常,同时为避免训练集波动程度高引起百分比超限判别准则阈值参数上限设置过高,认为在线应用中出现一天之内para_ratio%数据点超限发生异常,因此百分比超限判别准则的阈值上限设置为Upper_ratio(k)=min(para_ratio,10×Max_ratio(k))。
进一步地,所述步骤12)中,实时数据点d的投票机制设置为,综合所有k值下的判断结果序列,结果为1的占比大于50%时在数据点d给出最终报警,占比小于等于50%时不给出报警。
与现有技术相比,本发明具有以下创新优势及显著效果:
1)基于残差序列设置多个阈值,综合考虑了预警结果对不同误报率、漏报率的要求,并结合不同的异常特性设计不同的判别准则,保证了预警结果的灵活性和全面性;
2)残差阈值设置及判别准则阈值参数范围均为基于训练集数据确定,避免了人为不确定因素的参与,保证了预警结果的科学性和合理性;
3)通过多阈值及多判别准则的组合,进行多次独立判断,并设计投票机制确定最终预警结果,保证了预警结果的准确性;
4)本发明为基于正常行为建模,针对温度故障的预警策略设计方法,该流程适用于所有变量估计模型,且对有对应温度测点的所有风电机组关键组件均适用,具有扩展性。
附图说明
图1是本发明的温度故障自适应预警策略设计方法流程图;
图2是本发明实施例中所选目标变量实际测量值;
图3是本发明实施例中所选目标变量模型估计值;
图4是本发明实施例中的估计残差多阈值设置示意图;
图5是本发明实施例中所选数据点判断结果混淆矩阵图;
图6是本发明实施例中判断结果为1的占比序列;
图7是本发明实施例中的最终预警结果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
如图1所示,本申请提出的一种风电机组温度故障的自适应预警策略设计方法,包括:
1)选取待进行温度故障预警的风电机组关键组件,采集数据采集与监视控制(SCADA)系统中该组件温度测点所测温度变量作为目标变量y,与组件温度相关的参数X作为相关变量,选取机组正常运行状态下N条运行数据,构造训练集
2)离线训练阶段,基于正常行为建模,选取变量估计模型,并输入所构造的训练集进行训练,从而对目标变量进行实时估计,并计算训练集中目标变量实际运行值和模型估计值的残差序列;
3)基于训练集残差序列,获取残差序列的均值μtrain和标准差σtrain作为统计指标,并进行多阈值设置,训练集残差序列均值μtrain加减k倍标准差σtrain作为残差阈值的上下限,其中上限U(k)=μtrain+kσtrain,下限L(k)=μtrain-kσtrain;
4)结合不同的异常特性设计不同的预警判别准则,判别准则设计为连续超限判别准则结合百分比超限判别准则,连续超限是指数据点连续超过阈值,对应引起连续异常状态的异常特性,百分比超限是指数据点在一天时间范围内超过阈值的个数与一天之内所有数据点的百分比,对应引起数据剧烈波动的异常特性;
5)计算训练集中表征正常波动情况的超限程度指标,包括连续超限程度指标,即在某k值下训练集中出现的最大连续超限数值Max_suc(k),以及百分比超限程度指标,即在训练集中出现的最大百分比超限数值Max_ratio(k)%;不同k值对应不同的阈值,也对应不同的超限程度指标;
6)在线应用阶段,获取在线实时运行数据点d,根据离线阶段训练完成的变量估计模型,得到当前运行数据点实际值减去模型估计值的估计残差值rd;
7)基于训练集残差序列的超限程度指标,在不同k值下进行在线应用时的判别准则阈值参数范围设置,包括连续超限判别准则阈值参数范围及百分比超限判别准则阈值参数范围;
8)选取k的一个取值,确定阈值上下限U(k)及L(k),如果该实时数据点d的残差值rd大于阈值上限U(k)或小于阈值下限L(k)时,判定为超限,执行步骤9)与步骤10),如果该实时数据点d的残差值rd处于阈值上限U(k)与阈值下限L(k)之间,执行步骤11);
9)计算实时数据点d之前超限,即大于阈值上限或小于阈值下限的连续个数c1d(k),连续超限判别准则的阈值参数范围内的所有数值Sp(k),p=1,2,...,Ns(k)依次作为阈值参数与c1d(k)进行比较,其中Ns(k)为该k下连续超限判别准则阈值参数范围内的数值个数,满足条件c1d(k)≥Sp(k)时,输出判断结果1,不满足条件时判断结果为0,最终在该k值下得到连续超限判别准则下的判断结果0-1序列,序列长度为Ns(k);
10)计算实时数据点d前一天范围内超限的百分比c2d(k),百分比超限判别准则的阈值参数范围内的所有数值Rq(k),q=1,2,...,Nr(k)依次作为阈值参数与c2d(k)进行比较,其中Nr(k)为该k下百分比超限判别准则阈值参数范围内的数值个数,当满足条件100c2d(k)≥Rq(k)时,输出判断结果1,不满足条件时判断结果为0,最终在该k值下得到百分比超限判别准则下的判断结果0-1序列,序列长度为Nr(k);
11)输出全部为0的判断结果序列,序列长度为Ns(k)+Nr(k);
12)k取其他值时,重复步骤8-11),对于实时数据点d,每个k值下得到总长度为Ns(k)+Nr(k)的判断结果序列,最终综合所有k值下的判断结果序列,每个判断结果相互独立,基于所有判断结果,设计投票机制,判断在实时数据点d处是否给出报警。
进一步地,所述步骤7)中,连续超限判别准则阈值参数范围设置过程为,对于某k值,基于训练集所得连续超限数值Max_suc(k)表征正常波动情况,因此在线应用中,连续超限判别准则阈值参数下限设置为Max_suc(k)+1,同时设置阈值参数上限为Upper_sus(k),连续超限判别准则的阈值参数范围为[Max_suc(k)+1,Upper_sus(k)];百分比超限判别准则阈值参数设置过程为,对于某k值,基于训练集所得百分比超限数值Max_ratio(k)%表征正常波动情况,因此在线应用中,百分比超限判别准则阈值参数下限设置为(Max_ratio(k)+1)%,同时设置阈值参数上限为Upper_ratio(k),百分比超限判别准则的阈值参数范围设置为[Max_ratio(k)+1,Upper_ratio(k)]。
进一步地,连续超限判别准则阈值参数上限设置过程为,在线应用中,连续超限数值与训练集最大连续超限数值相差一个量级时,认为必定发生异常,同时为避免训练集出现连续噪声引起连续超限判别准则阈值参数上限设置过高,认为在线应用中出现连续para_sus小时超限发生异常,因此连续超限判别准则阈值上限设置为Upper_sus(k)=min(para_sus×nh,10×Max_suc(k)),其中nh为一个小时时间内总数据点个数;百分比超限判别准则阈值参数上限设置过程为,在线应用中,百分比超限数值与训练集最大百分比超限数值相差一个量级时,认为必定发生异常,同时为避免训练集波动程度高引起百分比超限判别准则阈值参数上限设置过高,认为在线应用中出现一天之内para_ratio%数据点超限发生异常,因此百分比超限判别准则的阈值上限设置为Upper_ratio(k)=min(para_ratio,10×Max_ratio(k))。
以下给出本申请的一个实施例,并结合表1、图2-7详细说明该实例实施的具体步骤。
本实施例针对某风电场某发生过发电机驱动端轴承组件故障的风电机组进行故障预警,该机组于2017.06.02 01:00:00发生发电机驱动端轴承异响,并引起温度异常升高,选取该风电机组SCADA系统在2016年采集到的数据进行故障预警,其中SCADA系统的数据采样间隔为5min,数据信息为期6个月,时间范围为2016.01.01 00:00:00至2016.06.3023:55:00,选取发电机驱动端轴承温度测点所测温度为目标变量,发电机其他运行参数以及系统参数等所有对目标变量值产生影响的参数作为相关变量。数据集具体变量如表1所示:
表1某风电场某风机目标变量及相关变量
本实施例中风电机组发电机驱动端轴承组件温度故障预警方法的实施数据集即为上述风电机组6个月的运行数据,方法实施步骤具体如下:
1)获取该风电机组SCADA系统中记录的运行数据,包括目标变量发电机驱动端轴承温度,以及所有相关变量,选取前4个月处于正常运行状态的数据,即2016.01.01 00:00:00至2016.04.30 23:55:00的数据构造训练集[Xtrain,ytrain],后2个月,即2016.05.01 00:00:00至2017.06.30 23:55:00的数据构造测试集[Xtest,ytest],作为在线应用时的实时数据集;
2)离线训练阶段,基于正常行为建模,输入所构造的训练集并选取变量估计模型进行训练,此实施例中变量估计模型选取为基于双注意力机制的循环神经网络DA-RNN,在线应用中,通过训练好的模型对实时数据进行估计,构造测试集作为实时运行数据集,训练集与测试集的目标变量实际测量值如图2所示,模型估计值如图3所示;
3)基于训练集残差序列,获取残差序列的均值μtrain和标准差σtrain作为统计指标,设置均值μtrain加减k倍标准差σtrain作为残差阈值的上下限,其中上限U=μtrain+kσtrain,下限L=μtrain-kσtrain,k取值为[1.5,2,2.5,3],不同的k值对应不同的预警结果需求,k值越大,阈值上限越高,下限越低,超过此阈值的数据点个数越少,对应预警结果中,误报率会下降,漏报率会升高,即对误报的要求更高,对漏报的要求降低,图4为基于残差序列的多阈值示意图,图中黑色实线多个阈值上限,黑线虚线为多个阈值下限;
4)结合不同的异常特性设计不同的预警判别准则,判别准则设计为连续超限判别准则结合百分比超限判别准则,连续超限是指数据点连续超过阈值,对应引起连续异常状态的异常特性,百分比超限是指数据点在一天时间范围内超过阈值的个数与一天之内所有数据点的百分比,对应引起数据剧烈波动的异常特性;
5)计算训练集中表征正常波动情况的超限程度指标,包括连续超限程度指标,即在某k值下训练集中出现的最大连续超限数值Max_suc(k),以及百分比超限程度指标,即在训练集中出现的最大百分比超限数值Max_ratio(k)%;不同k值对应不同的阈值,也对应不同的超限程度指标,在本实例中超限程度指标参数如下所示:
即在k=1.5时,上限Ur=μtrain+1.5σtrain,下限Lr=μtrain-1.5σtrain,在训练集中出现了最多连续5个数据点高于上限或低于下限,在一天时间范围内最多出现了15%个数据点高于上限或低于下限,k取其他值时对应其他参数;
6)构造测试集作为在线应用阶段实时数据集,获取测试集中数据点d,根据离线阶段训练完成的变量估计模型,得到当前运行数据点实际值减去模型估计值的估计残差值rd;
7)基于训练集残差序列的超限程度指标,在不同k值下进行测试集中判别准则阈值参数范围设置,包括连续超限判别准则阈值参数范围及百分比超限判别准则阈值参数范围,在本实施例中,参数para_sus设置为12,参数para_sus设置为80,因此连续超限判别准则的阈值参数范围为[Max_suc(k)+1,min(12×nh,10×Max_suc(k))],在本实例中nh=12,阈值参数范围如下所示:
Sp(k=1.5)∈[6,50]
Sp(k=2)∈[5,40]
Sp(k=2.5)∈[4,30]
Sp(k=3)∈[3,20]
百分比超限判别准则的阈值参数范围为[Max_ratio(k)+1,min(80,10×Max_ratio(k))],在本实例中阈值参数范围如下所示:
Rq(k=1.5)∈[16,80]
Rq(k=2)∈[10,80]
Rq(k=2.5)∈[5,40]
Rq(k=3)∈[3,20]
8)首先选取k=1.5,确定阈值上下限U(k)及L(k),如果数据点d的残差值rd大于阈值上限U(k)或小于阈值下限L(k)时,判定为超限,执行步骤9)与步骤10),如果该数据点d的残差值rd处于阈值上限U(k)与阈值下限L(k)之间,执行步骤11);
9)计算实时数据点d之前超限,即大于阈值上限或小于阈值下限的连续个数c1d(k=1.5),在范围Sp(k=1.5)∈[6,50]内的所有数值Sp(k=1.5),p=1,2,...,Ns(k=1.5)依次作为阈值参数与c1d(k=1.5)进行比较,其中Ns(k=1.5)为连续超限判别准则阈值范围内的数值个数,Ns(k=1.5)=45,对数据点d,当满足条件c1d(k=1.5)≥Sp(k=1.5)时,输出判断结果1,不满足条件时判断结果为0,因此对于测试集数据点d,连续超限判别准则的最终判断结果为0-1序列,序列长度为Ns(k=1.5);
10)计算实时数据点d前一天范围内超限的百分比c2d(k=1.5),在范围Rq(k=1.5)∈[16,80]内的所有数值Rq(k=1.5),q=1,2,...,Nr(k=1.5)依次作为阈值参数与c2d(k=1.5)进行比较,其中Nr(k=1.5)为百分比超限判别准则阈值范围内的数值个数,Nr(k=1.5)=65,对数据点d当满足条件100c2d(k=1.5)≥Rq(k=1.5)时,输出判断结果1,不满足条件时判断结果为0,因此对于测试集数据点d,百分比超限判别准则的最终判断结果为0-1序列,序列长度为Nr(k=1.5);
11)输出全部为0的判断结果序列,序列长度为Ns(k)+Nr(k);
12)k取[2,2.5,3]时,重复步骤8-11),对于实时数据点d,每个k值下得到总长度为Ns(k)+Nr(k)的判断结果序列,最终综合所有k值下的判断结果序列,每个判断结果相互独立,基于所有判断结果,设计投票机制,判断在实时数据点d处是否给出报警;以时间2016.05.2620:50:00的数据点为例进行说明,每个k下两个判断结果序列构造混淆矩阵图,共四个混淆矩阵图如图5所示,其中横轴为百分比超限判别准则的阈值参数取值,纵轴为连续超限判别准则的阈值参数取值,黑色区域表示两种判别准则下判断结果均为1,灰色区域表示其中一种判别准则的判断结果为1,另一种判别准则的判断结果为0,白色区域表示两种判别准则的判断结果均为0,每个判断结果相互独立,最后基于所有的判断结果进行投票,结果为1的占比大于50%时在该点给出最终报警,占比小于等于50%时不给出报警,在该点的投票结果,结果为1的比例为51.39%,大于50%,即在该点给出报警;对测试集中所有数据点均进行测试,图6为训练集加测试集判断结果为1的占比序列,当占比大于50%时给出最终报警,图7为最终预警结果,黑色星号为给出报警的数据点,最早报警对应时间为2016.05.26 20:50:00,在该时刻最早给出报警,在故障发生的7天前实现预警。
本发明风电机组温度故障自适应预警策略设计方法,主要包括正常行为建模,多阈值设置,训练残差超限程度计算,判别准则阈值参数范围确定,多判别准则设置,投票机制设计等环节。图1为本发明的温度故障自适应预警策略设计方法的具体流程图,图2为本发明实施例所选目标变量实际测量值,图3为本发明实施例中所选目标变量模型估计值,图4为本发明实施例中的估计残差多阈值设置示意图,图5为本发明实施例中所选数据点判断结果混淆矩阵图,图6为本发明实施例中判断结果为1的占比序列,图7为本发明实施例中的最终预警结果图,该结果显示,本发明能够在故障发生前实现准确的报警,结果具有有效性与可靠性。
上述实施例只是本发明的举例,尽管为说明目的公开了本发明的最佳实例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换、变化和修改都是可能的。因此,本发明不应局限于最佳实施例和附图所公开的内容。
Claims (6)
1.一种风电机组温度故障的自适应预警策略设计方法,其特征在于,包括以下步骤:
1)选取待进行温度故障预警的风电机组关键组件,采集数据采集与监视控制(SCADA)系统中该组件温度测点所测温度变量作为目标变量y,与组件温度相关的参数X作为相关变量,选取机组正常运行状态下N条运行数据,构造训练集
2)离线训练阶段,基于正常行为建模,选取变量估计模型,并输入所构造的训练集进行训练,从而对目标变量进行实时估计,并计算训练集中目标变量实际运行值和模型估计值的残差序列;
3)基于训练集残差序列,获取残差序列的均值μtrain和标准差σtrain作为统计指标,并进行多阈值设置,训练集残差序列均值μtrain加减k倍标准差σtrain作为残差阈值的上下限,其中上限U(k)=μtrain+kσtrain,下限L(k)=μtrain-kσtrain;
4)结合不同的异常特性设计不同的预警判别准则,判别准则设计为连续超限判别准则结合百分比超限判别准则,连续超限是指数据点连续超过阈值,对应引起连续异常状态的异常特性,百分比超限是指数据点在一天时间范围内超过阈值的个数与一天之内所有数据点的百分比,对应引起数据剧烈波动的异常特性;
5)计算训练集中表征正常波动情况的超限程度指标,包括连续超限程度指标,即在某k值下训练集中出现的最大连续超限数值Max_suc(k),以及百分比超限程度指标,即在训练集中出现的最大百分比超限数值Max_ratio(k)%;不同k值对应不同的阈值,也对应不同的超限程度指标;
6)在线应用阶段,获取在线实时运行数据点d,根据离线阶段训练完成的变量估计模型,得到当前运行数据点实际值减去模型估计值的估计残差值rd;
7)基于训练集残差序列的超限程度指标,在不同k值下进行在线应用时的判别准则阈值参数范围设置,包括连续超限判别准则阈值参数范围及百分比超限判别准则阈值参数范围;
8)选取k的一个取值,确定阈值上下限U(k)及L(k),如果该实时数据点d的残差值rd大于阈值上限U(k)或小于阈值下限L(k)时,判定为超限,执行步骤9)与步骤10),如果该实时数据点d的残差值rd处于阈值上限U(k)与阈值下限L(k)之间,执行步骤11);
9)计算实时数据点d之前超限,即大于阈值上限或小于阈值下限的连续个数c1d(k),连续超限判别准则的阈值参数范围内的所有数值Sp(k),p=1,2,...,Ns(k)依次作为阈值参数与c1d(k)进行比较,其中Ns(k)为该k下连续超限判别准则阈值参数范围内的数值个数,满足条件c1d(k)≥Sp(k)时,输出判断结果1,不满足条件时判断结果为0,最终在该k值下得到连续超限判别准则下的判断结果0-1序列,序列长度为Ns(k);
10)计算实时数据点d前一天范围内超限的百分比c2d(k),百分比超限判别准则的阈值参数范围内的所有数值Rq(k),q=1,2,...,Nr(k)依次作为阈值参数与c2d(k)进行比较,其中Nr(k)为该k下百分比超限判别准则阈值参数范围内的数值个数,当满足条件100c2d(k)≥Rq(k)时,输出判断结果1,不满足条件时判断结果为0,最终在该k值下得到百分比超限判别准则下的判断结果0-1序列,序列长度为Nr(k);
11)输出全部为0的判断结果序列,序列长度为Ns(k)+Nr(k);
12)k取其他值时,重复步骤8-11),对于实时数据点d,每个k值下得到总长度为Ns(k)+Nr(k)的判断结果序列,最终综合所有k值下的判断结果序列,每个判断结果相互独立,基于所有判断结果,设计投票机制,判断在实时数据点d处是否给出报警。
2.根据权利要求1所述的一种风电机组温度故障的自适应预警策略设计方法,其特征在于,所述步骤2)中,变量估计模型包括SVR,GBRT,ANN,LSTM,DA-RNN等机器学习和深度学习方法,模型输出即为当前时刻对目标变量的估计值。
3.根据权利要求1所述的一种风电机组温度故障的自适应预警策略设计方法,其特征在于,所述步骤3)中,可以假设训练集残差序列服从高斯分布,基于高斯分布特性,多阈值设置的k取值为[1.5,2,2.5,3]。
4.根据权利要求1所述的一种风电机组温度故障的自适应预警策略设计方法,其特征在于,所述步骤7)中,连续超限判别准则阈值参数范围设置过程为,对于某k值,基于训练集所得连续超限数值Max_suc(k)表征正常波动情况,因此在线应用中,连续超限判别准则阈值参数下限设置为Max_suc(k)+1,同时设置阈值参数上限为Upper_sus(k),连续超限判别准则的阈值参数范围为[Max_suc(k)+1,Upper_sus(k)];百分比超限判别准则阈值参数设置过程为,对于某k值,基于训练集所得百分比超限数值Max_ratio(k)%表征正常波动情况,因此在线应用中,百分比超限判别准则阈值参数下限设置为(Max_ratio(k)+1)%,同时设置阈值参数上限为Upper_ratio(k),百分比超限判别准则的阈值参数范围设置为[Max_ratio(k)+1,Upper_ratio(k)]。
5.根据权利要求4所述的一种风电机组温度故障的自适应预警策略设计方法,其特征在于,连续超限判别准则阈值参数上限设置过程为,在线应用中,连续超限数值与训练集最大连续超限数值相差一个量级时,认为必定发生异常,同时为避免训练集出现连续噪声引起连续超限判别准则阈值参数上限设置过高,认为在线应用中出现连续para_sus小时超限发生异常,因此连续超限判别准则阈值上限设置为Upper_sus(k)=min(para_sus×nh,10×Max_suc(k)),其中nh为一个小时时间内总数据点个数;百分比超限判别准则阈值参数上限设置过程为,在线应用中,百分比超限数值与训练集最大百分比超限数值相差一个量级时,认为必定发生异常,同时为避免训练集波动程度高引起百分比超限判别准则阈值参数上限设置过高,认为在线应用中出现一天之内para_ratio%数据点超限发生异常,因此百分比超限判别准则的阈值上限设置为Upper_ratio(k)=min(para_ratio,10×Max_ratio(k))。
6.根据权利要求1所述的一种风电机组温度故障的自适应预警策略设计方法,其特征在于,所述步骤12)中,实时数据点d的投票机制设置为,综合所有k值下的判断结果序列,结果为1的占比大于50%时在数据点d给出最终报警,占比小于等于50%时不给出报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573195.4A CN111814848B (zh) | 2020-06-22 | 2020-06-22 | 一种风电机组温度故障的自适应预警策略设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573195.4A CN111814848B (zh) | 2020-06-22 | 2020-06-22 | 一种风电机组温度故障的自适应预警策略设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814848A true CN111814848A (zh) | 2020-10-23 |
CN111814848B CN111814848B (zh) | 2024-04-09 |
Family
ID=72845421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010573195.4A Active CN111814848B (zh) | 2020-06-22 | 2020-06-22 | 一种风电机组温度故障的自适应预警策略设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814848B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257943A (zh) * | 2020-10-29 | 2021-01-22 | 上海电力大学 | 一种基于mset和偏离度的电厂引风机故障预警方法 |
CN112504511A (zh) * | 2020-12-15 | 2021-03-16 | 润电能源科学技术有限公司 | 一种发电机定子温度监测方法、装置及介质 |
CN115994248A (zh) * | 2023-03-24 | 2023-04-21 | 青岛精锐机械制造有限公司 | 阀门故障的数据检测方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100228805A1 (en) * | 2009-02-23 | 2010-09-09 | Mccoy Sean M | Log collection data harvester for use in a building automation system |
CN104035431A (zh) * | 2014-05-22 | 2014-09-10 | 清华大学 | 用于非线性过程监控的核函数参数的获取方法和系统 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
WO2016177032A1 (zh) * | 2015-08-31 | 2016-11-10 | 中兴通讯股份有限公司 | 网络容量超限判断方法、装置及网络容量管理方法、系统 |
CN107065843A (zh) * | 2017-06-09 | 2017-08-18 | 东北大学 | 基于独立子空间的多方向kica间歇过程故障监测方法 |
CN108334674A (zh) * | 2018-01-17 | 2018-07-27 | 浙江大学 | 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法 |
CN109740175A (zh) * | 2018-11-18 | 2019-05-10 | 浙江大学 | 一种面向风电机组功率曲线数据的离群点判别方法 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
CN110346160A (zh) * | 2019-06-24 | 2019-10-18 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN110414154A (zh) * | 2019-07-31 | 2019-11-05 | 北京天泽智云科技有限公司 | 一种带有双测点的风机部件温度异常检测和报警方法 |
CN110414155A (zh) * | 2019-07-31 | 2019-11-05 | 北京天泽智云科技有限公司 | 一种带有单测点的风机部件温度异常检测和报警方法 |
CN111079343A (zh) * | 2019-12-04 | 2020-04-28 | 浙江大学 | 一种基于宽度学习的风电机组有效风速估计方法 |
-
2020
- 2020-06-22 CN CN202010573195.4A patent/CN111814848B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100228805A1 (en) * | 2009-02-23 | 2010-09-09 | Mccoy Sean M | Log collection data harvester for use in a building automation system |
CN104035431A (zh) * | 2014-05-22 | 2014-09-10 | 清华大学 | 用于非线性过程监控的核函数参数的获取方法和系统 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
WO2016177032A1 (zh) * | 2015-08-31 | 2016-11-10 | 中兴通讯股份有限公司 | 网络容量超限判断方法、装置及网络容量管理方法、系统 |
CN107065843A (zh) * | 2017-06-09 | 2017-08-18 | 东北大学 | 基于独立子空间的多方向kica间歇过程故障监测方法 |
CN108334674A (zh) * | 2018-01-17 | 2018-07-27 | 浙江大学 | 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法 |
CN109740175A (zh) * | 2018-11-18 | 2019-05-10 | 浙江大学 | 一种面向风电机组功率曲线数据的离群点判别方法 |
CN110346160A (zh) * | 2019-06-24 | 2019-10-18 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
CN110414154A (zh) * | 2019-07-31 | 2019-11-05 | 北京天泽智云科技有限公司 | 一种带有双测点的风机部件温度异常检测和报警方法 |
CN110414155A (zh) * | 2019-07-31 | 2019-11-05 | 北京天泽智云科技有限公司 | 一种带有单测点的风机部件温度异常检测和报警方法 |
CN111079343A (zh) * | 2019-12-04 | 2020-04-28 | 浙江大学 | 一种基于宽度学习的风电机组有效风速估计方法 |
Non-Patent Citations (5)
Title |
---|
张帆;刘德顺;戴巨川;王超;沈祥兵: "一种基于SCADA参数关系的风电机组运行状态识别方法", 机械工程学报, no. 004 * |
林丽琼;陈守军;谭忠富;: "电网运营风险预警评估的模糊故障树分析模型", 华东电力, no. 02 * |
王桂松;郭鹏;胥佳;刘瑞华;李韶武;: "基于XGBoost建模和Change-Point残差处理的风电机组齿轮箱温度预警", 电力科学与工程, no. 09 * |
陆陆;徐正国;王文海;孙优贤;: "列车运行控制系统故障诊断方法研究", 铁道通信信号, no. 05 * |
黄小光;潘东浩;史晓鸣;王杏;王欣;: "风电机组齿轮箱系统的故障预警研究", 机电工程, no. 06 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257943A (zh) * | 2020-10-29 | 2021-01-22 | 上海电力大学 | 一种基于mset和偏离度的电厂引风机故障预警方法 |
CN112504511A (zh) * | 2020-12-15 | 2021-03-16 | 润电能源科学技术有限公司 | 一种发电机定子温度监测方法、装置及介质 |
CN112504511B (zh) * | 2020-12-15 | 2023-08-15 | 润电能源科学技术有限公司 | 一种发电机定子温度监测方法、装置及介质 |
CN115994248A (zh) * | 2023-03-24 | 2023-04-21 | 青岛精锐机械制造有限公司 | 阀门故障的数据检测方法及系统 |
CN115994248B (zh) * | 2023-03-24 | 2023-06-20 | 青岛精锐机械制造有限公司 | 阀门故障的数据检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111814848B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
CN111814848A (zh) | 一种风电机组温度故障的自适应预警策略设计方法 | |
CN111537219B (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
CN110907066B (zh) | 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法 | |
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
Kim et al. | Use of SCADA data for failure detection in wind turbines | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN108647786B (zh) | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 | |
CN111415070A (zh) | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 | |
Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
CN112431726A (zh) | 一种风电机组齿轮箱轴承状态监测方法 | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
CN111396266A (zh) | 一种基于gbrt的风电机组发电机轴承故障预警方法 | |
CN112417612A (zh) | 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
CN111878322A (zh) | 风力发电机装置 | |
CN111814849B (zh) | 一种基于da-rnn的风电机组关键组件故障预警方法 | |
CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
CN115578084A (zh) | 基于深度卷积自编码器的风电机组变频器故障预警方法 | |
CN110705581A (zh) | 一种基于改进的隐马尔可夫模型的变桨轴承故障识别方法 | |
CN115450864A (zh) | 一种基于合成少数类样本的风电机组叶片结冰诊断方法 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
Karlsson | Wind turbine performance monitoring using artificial neural networks with a multi-dimensional data filtering approach |
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 |