CN113255210A - 一种风电机组联邦故障诊断方法及系统 - Google Patents
一种风电机组联邦故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113255210A CN113255210A CN202110520120.4A CN202110520120A CN113255210A CN 113255210 A CN113255210 A CN 113255210A CN 202110520120 A CN202110520120 A CN 202110520120A CN 113255210 A CN113255210 A CN 113255210A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- fault diagnosis
- turbine generator
- local
- diagnosis model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Abstract
本发明公开一种风电机组联邦故障诊断方法及系统,先基于风电场内相同类型风电机组构建风电机组的训练集和测试集;然后基于联邦学习框架,根据所述训练集对本地故障诊断模型进行训练,获得各风电机组对应的最优共享故障诊断模型;最后将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断,获得风电机组故障诊断结果。本发明基于联邦学习框架实现多台风电机组数据共享,通过“数据不动模型动”的方式,在数据不出本地的情况下,将各台风电机组联合起来进行联邦训练,在有效的保护不同风电机组制造商数据隐私的同时,丰富了故障类型并解决了风电机组间存在的数据孤岛问题,在风电机组故障诊断领域中具有广阔的前景。
Description
技术领域
本发明涉及风力发电机组故障诊断技术领域,特别是涉及一种风电机组联邦故障诊断方法及系统。
背景技术
近年来,风能作为一种清洁、低成本的可再生能源越来越受到各国的关注。截止2019年底,全球风电总装机规模已达651GW。我国无论是海上新装机容量还是陆上新装机容量均位居世界第一。但是,随着风力发电机组安装数量的增加,由于其复杂的运行条件和恶劣的工作环境,致使风力发电机组极易发生故障,严重时甚至会导致机组停机。这往往会导致较高的运行和维护成本。因此,及时发现并准确识别风机的故障类型具有重要的意义。
目前风电机组的故障诊断方法主要分为两种:基于物理模型的故障诊断方法、基于数据驱动的故障诊断方法。风电机组结构复杂、变量繁多,而且具有复杂多变的动态运行工况,难以建立准确的数学模型,这限制了基于模型的故障诊断方法的发展和使用;基于数据驱动的方法虽然不需要严格的数学建模和过多的专家先验知识,但是由于单一风电机组具有故障局限性,即故障种类有限,因此通常需要更多来自其他风电机组的数据,即需要大量高质量的监督数据来进行训练,而由于成本问题,在实际中很难收集这些精确标记的状态监测数据,这就给数据驱动方法的应用带来障碍,并且由于潜在的利益冲突,数据隐私在实际工业中非常重要,这就造成了数据孤岛问题,数据作为学习算法的“营养”很难做到充分的共享,为了解决上述问题,联邦学习作为一种极具潜力的解决方案应运而生。
联邦学习(Federated Learning)能够通过“数据不动模型动”的方式,即在数据不出本地的情况下,仅通过中央服务器与客户端之间参数的传递,就可以不断的更新完善模型,从而克服了传统数据驱动的故障诊断方法需要建立庞大的数据库的缺点。目前,联邦学习在风电机组故障诊断领域是一项空白,风电机组联邦故障诊断在国内外还尚未报道。基于联邦学习独特的分布式学习优势,如何针对大量高质量的数据不易共享及单台风电机组数据故障种类有限的缺点,提出一种风电机组联邦故障诊断方法成为本领域急需解决的技术问题。
发明内容
本发明的目的是提供一种风电机组联邦故障诊断方法及系统,以实现数据共享。
为实现上述目的,本发明提供了一种风电机组联邦故障诊断方法,所述方法包括:
步骤S10:基于风电场内相同类型风电机组构建风电机组的训练集和测试集;
步骤S20:基于联邦学习框架,根据所述训练集对本地故障诊断模型进行训练,获得各风电机组对应的最优共享故障诊断模型;
步骤S30:将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断,获得风电机组故障诊断结果;所述最优共享故障诊断模型包括多尺度残差网络、注意力机制网络、长短期记忆网络和softmax分类层。
可选地,所述基于联邦学习框架,根据所述训练集对本地故障诊断模型进行训练,获得各风电机组对应的最优共享故障诊断模型,包括:
步骤S201:初始化各风电机组对应的本地故障诊断模型的参数;所述参数包括初始权重全局迭代总次数K=50、客户端总数N=10、客户端选择比例C=0.5、客户端批处理大小b=128、学习率α=0.01和丢弃率Dropout=0.5;其中,表示第N台风电机组对应的本地故障诊断模型的初始权重;
中央服务器端执行以下步骤:
步骤S202:令全局迭代初始次数k为0,n为1,初始计步次数t=0;
步骤S203:随机选取设定台数不同地点的风电机组作为联邦学习框架下不同的客户端;根据所述客户端总数N和客户端选择比例C确定设定台数Z;
步骤S205:判断n是否小于Z;如果n大于或等于Z,则执行“步骤S206”;如果n小于Z,则令n=n+1,并返回“步骤S204”;
步骤S206:令t=t+1,并判断t%τ是否等于0;如果t%τ等于0,则执行“步骤S207”;如果t%τ不等于0,则返回“步骤S204”;
步骤S208:将更新后的全局权重参数部署到Z台风电机组作为各本地故障诊断模型第k+1次本地迭代更新前的权重参数并判断k是否大于或等于K;如果k大于或等于K,则执行“步骤S209”;如果k小于K,则令k=k+1,并返回“步骤S203”;
步骤S209:令各台风电机组判断由损失函数得到的损失值是否连续设定次数小于某一固定值;如果连续设定次数小于某一固定值,则说明收敛,停止本地参数的上传及全局权重参数的更新,将最后一次部署到各风电机组的全局参数作为最优参数,将最优参数对应的本地故障诊断模型作为最优共享故障诊断模型输出;如果连续设定次数大于或等于某一固定值,则说明未收敛,令k=k+1,并返回“步骤S203”。
可选地,所述基于联邦学习框架,根据所述训练集对本地故障诊断模型进行训练,获得各风电机组对应的最优共享故障诊断模型,还包括:
风电机组端执行以下步骤:
步骤S210:令Q=1,n=1;
步骤S212:判断n是否小于Z;如果n大于或等于Z,则执行“步骤S213”;如果n小于Z,则令n=n+1,并返回“步骤S211”;
可选地,所述基于风电场内相同类型风电机组构建风电机组的训练集和测试集,具体包括:
步骤S101:基于风电场内相同类型不同地点的风电机组构建本地样本集;
步骤S102:对所述本地样本集内的各多变量时间序列数据进行归一化处理,获得归一化样本集;
步骤S103:按照设定比例将所述归一化样本集进行划分,获得风电机组的训练集和测试集。
可选地,所述将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断,获得风电机组故障诊断结果,具体包括:
步骤S301:利用所述多尺度残差网络捕获所述测试集中空间多尺度特征;
步骤S302:利用所述注意力机制对所述空间多尺度特征进行加权处理,保留重要特征;
步骤S303:将所述重要特征输入所述长短期记忆网络进一步挖掘数据的时间相关性,获得时空多尺度特征;
步骤S304:将所述时空多尺度特征输入到softmax分类层进行故障诊断,获得风电机组故障诊断结果。
本发明还提供一种风电机组联邦故障诊断系统,所述系统包括:
集合构建模块,用于基于风电场内相同类型风电机组构建风电机组的训练集和测试集;
最优共享故障诊断模型训练模块,用于基于联邦学习框架,根据所述训练集对本地故障诊断模型进行训练,获得各风电机组对应的最优共享故障诊断模型;
故障诊断模块,用于将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断,获得风电机组故障诊断结果;所述最优共享故障诊断模型包括多尺度残差网络、注意力机制网络、长短期记忆网络和softmax分类层。
可选地,所述最优共享故障诊断模型训练模块,包括:
初始化单元,用于初始化各风电机组对应的本地故障诊断模型的参数;所述参数包括初始权重全局迭代总次数K=50、客户端总数N=10、客户端选择比例C=0.5、客户端批处理大小b=128、学习率α=0.01和丢弃率Dropout=0.5;其中,表示第N台风电机组对应的本地故障诊断模型的初始权重;
中央服务器端:
第一赋值单元,用于令全局迭代初始次数k为0,n为1,初始计步次数t=0;
风电机组选取单元,用于随机选取设定台数不同地点的风电机组作为联邦学习框架下不同的客户端;根据所述客户端总数N和客户端选择比例C确定设定台数Z;
第一判断单元,用于判断n是否小于Z;如果n大于或等于Z,则执行“第二判断单元”;如果n小于Z,则令n=n+1,并返回“第一更新单元”;
第二判断单元,用于令t=t+1,并判断t%τ是否等于0;如果t%τ等于0,则执行“聚合单元”;如果t%τ不等于0,则返回“第一更新单元”;
第三判断单元,用于将更新后的全局权重参数部署到Z台风电机组作为各本地故障诊断模型第k+1次本地迭代更新前的权重参数并判断k是否大于或等于K;如果k大于或等于K,则执行“第四判断单元”;如果k小于K,则令k=k+1,并返回“风电机组选取单元”;
第四判断单元,用于令各台风电机组判断由损失函数得到的损失值是否连续设定次数小于某一固定值;如果连续设定次数小于某一固定值,则说明收敛,停止本地参数的上传及全局权重参数的更新,将最后一次部署到各风电机组的全局参数作为最优参数,将最优参数对应的本地故障诊断模型作为最优共享故障诊断模型输出;如果连续设定次数大于或等于某一固定值,则说明未收敛,令k=k+1,并返回“风电机组选取单元”。
可选地,所述最优共享故障诊断模型训练模块,还包括:
风电机组端:
第二赋值单元,用于令Q=1,n=1;
第五判断单元,用于判断n是否小于Z;如果n大于或等于Z,则执行“第六判断单元”;如果n小于Z,则令n=n+1,并返回“第二更新单元”;
可选地,所述故障诊断模块,具体包括:
捕获单元,用于利用所述多尺度残差网络捕获所述测试集中空间多尺度特征;
加权处理单元,用于利用所述注意力机制对所述空间多尺度特征进行加权处理,保留重要特征;
数据挖掘单元,用于将所述重要特征输入所述长短期记忆网络进一步挖掘数据的时间相关性,获得时空多尺度特征;
故障诊断单元,用于将所述时空多尺度特征输入到softmax分类层进行故障诊断,获得风电机组故障诊断结果。
可选地,所述集合构建模块,具体包括:
本地样本集构建单元,用于基于风电场内相同类型不同地点的风电机组构建本地样本集;
归一化处理单元,用于对所述本地样本集内的各多变量时间序列数据进行归一化处理,获得归一化样本集;
集合划分单元,用于按照设定比例将所述归一化样本集进行划分,获得风电机组的训练集和测试集。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明基于联邦学习框架实现多台风电机组数据共享,通过“数据不动模型动”的方式,在数据不出本地的情况下,将各台风电机组联合起来进行联邦训练,在有效的保护不同风电机组制造商数据隐私的同时,丰富了故障类型并解决了风电机组间存在的数据孤岛问题及单一风电机组数据故障种类有限的问题,在风电机组故障诊断领域中具有广阔的前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1风电机组联邦故障诊断框架示意图;
图2为本发明实施例1确定最优共享故障诊断模型代码图;
图3为本发明实施例1风电机组联邦故障诊断方法流程图;
图4为本发明实施例2最优共享故障诊断模型结构图;
图5为本发明实施例2多尺度空间特征提取模块结构图;
图6为本发明实施例2风电机组联邦故障诊断系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,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。
本发明的目的是提供一种风电机组联邦故障诊断方法及系统,以实现数据共享。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图3所示,本发明公开一种风电机组联邦故障诊断方法,所述方法包括:
步骤S10:基于风电场内相同类型风电机组构建风电机组的训练集和测试集;
步骤S20:基于联邦学习框架,根据所述训练集对本地故障诊断模型进行训练,获得各风电机组对应的最优共享故障诊断模型;
步骤S30:将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断,获得风电机组故障诊断结果;所述最优共享故障诊断模型包括多尺度残差网络、注意力机制网络、长短期记忆网络和softmax分类层。
下面对各个步骤进行详细论述:
步骤S10:基于风电场内相同类型风电机组构建风电机组的训练集和测试集,具体包括:
步骤S101:基于风电场内相同类型不同地点的风电机组构建本地样本集;所述本地样本集包括风电场内相同类型风电机组对应的多变量时间序列数据;本实施例中,利用数据采集与监测控制系统采集风电场内相同类型风电机组对应的多变量时间序列数据。
步骤S102:对所述本地样本集内的各多变量时间序列数据进行归一化处理,获得归一化样本集。
本实施例中,将不同量纲差异的多变量时间序列数据进行归一化处理,使多变量时间序列数据处在[0,1]区间内,具体进行归一化处理的具体公式为:
其中,x′ij表示归一化后的多变量时间序列数据中第个j变量对应的第i个样本值(即数据),xij表示归一化前的原始多变量序列中第个j变量对应的第i个样本值,min(xj)和max(xj)分别表示第个j变量的最小和最大样本值。
步骤S103:按照设定比例将所述归一化样本集进行划分,获得风电机组的训练集和测试集,如图1中的①。本实施例中按照9:1的比例进行划分。
步骤S20:基于联邦学习框架,根据所述训练集对本地故障诊断模型进行训练,获得各风电机组对应的最优共享故障诊断模型;所述联邦学习框架包括中央服务器端和风电机组端;所述风电机组端包括N台风电机组,一台风电机组作为一个客户端。
如图2所示,步骤S20具体包括:
步骤S201:初始化各风电机组对应的本地故障诊断模型的参数;所述参数包括初始权重全局迭代总次数K=50、客户端总数N=10、客户端选择比例C=0.5、客户端批处理大小b=128、学习率α=0.01和丢弃率Dropout=0.5;其中,表示第N台风电机组对应的本地故障诊断模型的初始权重。
中央服务器端执行以下步骤:
步骤S202:令全局迭代初始次数k为0,n为1,初始计步次数t=0。
步骤S203:随机选取设定台数不同地点的风电机组作为联邦学习框架下不同的客户端;根据所述客户端总数N和客户端选择比例C确定设定台数Z,具体公式为:Z=N×C。
步骤S205:判断n是否小于Z;如果n大于或等于Z,则执行“步骤S206”;如果n小于Z,则令n=n+1,并返回“步骤S204”。
步骤S206:令t=t+1,并判断t%τ是否等于0;如果t%τ等于0,则执行“步骤S207”;如果t%τ不等于0,则返回“步骤S204”。
步骤S207:采用聚合算法,根据确定第k次全局迭代次数对应的全局权重参数如图1中的④;其中,Z表示设定台数,M()表示噪声发生器,表示更新后的第n台风电机组第k次全局迭代训练对应的本地故障诊断模型的权重参数。
本发明通过给共享权值添加噪声以进行模糊处理,从而保护数据免受反向攻击,提高隐私保护能力。
步骤S208:将更新后的全局权重参数部署到Z台风电机组作为各本地故障诊断模型第k+1次本地迭代更新前的权重参数如图1中的⑤,并判断k是否大于或等于K;如果k大于或等于K,则执行“步骤S209”;如果k小于K,则令k=k+1,并返回“步骤S203”。
步骤S209:令各台风电机组判断由损失函数得到的损失值是否连续10次小于某一固定值;如果连续10次小于某一固定值,则说明收敛,停止本地参数的上传及全局权重参数的更新,将最后一次部署到各风电机组的全局参数作为最优参数,将最优参数对应的本地故障诊断模型作为最优共享故障诊断模型输出;如果连续10次大于或等于某一固定值,则说明未收敛,令k=k+1,并返回“步骤S203”。
风电机组端执行以下步骤:
步骤S210:令Q=1,n=1。
步骤S212:判断n是否小于Z;如果n大于或等于Z,则执行“步骤S213”;如果n小于Z,则令n=n+1,并返回“步骤S211”。
步骤S30:将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断,获得风电机组故障诊断结果;所述最优共享故障诊断模型包括多尺度残差网络、注意力机制网络、长短期记忆网络和softmax分类层。
步骤S301:利用所述多尺度残差网络捕获所述测试集中空间多尺度特征。
步骤S302:利用所述注意力机制对所述空间多尺度特征进行加权处理,保留重要特征;所述重要特征为权重占比最大的特征或权重占比较大的特征(即大于设定阈值的特征)。
步骤S303:将所述重要特征输入所述长短期记忆网络进一步挖掘数据的时间相关性,获得时空多尺度特征。
步骤S304:将所述时空多尺度特征输入到softmax分类层进行故障诊断,获得风电机组故障诊断结果。
实施例2
如图6所示,本发明还提供一种风电机组联邦故障诊断系统,所述系统包括:
集合构建模块601,用于基于风电场内相同类型风电机组构建风电机组的训练集和测试集。
最优共享故障诊断模型训练模块602,用于基于联邦学习框架,根据所述训练集对本地故障诊断模型进行训练,获得各风电机组对应的最优共享故障诊断模型。
故障诊断模块603,用于将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断,获得风电机组故障诊断结果;所述最优共享故障诊断模型包括多尺度残差网络、注意力机制网络、长短期记忆网络和softmax分类层。
作为一种可选的实施方式,所述最优共享故障诊断模型训练模块602,包括:
初始化单元,用于初始化各风电机组对应的本地故障诊断模型的参数;所述参数包括初始权重全局迭代总次数K=50、客户端总数N=10、客户端选择比例C=0.5、客户端批处理大小b=128、学习率α=0.01和丢弃率Dropout=0.5;其中,表示第N台风电机组对应的本地故障诊断模型的初始权重。
中央服务器端:
第一赋值单元,用于令全局迭代初始次数k为0,n为1,初始计步次数t=0。
风电机组选取单元,用于随机选取设定台数不同地点的风电机组作为联邦学习框架下不同的客户端;根据所述客户端总数N和客户端选择比例C确定设定台数Z。
第一判断单元,用于判断n是否小于Z;如果n大于或等于Z,则执行“第二判断单元”;如果n小于Z,则令n=n+1,并返回“第一更新单元”;
第二判断单元,用于令t=t+1,并判断t%τ是否等于0;如果t%τ等于0,则执行“聚合单元”;如果t%τ不等于0,则返回“第一更新单元”。
第三判断单元,用于将更新后的全局权重参数部署到Z台风电机组作为各本地故障诊断模型第k+1次本地迭代更新前的权重参数并判断k是否大于或等于K;如果k大于或等于K,则执行“第四判断单元”;如果k小于K,则令k=k+1,并返回“风电机组选取单元”。
第四判断单元,用于令各台风电机组判断由损失函数得到的损失值是否连续设定次数小于某一固定值;如果连续设定次数小于某一固定值,则说明收敛,停止本地参数的上传及全局权重参数的更新,将最后一次部署到各风电机组的全局参数作为最优参数,将最优参数对应的本地故障诊断模型作为最优共享故障诊断模型输出;如果连续设定次数大于或等于某一固定值,则说明未收敛,令k=k+1,并返回“风电机组选取单元”。
风电机组端:
第二赋值单元,用于令Q=1,n=1。
第五判断单元,用于判断n是否小于Z;如果n大于或等于Z,则执行“第六判断单元”;如果n小于Z,则令n=n+1,并返回“第二更新单元”。
作为一种可选的实施方式,所述故障诊断模块,具体包括:
捕获单元,用于利用所述多尺度残差网络捕获所述测试集中空间多尺度特征。
加权处理单元,用于利用所述注意力机制对所述空间多尺度特征进行加权处理,保留重要特征。
数据挖掘单元,用于将所述重要特征输入所述长短期记忆网络进一步挖掘数据的时间相关性,获得时空多尺度特征。
故障诊断单元,用于将所述时空多尺度特征输入到softmax分类层进行故障诊断,获得风电机组故障诊断结果。
作为一种可选的实施方式,所述集合构建模块,具体包括:
本地样本集构建单元,用于基于风电场内相同类型不同地点的风电机组构建本地样本集。
归一化处理单元,用于对所述本地样本集内的各多变量时间序列数据进行归一化处理,获得归一化样本集。
集合划分单元,用于按照设定比例将所述归一化样本集进行划分,获得风电机组的训练集和测试集。
如图4所示,本发明所述最优共享故障诊断模型包括多尺度空间特征提取模块、时间特征提取模块和softmax分类层,多尺度空间特征提取模块包括多尺度残差网络和注意力机制网络,时间特征提取模块由长短期记忆网络所构成;图5为图4中的多尺度空间特征提取模块的具体结构图,多尺度空间特征提取模块包括多尺度残差网络和注意力机制网络,多尺度残差网络用于捕获空间多尺度特征,通过给不同深度的卷积层加入注意力机制,以提取不同尺度空间特征中故障诊断信息最丰富的部分,即聚焦于多尺度残差网络捕获特征的重要特征。
本发明根据风电机组采集到的数据采集与监测控制数据固有的多变量时空相关性,提出一种基于注意力机制的多尺度时空网络模型作为最优共享故障诊断模型,该网络主要分为多尺度空间特征提取模块和时间特征提取模块,多尺度空间特征提取模块包括多尺度残差网络和注意力机制网络,时间特征提取模块由长短期记忆网络所构成;多尺度残差网络用于捕获空间多尺度特征,注意力机制对空间多尺度特征进行加权处理,保留权重占比较大的特征,即聚焦于多尺度残差网络捕获特征的重要特征;将重要特征作为长短期记忆网络的输入,进一步挖掘数据的时间相关性,最终得到时空多尺度特征,因此能够充分有效地挖掘出SCADA数据中蕴藏的风电机组故障信息,提升诊断性能。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种风电机组联邦故障诊断方法,其特征在于,所述方法包括:
步骤S10:基于风电场内相同类型风电机组构建风电机组的训练集和测试集;
步骤S20:基于联邦学习框架,根据所述训练集对本地故障诊断模型进行训练,获得各风电机组对应的最优共享故障诊断模型;
步骤S30:将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断,获得风电机组故障诊断结果;所述最优共享故障诊断模型包括多尺度残差网络、注意力机制网络、长短期记忆网络和softmax分类层。
2.根据权利要求1所述的风电机组联邦故障诊断方法,其特征在于,所述基于联邦学习框架,根据所述训练集对本地故障诊断模型进行训练,获得各风电机组对应的最优共享故障诊断模型,包括:
步骤S201:初始化各风电机组对应的本地故障诊断模型的参数;所述参数包括初始权重全局迭代总次数K=50、客户端总数N=10、客户端选择比例C=0.5、客户端批处理大小b=128、学习率α=0.01和丢弃率Dropout=0.5;其中,表示第N台风电机组对应的本地故障诊断模型的初始权重;
中央服务器端执行以下步骤:
步骤S202:令全局迭代初始次数k为0,n为1,初始计步次数t=0;
步骤S203:随机选取设定台数不同地点的风电机组作为联邦学习框架下不同的客户端;根据所述客户端总数N和客户端选择比例C确定设定台数Z;
步骤S205:判断n是否小于Z;如果n大于或等于Z,则执行“步骤S206”;如果n小于Z,则令n=n+1,并返回“步骤S204”;
步骤S206:令t=t+1,并判断t%τ是否等于0;如果t%τ等于0,则执行“步骤S207”;如果t%τ不等于0,则返回“步骤S204”;
步骤S208:将更新后的全局权重参数部署到Z台风电机组作为各本地故障诊断模型第k+1次本地迭代更新前的权重参数并判断k是否大于或等于K;如果k大于或等于K,则执行“步骤S209”;如果k小于K,则令k=k+1,并返回“步骤S203”;
步骤S209:令各台风电机组判断由损失函数得到的损失值是否连续设定次数小于某一固定值;如果连续设定次数小于某一固定值,则说明收敛,停止本地参数的上传及全局权重参数的更新,将最后一次部署到各风电机组的全局参数作为最优参数,将最优参数对应的本地故障诊断模型作为最优共享故障诊断模型输出;如果连续设定次数大于或等于某一固定值,则说明未收敛,令k=k+1,并返回“步骤S203”。
3.根据权利要求2所述的风电机组联邦故障诊断方法,其特征在于,所述基于联邦学习框架,根据所述训练集对本地故障诊断模型进行训练,获得各风电机组对应的最优共享故障诊断模型,还包括:
风电机组端执行以下步骤:
步骤S210:令Q=1,n=1;
步骤S212:判断n是否小于Z;如果n大于或等于Z,则执行“步骤S213”;如果n小于Z,则令n=n+1,并返回“步骤S211”;
4.根据权利要求1所述的风电机组联邦故障诊断方法,其特征在于,所述基于风电场内相同类型风电机组构建风电机组的训练集和测试集,具体包括:
步骤S101:基于风电场内相同类型不同地点的风电机组构建本地样本集;
步骤S102:对所述本地样本集内的各多变量时间序列数据进行归一化处理,获得归一化样本集;
步骤S103:按照设定比例将所述归一化样本集进行划分,获得风电机组的训练集和测试集。
5.根据权利要求1所述的风电机组联邦故障诊断方法,其特征在于,所述将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断,获得风电机组故障诊断结果,具体包括:
步骤S301:利用所述多尺度残差网络捕获所述测试集中空间多尺度特征;
步骤S302:利用所述注意力机制对所述空间多尺度特征进行加权处理,保留重要特征;
步骤S303:将所述重要特征输入所述长短期记忆网络进一步挖掘数据的时间相关性,获得时空多尺度特征;
步骤S304:将所述时空多尺度特征输入到softmax分类层进行故障诊断,获得风电机组故障诊断结果。
6.一种风电机组联邦故障诊断系统,其特征在于,所述系统包括:
集合构建模块,用于基于风电场内相同类型风电机组构建风电机组的训练集和测试集;
最优共享故障诊断模型训练模块,用于基于联邦学习框架,根据所述训练集对本地故障诊断模型进行训练,获得各风电机组对应的最优共享故障诊断模型;
故障诊断模块,用于将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断,获得风电机组故障诊断结果;所述最优共享故障诊断模型包括多尺度残差网络、注意力机制网络、长短期记忆网络和softmax分类层。
7.根据权利要求6所述的风电机组联邦故障诊断系统,其特征在于,所述最优共享故障诊断模型训练模块,包括:
初始化单元,用于初始化各风电机组对应的本地故障诊断模型的参数;所述参数包括初始权重全局迭代总次数K=50、客户端总数N=10、客户端选择比例C=0.5、客户端批处理大小b=128、学习率α=0.01和丢弃率Dropout=0.5;其中,表示第N台风电机组对应的本地故障诊断模型的初始权重;
中央服务器端:
第一赋值单元,用于令全局迭代初始次数k为0,n为1,初始计步次数t=0;
风电机组选取单元,用于随机选取设定台数不同地点的风电机组作为联邦学习框架下不同的客户端;根据所述客户端总数N和客户端选择比例C确定设定台数Z;
第一更新单元,用于中央服务器作为训练协作者,协作更新风电机组端第n台风电机组第k次全局迭代训练对应的本地故障诊断模型的权重参数ωnk;
第一判断单元,用于判断n是否小于Z;如果n大于或等于Z,则执行“第二判断单元”;如果n小于Z,则令n=n+1,并返回“第一更新单元”;
第二判断单元,用于令t=t+1,并判断t%τ是否等于0;如果t%τ等于0,则执行“聚合单元”;如果t%τ不等于0,则返回“第一更新单元”;
第三判断单元,用于将更新后的全局权重参数部署到Z台风电机组作为各本地故障诊断模型第k+1次本地迭代更新前的权重参数并判断k是否大于或等于K;如果k大于或等于K,则执行“第四判断单元”;如果k小于K,则令k=k+1,并返回“风电机组选取单元”;
第四判断单元,用于令各台风电机组判断由损失函数得到的损失值是否连续设定次数小于某一固定值;如果连续设定次数小于某一固定值,则说明收敛,停止本地参数的上传及全局权重参数的更新,将最后一次部署到各风电机组的全局参数作为最优参数,将最优参数对应的本地故障诊断模型作为最优共享故障诊断模型输出;如果连续设定次数大于或等于某一固定值,则说明未收敛,令k=k+1,并返回“风电机组选取单元”。
8.根据权利要求7所述的风电机组联邦故障诊断系统,其特征在于,所述最优共享故障诊断模型训练模块,还包括:
风电机组端:
第二赋值单元,用于令Q=1,n=1;
第五判断单元,用于判断n是否小于Z;如果n大于或等于Z,则执行“第六判断单元”;如果n小于Z,则令n=n+1,并返回“第二更新单元”;
9.根据权利要求6所述的风电机组联邦故障诊断系统,其特征在于,所述故障诊断模块,具体包括:
捕获单元,用于利用所述多尺度残差网络捕获所述测试集中空间多尺度特征;
加权处理单元,用于利用所述注意力机制对所述空间多尺度特征进行加权处理,保留重要特征;
数据挖掘单元,用于将所述重要特征输入所述长短期记忆网络进一步挖掘数据的时间相关性,获得时空多尺度特征;
故障诊断单元,用于将所述时空多尺度特征输入到softmax分类层进行故障诊断,获得风电机组故障诊断结果。
10.根据权利要求6所述的风电机组联邦故障诊断系统,其特征在于,所述集合构建模块,具体包括:
本地样本集构建单元,用于基于风电场内相同类型不同地点的风电机组构建本地样本集;
归一化处理单元,用于对所述本地样本集内的各多变量时间序列数据进行归一化处理,获得归一化样本集;
集合划分单元,用于按照设定比例将所述归一化样本集进行划分,获得风电机组的训练集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110520120.4A CN113255210B (zh) | 2021-05-13 | 2021-05-13 | 一种风电机组联邦故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110520120.4A CN113255210B (zh) | 2021-05-13 | 2021-05-13 | 一种风电机组联邦故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255210A true CN113255210A (zh) | 2021-08-13 |
CN113255210B CN113255210B (zh) | 2022-12-02 |
Family
ID=77181725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110520120.4A Active CN113255210B (zh) | 2021-05-13 | 2021-05-13 | 一种风电机组联邦故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255210B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807027A (zh) * | 2021-10-09 | 2021-12-17 | 华北电力大学(保定) | 一种风电机组健康状态评估模型、方法及系统 |
CN114118140A (zh) * | 2021-10-29 | 2022-03-01 | 新黎明科技股份有限公司 | 防爆电机轴承多视角智能故障诊断方法及系统 |
WO2023029274A1 (zh) * | 2021-09-02 | 2023-03-09 | 广州广电运通金融电子股份有限公司 | 基于多方合作的指静脉识别方法、系统和存储介质 |
CN116893924A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
CN117172312A (zh) * | 2023-08-18 | 2023-12-05 | 南京理工大学 | 一种基于改进联邦元学习的设备故障诊断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
CN111537945A (zh) * | 2020-06-28 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 基于联邦学习的智能电表故障诊断方法及设备 |
CN111600707A (zh) * | 2020-05-15 | 2020-08-28 | 华南师范大学 | 一种在隐私保护下的去中心化联邦机器学习方法 |
CN111678696A (zh) * | 2020-06-17 | 2020-09-18 | 南昌航空大学 | 基于联邦学习的机械智能故障诊断方法 |
US20200327250A1 (en) * | 2019-04-12 | 2020-10-15 | Novo Vivo Inc. | System for decentralized ownership and secure sharing of personalized health data |
CN112101489A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种联邦学习与深度学习融合驱动的设备故障诊断方法 |
CN112115999A (zh) * | 2020-09-15 | 2020-12-22 | 燕山大学 | 一种时空多尺度神经网络的风电机组故障诊断方法 |
CN112770291A (zh) * | 2021-01-14 | 2021-05-07 | 华东师范大学 | 基于联邦学习和信任评估的分布式入侵检测方法及系统 |
CN112763215A (zh) * | 2021-01-15 | 2021-05-07 | 上海海事大学 | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 |
-
2021
- 2021-05-13 CN CN202110520120.4A patent/CN113255210B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200327250A1 (en) * | 2019-04-12 | 2020-10-15 | Novo Vivo Inc. | System for decentralized ownership and secure sharing of personalized health data |
CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
CN111600707A (zh) * | 2020-05-15 | 2020-08-28 | 华南师范大学 | 一种在隐私保护下的去中心化联邦机器学习方法 |
CN111678696A (zh) * | 2020-06-17 | 2020-09-18 | 南昌航空大学 | 基于联邦学习的机械智能故障诊断方法 |
CN111537945A (zh) * | 2020-06-28 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 基于联邦学习的智能电表故障诊断方法及设备 |
CN112115999A (zh) * | 2020-09-15 | 2020-12-22 | 燕山大学 | 一种时空多尺度神经网络的风电机组故障诊断方法 |
CN112101489A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种联邦学习与深度学习融合驱动的设备故障诊断方法 |
CN112770291A (zh) * | 2021-01-14 | 2021-05-07 | 华东师范大学 | 基于联邦学习和信任评估的分布式入侵检测方法及系统 |
CN112763215A (zh) * | 2021-01-15 | 2021-05-07 | 上海海事大学 | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
WEI ZHANG.ET AL: "Federated learning for machinery fault diagnosis with dynamic validation and self-supervision", 《KNOWLEDGE-BASED SYSTEMS》 * |
金余丰: "基于深度学习的滚动轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023029274A1 (zh) * | 2021-09-02 | 2023-03-09 | 广州广电运通金融电子股份有限公司 | 基于多方合作的指静脉识别方法、系统和存储介质 |
CN113807027A (zh) * | 2021-10-09 | 2021-12-17 | 华北电力大学(保定) | 一种风电机组健康状态评估模型、方法及系统 |
CN113807027B (zh) * | 2021-10-09 | 2023-08-18 | 华北电力大学(保定) | 一种风电机组健康状态评估模型、方法及系统 |
CN114118140A (zh) * | 2021-10-29 | 2022-03-01 | 新黎明科技股份有限公司 | 防爆电机轴承多视角智能故障诊断方法及系统 |
CN114118140B (zh) * | 2021-10-29 | 2022-09-23 | 新黎明科技股份有限公司 | 防爆电机轴承多视角智能故障诊断方法及系统 |
CN117172312A (zh) * | 2023-08-18 | 2023-12-05 | 南京理工大学 | 一种基于改进联邦元学习的设备故障诊断方法 |
CN116893924A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
CN116893924B (zh) * | 2023-09-11 | 2023-12-01 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113255210B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255210B (zh) | 一种风电机组联邦故障诊断方法及系统 | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN111709490B (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
CN111426950B (zh) | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 | |
Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
CN111581888B (zh) | 风力发电机轴承剩余使用寿命预测模型的构建方法 | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
CN113076834A (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
CN115114841A (zh) | 基于U-net框架的边缘海高时空分辨率次表层温度场重构方法 | |
CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
CN116050504A (zh) | 一种基于深度学习的风电功率短期预测模型 | |
CN116109292A (zh) | 一种基于联邦半监督学习的风机齿轮箱故障诊断方法 | |
CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
CN111488974B (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN116722545B (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN112348700B (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 | |
CN115034432A (zh) | 一种风电场风力发电机组风速预测方法 | |
CN114320773A (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN114298219A (zh) | 一种基于深度时空特征提取的风力发电机故障诊断方法 | |
CN113807027A (zh) | 一种风电机组健康状态评估模型、方法及系统 | |
CN116822370B (zh) | 数据驱动下风电集群超短期出力预测方法 |
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 |