CN111950505A - 一种ssa-aann的风力发电机传感器状态评估方法 - Google Patents
一种ssa-aann的风力发电机传感器状态评估方法 Download PDFInfo
- Publication number
- CN111950505A CN111950505A CN202010860000.4A CN202010860000A CN111950505A CN 111950505 A CN111950505 A CN 111950505A CN 202010860000 A CN202010860000 A CN 202010860000A CN 111950505 A CN111950505 A CN 111950505A
- Authority
- CN
- China
- Prior art keywords
- sensor
- aann
- ssa
- data
- wind turbine
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开了一种SSA‑AANN的风力发电机传感器状态评估方法,其方法包括如下步骤:通过风电公司得到所需要的SCADA数据,采集到多种传感器的海量数据;采用层次聚类方法对数据进行智能筛选;本发明能实现传感器的固定偏差故障、漂移故障、精度下降故障、断电故障以及脉冲故障判断,其准确性高,检验率更高,现有的技术基本上都是对整个风机状态的评定,而该技术具体到传感器本身,更加精细,有利于工作人员快速准确地找到风机故障的具体原因,尤其是传感器本身有故障时,能快速精准找到故障传感器,而不需要对所有器件进行检测再来判定是该传感器出现了故障,这样可以节约维修的成本和时间,具有很大的经济效益。
Description
技术领域
本发明涉及传感器状态诊断技术领域,具体为一种SSA-AANN的风力发电机传感器状态评估方法。
背景技术
风力发电机是将风能转换为机械功,机械功带动转子旋转,最终输出交流电的电力设备。风力发电机一般有风轮、发电机(包括装置)、调向器(尾翼)、塔架、限速安全机构和储能装置等构件组成。风力发电机的工作原理比较简单,风轮在风力的作用下旋转,它把风的动能转变为风轮轴的机械能,发电机在风轮轴的带动下旋转发电。广义地说,风能也是太阳能,所以也可以说风力发电机,是一种以太阳为热源,以大气为工作介质的热能利用发电机。
目前风力发电机故障诊断都体现在风机的本体上,通过传感器输出信息来判断风力发电机是否有故障及采取措施,但是传感器输出信号耦合了“环境状态、被测对象状态和传感器自身状态”三个因素的信息,当环境出现异常、或被测对象出现异常,或传感器自身异常时,都会表现出传感器输出信号异常。因此目前主要是针对传感器的信号异常识别,而不是准确意义上的传感器异常识别,二者有本质的区别。
发明内容
本发明的目的在于提供一种SSA-AANN的风力发电机传感器状态评估方法,通过SCADA数据挖掘、风机群相似性分析、人工智能法、参数优化、交叉融合传感器状态识别和评估等,对传感器输出数据进行分析、判断和确认,能正确的区分出是环境因素还是被测对象状态或是传感器自身状态出现了故障,从而指导风场技术人员更加准确的发现故障类型和位置,从而减少维修时间和成本。
为实现上述目的,本发明提供如下技术方案:一种SSA-AANN的风力发电机传感器状态评估方法,其方法包括如下步骤:
(1)获取数据:通过风电公司得到所需要的SCADA数据,采集到多种传感器的海量数据;
(2)数据筛选:采用层次聚类方法对数据进行智能筛选;
(2.1)首先对已经确认的小规模数据集A进行必要的预处理,然后进行聚类,得到簇群A1、A2和A3;
(2.2)然后将数据集A和数据集B合并形成新的数据集,通过同样的聚类算法,得到簇群B1、B2、B3、B4...Bn;
(2.3)将B簇群分别与A簇群进行相似性检验,满足相似性准则的某个B簇则认为具有数据A的特定特征;
(3)风电机组群分析:对风场的风机进行分析,找出其状态相似度高的风机作为风机群进行研究,将风电机组的输入定义为风速,输出定义为风电机组的有功功率,采用DTW算法计算风电机组相似度;
(4)构建风机群组内同位同类传感器输出预测器:设同组m个同类同位传感器S的实际输入分别为y1(n),y2(n),...ym(n),其中n为从序列起始时刻到k时刻的序列长度,y1(n),y2(n),...ym(n)为预测器的输入,预测器的输出为y^1(k),y^2(k),...y^m(k),通过预测器输出和传感器实际输出的比较得到残差,从而得到超限传感器的残差序列,基于某个准则对传感器信号是否异常做出判断;
(5)构建同机关联传感器输出预测模型:SSA-AANN识别出第m个s传感器S信号异常,设该风机中与该传感器强关联的其他j个传感器k-1时刻及之前的输出序列分别为,将和一起作为预测器的输入,为预测器输出,根据步骤(4)的方法判断传感器信号是否异常。
优选的,所述步骤(2.1)中,数据集A的预处理包括试验测试、统计分析谱分析和专家判断,以得到具有特定特征的数据集A。
优选的,所述步骤(2.2)中,数据集A和数据集B通过聚类并依照模型和参数准则合成新的数据集。
优选的,所述步骤(2.3)中,相似性检验时,将B1依次与A1、A2和A3进行对照检验,再将B2依次与A1、A2和A3进行对照检验,直至Bn对照完毕。
优选的,所述步骤(3)中,得到一个风机群的方法是把每台风机生成的数据看成是一个时间序列,通过计算风机之间的相似性来实现。
优选的,所述步骤(4)中,同组同类传感器预测器采用自关联神经网络(SSA-AANN)网络模型来实现,该模型由五层所组成,包括输入层、映射层、瓶颈层、解映层和输出层,进行模型建立;
AANN的工作流程如下:
S1:输入数据经过映射层,映射到高维度空间中;
S2:然后通过瓶颈层进行压缩;
S3:再通过解映层进行解映,并通过重建数据从原始空间维度输出;SSA的工作流程如下:
S1:通过优化算法与AANN结合,使它能够快速收敛到全局最优解;
S2:利用全局寻优,得到AANN神经网络最优初始权值和阈值;
S3:再用AANN神经网络进行局部寻优,得到精确的传感器解析冗余网络。
优选的,所述SSA-AANN神经网络模型的建立步骤如下:
S1:数据处理;
S2:设置AANN的节点数,确定网络结构;
S3:定义SSA算法的维数k;
S4:设置SSA的参数;
S5:SSA适应度值的确定;
S6:最优解生成;
S7:优化AANN网络;
S8:构建测试数据进行测试,得到状态评估。
优选的,所述步骤(5)中,进行残差比较时,若该环节识别出的传感器信号仍然异常,则基本可判断不是风机本体状态异常引起的传感器信号异常,则比较器输出序列em(k)是传感器自身状态的反映,对em(k)进行深度网络故障学习分析,判断传感器的具体异常状态情况甚至故障类别形式做出识别。
与现有技术相比,本发明的有益效果如下:
本发明能实现传感器的固定偏差故障、漂移故障、精度下降故障、断电故障以及脉冲故障判断,其准确性高,检验率更高,现有的技术基本上都是对整个风机状态的评定,而该技术具体到传感器本身,更加精细,有利于工作人员快速准确地找到风机故障的具体原因,尤其是传感器本身有故障时,能快速精准找到故障传感器,而不需要对所有器件进行检测再来判定是该传感器出现了故障,这样可以节约维修的成本和时间,具有很大的经济效益。
具体实施方式
下面将结合本发明中的实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种SSA-AANN的风力发电机传感器状态评估方法,其方法包括如下步骤:
(1)获取数据:通过风电公司得到所需要的SCADA数据,采集到多种传感器的海量数据;
(2)数据筛选:采用层次聚类方法对数据进行智能筛选;
(2.1)首先对已经确认的小规模数据集A进行必要的预处理,然后进行聚类,得到簇群A1、A2和A3;
(2.2)然后将数据集A和数据集B合并形成新的数据集,通过同样的聚类算法,得到簇群B1、B2、B3、B4...Bn;
(2.3)将B簇群分别与A簇群进行相似性检验,满足相似性准则的某个B簇则认为具有数据A的特定特征;
(3)风电机组群分析:对风场的风机进行分析,找出其状态相似度高的风机作为风机群进行研究,将风电机组的输入定义为风速,输出定义为风电机组的有功功率,采用DTW算法计算风电机组相似度;
DTW是动态时间规整算法,是一种衡量两个时间序列之间的相似度的方法,通过把时间序列进行延伸和缩短,来计算两个时间序列性之间的相似性。
一个风场的风机数目有很多,但由于地理位置,海拔等因素,并不是所有风机的状态都是一致的,因此要对风场的风机进行分析。
(4)构建风机群组内同位同类传感器输出预测器:设同组m个同类同位传感器S的实际输入分别为y1(n),y2(n),...ym(n),其中n为从序列起始时刻到k时刻的序列长度,y1(n),y2(n),...ym(n)为预测器的输入,预测器的输出为y^1(k),y^2(k),...y^m(k),通过预测器输出和传感器实际输出的比较得到残差,从而得到超限传感器的残差序列,基于某个准则对传感器信号是否异常做出判断;
(5)构建同机关联传感器输出预测模型:SSA-AANN识别出第m个s传感器S信号异常,设该风机中与该传感器强关联的其他j个传感器k-1时刻及之前的输出序列分别为,将和一起作为预测器的输入,为预测器输出,根据步骤(4)的方法判断传感器信号是否异常。
实施例一:
一种SSA-AANN的风力发电机传感器状态评估方法,其方法包括如下步骤:
(1)获取数据:通过风电公司得到所需要的SCADA数据,采集到多种传感器的海量数据;
(2)数据筛选:采用层次聚类方法对数据进行智能筛选;
(2.1)首先对已经确认的小规模数据集A进行必要的预处理,然后进行聚类,得到簇群A1、A2和A3,数据集A的预处理包括试验测试、统计分析谱分析和专家判断,以得到具有特定特征的数据集A;
(2.2)然后将数据集A和数据集B合并形成新的数据集,通过同样的聚类算法,得到簇群B1、B2、B3、B4...Bn,数据集A和数据集B通过聚类并依照模型和参数准则合成新的数据集;
(2.3)将B簇群分别与A簇群进行相似性检验,满足相似性准则的某个B簇则认为具有数据A的特定特征,相似性检验时,将B1依次与A1、A2和A3进行对照检验,再将B2依次与A1、A2和A3进行对照检验,直至Bn对照完毕;
(3)风电机组群分析:对风场的风机进行分析,找出其状态相似度高的风机作为风机群进行研究,将风电机组的输入定义为风速,输出定义为风电机组的有功功率,采用DTW算法计算风电机组相似度,得到一个风机群的方法是把每台风机生成的数据看成是一个时间序列,通过计算风机之间的相似性来实现;
(4)构建风机群组内同位同类传感器输出预测器:设同组m个同类同位传感器S的实际输入分别为y1(n),y2(n),...ym(n),其中n为从序列起始时刻到k时刻的序列长度,y1(n),y2(n),...ym(n)为预测器的输入,预测器的输出为y^1(k),y^2(k),...y^m(k),通过预测器输出和传感器实际输出的比较得到残差,从而得到超限传感器的残差序列,基于某个准则对传感器信号是否异常做出判断;
(5)构建同机关联传感器输出预测模型:SSA-AANN识别出第m个s传感器S信号异常,设该风机中与该传感器强关联的其他j个传感器k-1时刻及之前的输出序列分别为,将和一起作为预测器的输入,为预测器输出,根据步骤(4)的方法判断传感器信号是否异常。
实施例二:
一种SSA-AANN的风力发电机传感器状态评估方法,其方法包括如下步骤:
(1)获取数据:通过风电公司得到所需要的SCADA数据,采集到多种传感器的海量数据;
(2)数据筛选:采用层次聚类方法对数据进行智能筛选;
(2.1)首先对已经确认的小规模数据集A进行必要的预处理,然后进行聚类,得到簇群A1、A2和A3,数据集A的预处理包括试验测试、统计分析谱分析和专家判断,以得到具有特定特征的数据集A;
(2.2)然后将数据集A和数据集B合并形成新的数据集,通过同样的聚类算法,得到簇群B1、B2、B3、B4...Bn,数据集A和数据集B通过聚类并依照模型和参数准则合成新的数据集;
(2.3)将B簇群分别与A簇群进行相似性检验,满足相似性准则的某个B簇则认为具有数据A的特定特征,相似性检验时,将B1依次与A1、A2和A3进行对照检验,再将B2依次与A1、A2和A3进行对照检验,直至Bn对照完毕;
(3)风电机组群分析:对风场的风机进行分析,找出其状态相似度高的风机作为风机群进行研究,将风电机组的输入定义为风速,输出定义为风电机组的有功功率,采用DTW算法计算风电机组相似度,得到一个风机群的方法是把每台风机生成的数据看成是一个时间序列,通过计算风机之间的相似性来实现;
(4)构建风机群组内同位同类传感器输出预测器:设同组m个同类同位传感器S的实际输入分别为y1(n),y2(n),...ym(n),其中n为从序列起始时刻到k时刻的序列长度,y1(n),y2(n),...ym(n)为预测器的输入,预测器的输出为y^1(k),y^2(k),...y^m(k),通过预测器输出和传感器实际输出的比较得到残差,从而得到超限传感器的残差序列,基于某个准则对传感器信号是否异常做出判断,进行残差比较时,若第m个传感器残差em(k)超限,则用预测器输出替代预测器输入ym(k);
同组同类传感器预测器采用自关联神经网络(SSA-AANN)网络模型来实现,该模型由五层所组成,包括输入层、映射层、瓶颈层、解映层和输出层,进行模型建立;
AANN的工作流程如下:
S1:输入数据经过映射层,映射到高维度空间中;
S2:然后通过瓶颈层进行压缩;
S3:再通过解映层进行解映,并通过重建数据从原始空间维度输出;
SSA的工作流程如下:
S1:通过优化算法与AANN结合,使它能够快速收敛到全局最优解;
S2:利用全局寻优,得到AANN神经网络最优初始权值和阈值;
S3:再用AANN神经网络进行局部寻优,得到精确的传感器解析冗余网络。
(5)构建同机关联传感器输出预测模型:SSA-AANN识别出第m个s传感器S信号异常,设该风机中与该传感器强关联的其他j个传感器k-1时刻及之前的输出序列分别为,将和一起作为预测器的输入,为预测器输出,根据步骤(4)的方法判断传感器信号是否异常。
实施例三:
一种SSA-AANN的风力发电机传感器状态评估方法,其方法包括如下步骤:
(1)获取数据:通过风电公司得到所需要的SCADA数据,采集到多种传感器的海量数据;
(2)数据筛选:采用层次聚类方法对数据进行智能筛选;
(2.1)首先对已经确认的小规模数据集A进行必要的预处理,然后进行聚类,得到簇群A1、A2和A3,数据集A的预处理包括试验测试、统计分析谱分析和专家判断,以得到具有特定特征的数据集A;
(2.2)然后将数据集A和数据集B合并形成新的数据集,通过同样的聚类算法,得到簇群B1、B2、B3、B4...Bn,数据集A和数据集B通过聚类并依照模型和参数准则合成新的数据集;
(2.3)将B簇群分别与A簇群进行相似性检验,满足相似性准则的某个B簇则认为具有数据A的特定特征,相似性检验时,将B1依次与A1、A2和A3进行对照检验,再将B2依次与A1、A2和A3进行对照检验,直至Bn对照完毕;
(3)风电机组群分析:对风场的风机进行分析,找出其状态相似度高的风机作为风机群进行研究,将风电机组的输入定义为风速,输出定义为风电机组的有功功率,采用DTW算法计算风电机组相似度,得到一个风机群的方法是把每台风机生成的数据看成是一个时间序列,通过计算风机之间的相似性来实现;
(4)构建风机群组内同位同类传感器输出预测器:设同组m个同类同位传感器S的实际输入分别为y1(n),y2(n),...ym(n),其中n为从序列起始时刻到k时刻的序列长度,y1(n),y2(n),...ym(n)为预测器的输入,预测器的输出为y^1(k),y^2(k),...y^m(k),通过预测器输出和传感器实际输出的比较得到残差,从而得到超限传感器的残差序列,基于某个准则对传感器信号是否异常做出判断,进行残差比较时,若第m个传感器残差em(k)超限,则用预测器输出替代预测器输入ym(k);
同组同类传感器预测器采用自关联神经网络(SSA-AANN)网络模型来实现,该模型由五层所组成,包括输入层、映射层、瓶颈层、解映层和输出层,进行模型建立;
AANN的工作流程如下:
S1:输入数据经过映射层,映射到高维度空间中;
S2:然后通过瓶颈层进行压缩;
S3:再通过解映层进行解映,并通过重建数据从原始空间维度输出;SSA的工作流程如下:
S1:通过优化算法与AANN结合,使它能够快速收敛到全局最优解;
S2:利用全局寻优,得到AANN神经网络最优初始权值和阈值;
S3:再用AANN神经网络进行局部寻优,得到精确的传感器解析冗余网络。SSA-AANN神经网络模型的建立步骤如下:
S1:数据处理;
S2:设置AANN的节点数,确定网络结构;
S3:定义SSA算法的维数k;
S4:设置SSA的参数;
S5:SSA适应度值的确定;
S6:最优解生成;
S7:优化AANN网络;
S8:构建测试数据进行测试,得到状态评估。
AANN模型的特点是输入数据与输出数据为近似值,且维数相同,映射层和解映层采用非线性传递函数(S型)来进行映射。
SSA即麻雀搜索算法,其在准确性,收敛速度,稳定性和鲁棒性方面均优于GA、PSO等算法,同时在高维运算时,能很好的提高其正确率,减少误差。
麻雀的位置矩阵的表示为:
其中i表示麻雀的数量,j表示要优化的变量维数,麻雀的适应度值表达式为:
式中的每一行的值表示个体的适应度值,表示在麻雀群体中,适应度值高的捕食者在搜索食物过程中更容易获得食物,同时捕食者在负责寻找食物的同时还要引导这个群体的流动。因此,捕食者的位置是不断更新的,在每次迭代期间,捕食者的位置更新表达式如下:
其中t表示当前迭代位置,b=1,2,......j,表示在迭代位置处于t时第a个麻雀所在第b维,α是一个随机数,它的范围在0-1之内,P2表示警报值,它的范围是[0,1],T是表示安全阈值,n为当前迭代次数,Q是随机数,L表示1×j的矩阵,当P2<T时,表示麻雀群周边没有威胁者,捕食者可以进入大范围的搜索模式,当P2≥T时,表示周边有威胁者,所有麻雀都需要迅速飞到其他安全区域去。而对于搜寻者,它们一旦发现捕食者找到好的食物,它们会去争抢食物,如果能获胜,可以抢得捕食者的食物,搜寻者位置更新的表达式如下:
式中是表示当前群体中最差的位置,是捕食者占据的最佳位置,A为一个1×j的矩阵,内部元素随机分配为-1或1,A+=AT(AAT)-1,当a>i/2时,表明适应性较差的第a个搜寻者最有可能被饿死,在进行训练时,把意识到有危险的麻雀设定为占这个群体的10%到20%,而它们的初始位置是随机产生的,它的数据表达式为:
其中是当前的全局最佳位置,并且是群体的中心完全位置,Β为步长控制参数,它是均值为0,方差为1的随机数的正态分布系数,K的范围为[-1,1]的随机数,fa是当前麻雀的适应度值,fg和fw是当前麻雀的全局最佳和最差适应度值,ε是一个最小常数,主要是避免分母出现零,fa>fg表示当前麻雀的位置处于群体的边缘外部,fa=fg表示位置中心的麻雀意识到有危险,要向其他地方靠近。K是控制系数,同时表示麻雀运动的方向。
根据前面的分析可以得到麻雀算法的基本步骤,其中G为最大迭代次数,T为安全阈值,P2为报警值,Pnmun为捕食者的数量,Snmun为意识到危险的麻雀数量,fa为当前适应度值,fg为全局最优适应度值,fw为全局最差适应度值,Xbest为当前最优适应度值所在的位置。
(5)构建同机关联传感器输出预测模型:SSA-AANN识别出第m个s传感器S信号异常,设该风机中与该传感器强关联的其他j个传感器k-1时刻及之前的输出序列分别为,将和一起作为预测器的输入,为预测器输出,根据步骤(4)的方法判断传感器信号是否异常,进行残差比较时,若该环节识别出的传感器信号仍然异常,则基本可判断不是风机本体状态异常引起的传感器信号异常,则比较器输出序列em(k)是传感器自身状态的反映,对em(k)进行深度网络故障学习分析,判断传感器的具体异常状态情况甚至故障类别形式做出识别。
本发明能实现传感器的固定偏差故障、漂移故障、精度下降故障、断电故障以及脉冲故障判断,其准确性高,检验率更高,现有的技术基本上都是对整个风机状态的评定,而该技术具体到传感器本身,更加精细,有利于工作人员快速准确地找到风机故障的具体原因,尤其是传感器本身有故障时,能快速精准找到故障传感器,而不需要对所有器件进行检测再来判定是该传感器出现了故障,这样可以节约维修的成本和时间,具有很大的经济效益。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:其方法包括如下步骤:
(1)获取数据:通过风电公司得到所需要的SCADA数据,采集到多种传感器的海量数据;
(2)数据筛选:采用层次聚类方法对数据进行智能筛选;
(2.1)首先对已经确认的小规模数据集A进行必要的预处理,然后进行聚类,得到簇群A1、A2和A3;
(2.2)然后将数据集A和数据集B合并形成新的数据集,通过同样的聚类算法,得到簇群B1、B2、B3、B4...Bn;
(2.3)将B簇群分别与A簇群进行相似性检验,满足相似性准则的某个B簇则认为具有数据A的特定特征;
(3)风电机组群分析:对风场的风机进行分析,找出其状态相似度高的风机作为风机群进行研究,将风电机组的输入定义为风速,输出定义为风电机组的有功功率,采用DTW算法计算风电机组相似度;
(4)构建风机群组内同位同类传感器输出预测器:设同组m个同类同位传感器S的实际输入分别为y1(n),y2(n),...ym(n),其中n为从序列起始时刻到k时刻的序列长度,y1(n),y2(n),...ym(n)为预测器的输入,预测器的输出为通过预测器输出和传感器实际输出的比较得到残差,从而得到超限传感器的残差序列,基于某个准则对传感器信号是否异常做出判断;
2.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(2.1)中,数据集A的预处理包括试验测试、统计分析谱分析和专家判断,以得到具有特定特征的数据集A。
3.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(2.2)中,数据集A和数据集B通过聚类并依照模型和参数准则合成新的数据集。
4.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(2.3)中,相似性检验时,将B1依次与A1、A2和A3进行对照检验,再将B2依次与A1、A2和A3进行对照检验,直至Bn对照完毕。
5.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(3)中,得到一个风机群的方法是把每台风机生成的数据看成是一个时间序列,通过计算风机之间的相似性来实现。
7.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(4)中,同组同类传感器预测器采用自关联神经网络(SSA-AANN)网络模型来实现,该模型由五层所组成,包括输入层、映射层、瓶颈层、解映层和输出层,进行模型建立;
AANN的工作流程如下:
S1:输入数据经过映射层,映射到高维度空间中;
S2:然后通过瓶颈层进行压缩;
S3:再通过解映层进行解映,并通过重建数据从原始空间维度输出;
SSA的工作流程如下:
S1:通过优化算法与AANN结合,使它能够快速收敛到全局最优解;
S2:利用全局寻优,得到AANN神经网络最优初始权值和阈值;
S3:再用AANN神经网络进行局部寻优,得到精确的传感器解析冗余网络。
8.根据权利要求7所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述SSA-AANN神经网络模型的建立步骤如下:
S1:数据处理;
S2:设置AANN的节点数,确定网络结构;
S3:定义SSA算法的维数k;
S4:设置SSA的参数;
S5:SSA适应度值的确定;
S6:最优解生成;
S7:优化AANN网络;
S8:构建测试数据进行测试,得到状态评估。
9.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(5)中,进行残差比较时,若该环节识别出的传感器信号仍然异常,则基本可判断不是风机本体状态异常引起的传感器信号异常,则比较器输出序列em(k)是传感器自身状态的反映,对em(k)进行深度网络故障学习分析,判断传感器的具体异常状态情况甚至故障类别形式做出识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860000.4A CN111950505B (zh) | 2020-08-24 | 2020-08-24 | 一种ssa-aann的风力发电机传感器状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860000.4A CN111950505B (zh) | 2020-08-24 | 2020-08-24 | 一种ssa-aann的风力发电机传感器状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950505A true CN111950505A (zh) | 2020-11-17 |
CN111950505B CN111950505B (zh) | 2023-08-29 |
Family
ID=73360441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010860000.4A Active CN111950505B (zh) | 2020-08-24 | 2020-08-24 | 一种ssa-aann的风力发电机传感器状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950505B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465119A (zh) * | 2020-12-08 | 2021-03-09 | 武汉理工光科股份有限公司 | 一种基于深度学习的消防险情预警方法及装置 |
CN112488401A (zh) * | 2020-12-08 | 2021-03-12 | 武汉理工光科股份有限公司 | 一种火灾逃生路线指引方法及系统 |
CN112654050A (zh) * | 2020-12-21 | 2021-04-13 | 江西理工大学 | 一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案 |
CN112798956A (zh) * | 2020-12-31 | 2021-05-14 | 江苏国科智能电气有限公司 | 基于多分辨率时序循环神经网络的风电机组故障诊断方法 |
CN113433456A (zh) * | 2021-06-25 | 2021-09-24 | 西安热工研究院有限公司 | 一种基于电流波形相似度的发电机故障诊断系统及方法 |
CN114708718A (zh) * | 2022-06-07 | 2022-07-05 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
CN114994451A (zh) * | 2022-08-08 | 2022-09-02 | 山东交通职业学院 | 一种船舶电气设备故障探测方法及系统 |
CN115434878A (zh) * | 2022-11-09 | 2022-12-06 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106714220A (zh) * | 2017-01-06 | 2017-05-24 | 江南大学 | 一种基于mea‑bp神经网络wsn异常检测方法 |
US20180231394A1 (en) * | 2014-09-10 | 2018-08-16 | Siemens Energy, Inc. | Gas turbine sensor failure detection utilizing a sparse coding methodology |
CN110083940A (zh) * | 2019-04-28 | 2019-08-02 | 东华大学 | 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法 |
CN110097209A (zh) * | 2019-03-26 | 2019-08-06 | 朗坤智慧科技股份有限公司 | 一种基于参数残差的设备劣化分析方法 |
CN110794683A (zh) * | 2019-11-27 | 2020-02-14 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 |
CN111415070A (zh) * | 2020-03-03 | 2020-07-14 | 浙江运达风电股份有限公司 | 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 |
CN111474919A (zh) * | 2020-04-27 | 2020-07-31 | 西北工业大学 | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 |
CN111506049A (zh) * | 2020-04-27 | 2020-08-07 | 西北工业大学 | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 |
-
2020
- 2020-08-24 CN CN202010860000.4A patent/CN111950505B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180231394A1 (en) * | 2014-09-10 | 2018-08-16 | Siemens Energy, Inc. | Gas turbine sensor failure detection utilizing a sparse coding methodology |
CN106714220A (zh) * | 2017-01-06 | 2017-05-24 | 江南大学 | 一种基于mea‑bp神经网络wsn异常检测方法 |
CN110097209A (zh) * | 2019-03-26 | 2019-08-06 | 朗坤智慧科技股份有限公司 | 一种基于参数残差的设备劣化分析方法 |
CN110083940A (zh) * | 2019-04-28 | 2019-08-02 | 东华大学 | 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法 |
CN110794683A (zh) * | 2019-11-27 | 2020-02-14 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 |
CN111415070A (zh) * | 2020-03-03 | 2020-07-14 | 浙江运达风电股份有限公司 | 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 |
CN111474919A (zh) * | 2020-04-27 | 2020-07-31 | 西北工业大学 | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 |
CN111506049A (zh) * | 2020-04-27 | 2020-08-07 | 西北工业大学 | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465119A (zh) * | 2020-12-08 | 2021-03-09 | 武汉理工光科股份有限公司 | 一种基于深度学习的消防险情预警方法及装置 |
CN112488401A (zh) * | 2020-12-08 | 2021-03-12 | 武汉理工光科股份有限公司 | 一种火灾逃生路线指引方法及系统 |
CN112488401B (zh) * | 2020-12-08 | 2022-12-02 | 武汉理工光科股份有限公司 | 一种火灾逃生路线指引方法及系统 |
CN112654050A (zh) * | 2020-12-21 | 2021-04-13 | 江西理工大学 | 一种增强型麻雀搜索算法的无线传感器网络优化覆盖方案 |
CN112798956A (zh) * | 2020-12-31 | 2021-05-14 | 江苏国科智能电气有限公司 | 基于多分辨率时序循环神经网络的风电机组故障诊断方法 |
CN113433456A (zh) * | 2021-06-25 | 2021-09-24 | 西安热工研究院有限公司 | 一种基于电流波形相似度的发电机故障诊断系统及方法 |
CN113433456B (zh) * | 2021-06-25 | 2022-11-01 | 西安热工研究院有限公司 | 一种基于电流波形相似度的发电机故障诊断系统及方法 |
CN114708718A (zh) * | 2022-06-07 | 2022-07-05 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
CN114994451A (zh) * | 2022-08-08 | 2022-09-02 | 山东交通职业学院 | 一种船舶电气设备故障探测方法及系统 |
CN114994451B (zh) * | 2022-08-08 | 2022-10-11 | 山东交通职业学院 | 一种船舶电气设备故障探测方法及系统 |
CN115434878A (zh) * | 2022-11-09 | 2022-12-06 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
CN115434878B (zh) * | 2022-11-09 | 2023-02-03 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111950505B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950505A (zh) | 一种ssa-aann的风力发电机传感器状态评估方法 | |
CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
Li et al. | A novel wind speed-sensing methodology for wind turbines based on digital twin technology | |
CN107609574A (zh) | 基于数据挖掘的风电机组故障预警方法 | |
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 | |
CN110796281B (zh) | 基于改进深度信念网络的风电机组状态参数预测方法 | |
Mansouri et al. | Interval-valued reduced RNN for fault detection and diagnosis for wind energy conversion systems | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
CN112746934A (zh) | 一种自联想神经网络诊断风机故障方法 | |
EP4038462A1 (en) | System and method for fusing multiple analytics of a wind turbine for improved efficiency | |
CN114215706A (zh) | 一种风电机组叶片开裂故障预警方法和装置 | |
Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
Vera-Tudela et al. | On the selection of input variables for a wind turbine load monitoring system | |
CN115314235A (zh) | 用于风力涡轮控制系统中的网络攻击检测的系统和方法 | |
Baltazar et al. | A review on neurocomputing based wind turbines fault diagnosis and prognosis | |
US20230281472A1 (en) | Generating training data sets for power output prediction | |
CN107527093B (zh) | 一种风电机组运行状态诊断方法及装置 | |
CN109325553A (zh) | 一种风电齿轮箱故障检测方法、系统、设备及介质 | |
JP2005242803A (ja) | 機械の性能推定器、性能推定方法及び性能推定プログラム | |
CN111062509A (zh) | 一种基于改进神经网络的风功率中短期预测方法及系统 | |
US20180087489A1 (en) | Method for windmill farm monitoring | |
Mokhtari et al. | Fault diagnosis of a wind turbine benchmark via statistical and support vector machine | |
Chokr et al. | Feature extraction-reduction and machine learning for fault diagnosis in PV panels | |
Dou et al. | Fault detection for wind turbines via long short-term memory network |
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 |