CN113946608B - 一种基于在线rbf神经网络的风力发电机组运行状态监测方法 - Google Patents

Abstract

本发明公开一种基于在线RBF神经网络的风力发电机组运行状态监测方法，旨在建立在线的RBF神经网络模型实时的提取能有效发映出在线样本数据与正常工况数据间的非线性差异特征，并利用在线实时提取的非线性差异特征来实施风力发电机组的运行状态监测。具体来讲，在保留RBF神经网络中间层神经元参数后，通过为在线采样数据实时训练得到输出层神经元的权重向量。本发明方法构建的RBF神经网络，其输出层神经元的权重向量是随着最新采样数据的变化而不断更新的，搭建的是一种在线RBF神经网络结构。因此，本发明方法在经典的RBF神经网络的基础上，实现了实时在线特征提取，能够根据不同的在线样本数据实时的更新输出层神经元的参数。

Description

一种基于在线RBF神经网络的风力发电机组运行状态监测 方法

技术领域

本发明涉及一种风力发电机组运行状态监测方法，特别涉及一种基于在线RBF神经网络的风力发电机组运行状态监测方法。

背景技术

随着能源需求的与日俱增和环境污染的日益严重，高效、清洁、可再生的新型能源，在世界能源供应战略中占据越来越重要的地位。在太阳能、水能、生物能、风能和地热等众多可再生新型能源中，风能分布范围广泛，技术相对较成熟，且成本相对比较低，具有大规模开发和商业化发展的广阔前景。因此，风能成为了近年来发展最快的清洁能源。但与此同时，也产生了许多的问题，其中风电场的运行和维护就是重要问题之一。

风力发电机组是由多个部件组成的复杂一体化设备，关键的部件有风轮、发电机、齿轮箱、变流器等。风轮是风电机组获得风能的关键部件，主要由风叶片和轮毂组成。由于裸露在恶劣的自然环境中，容易损坏和发生故障。叶片的成本价格很高，损坏后的维修所需时间长，所以一旦发生故障停机，会造成严重的经济损失。由于我国的风电事业起步比较晚，现今已有的研究成果主要集中在风力发电机组的设计与规模化发电。现有的涉及风力发电机组运行状态实时监测的研究成果比较有限，主要为基于数据驱动的方法。大多数研究是基于SCADA系统数据.通过分析记录的指标数据，例如振动、速度、功率等，评估出风力发电机组的运行状态。

一般而言，风电机组输出的电功率与风电机组运行时的切入的风速的大小密切相关，因此通过检测分析输出的有效功率和风速，就可以有效地监测风电机组整体的运行状态是否存在潜在故障。然而，考虑到风力的间歇特性、非线性特性、时序变化特性并非人为可精准预测或可控制的，风力发电机的工作状态直接受风速影响的这种工作特性给实施数据驱动的风力发电设备状态监测带来了挑战。此外，风力发电设备安装并正式启用后，很长是一段时间都会是正常运行的，相应的测量数据也都是风力发电机组正常工况下的样本数据，故障或异常情况的数据是微乎其微的，这也给按照分类思想实施状态监测带来了一定的挑战。

近年来，人工神经网络得到了越来越多的重视，已经成功应用于各个行业。以径向基函数(Radial Basis Function，缩写：RBF)神经网络为代表性的一类神经网络模型因其未使用梯度下降算法求解，训练速度较快的优势而得到了许多研究人员的关注。然而，现有专利材料与科技文献中，使用RBF神经网络实施风力发电机组的故障检测都是按照多分类的思想进行的。换句话说，需要使用风力发电机组的正常以及各种故障情况下的采样数据。如前所述，针对刚投入使用一段时间的风力发电机组而言，除了大量的正常状态下的数据之外，是没有故障或异常状态的采样数据。因此，RBF神经网络以及其他神经网络模型应用于风力发电机组的运行状态监测都是受限的，无法推广。

发明内容

本发明所要解决的主要技术问题是：如何建立在线的RBF神经网络模型实时的提取能有效发映出在线样本数据与正常工况数据间的非线性差异特征，并利用在线实时提取的非线性差异特征来实施风力发电机组的运行状态监测。具体来讲，本发明方法首先通过利用风力发电机组正常运行的样本数据来搭建一个标准的RBF神经网络模型，然后在保留中间层神经元参数后，通过为在线采样数据实时训练得到输出层神经元的参数，从而得到非线性差异特征。最后，通过监测非线性差异特征的变化来实现对风力发电机组的运行状态监测。

本发明方法解决上述问题所采用的技术方案为：一种基于在线RBF神经网络的风力发电机组运行状态监测方法，包括以下所示步骤：

步骤(1)：在风力发电设备正常运行状态下按固定的采样时间间隔采集数据，并将每个采样时刻采集的11个数据组成一个11×1维的数据向量；其中，每个采样时刻可采集的11个数据依次是：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度和偏航误差。

步骤(2)：将风速介于切入风速(3米每秒)和切出风速(25米每秒)之间的n个样本数据向量x₁，x₂，…，x_n组成矩阵X＝[x₁，x₂，…，x_n]，并对X∈R^11×n中各个行向量实施归一化处理从而得到新矩阵其中，第i个数据向量x_i∈R^11×1中的11个数据是按照步骤(1)中的顺序依次排列，i∈{1，2，…，n}，R^11×n表示11×n维的实数矩阵，R表示实数集，R^11×1表示11×1维的实数向量。

步骤(3)：对新矩阵中的列向量/>实施边缘程度分析，从而得到各个列向量对应的边缘程度指标β₁，β₂，…，β_n，具体的实施过程如步骤(3.1)至步骤(3.6)所示。

步骤(3.1)：计算中的各个列向量之间的距离，从而组建距离矩阵ζ∈R^n×n；其中，距离矩阵ζ中的第i行第j列元素ζ(i，j)等于/>中的第i列向量/>与第j列向量/>之间的距离，即/>上标号T表示矩阵或向量的转置。

步骤(3.2)：设置阈值δ等于ζ中所有元素的平均值后，再初始化i＝1。

步骤(3.3)：设置ζ_i表示距离矩阵ζ中的第i行向量后，根据ζ_i中不等于0且小于δ的元素所在的列，对应的将新矩阵中相同列的列向量记录为/>其中，k_i表示ζ_i中不等于0且小于δ的元素总数。

步骤(3.4)：根据如下所示公式①计算列向量对应的法向量f_i：

上式中，表示计算/>与/>之间的距离，b＝1，2，…，k_i。

步骤(3.5)：根据如下所示公式②计算列向量对应的边缘程度指标β_i：

上式中，θ_b为二进制数，其取值规律如下所示：

步骤(3.6)：判断是否满足条件i＜n；若是，则设置i＝i+1后，返回步骤(3.3)；若否，则得到列向量分别对应的边缘程度指标β₁，β₂，…，β_n。

步骤(4)：按照数值大小对β₁，β₂，…，β_n进行降序排列后，将最大的M个边缘程度指标对应的列向量记录为基中心向量c₁，c₂，…，c_M，将最小的m个边缘程度指标对应的列向量记录为基中心向量c_M+1，c_M+2，…，c_M+m，再随机从其余n-(M+m)个边缘程度指标对应的列向量中选取E个列向量并记录为基中心向量c_M+m+1，c_M+m+2，…，c_M+m+E；其中，M+m+E小于n。

步骤(5)：计算各个基中心向量c₁，c₂，…，c_N之间的距离后，再将所有距离的平均值记录为基宽度γ；其中，N＝M+m+E。

步骤(6)：分别依次将列向量当作RBF神经网络的输入向量，并根据如下所示公式④计算RBF神经网络中间层神经元的输出向量z₁，z₂，…，z_n：

上式中，z_i∈R^N×1表示第i个输出向量，i∈{1，2，…，n}，R^{N ×1}表示N×1维的实数向量，e表示自然常数，即e≈2.718281828。

步骤(7)：利用风力发电机组的数据采集系统，采集最新采样时刻的11个数据从而组成数据向量x_t∈R^11×1，并判断x_t中的第一个数据是否介于切入风速和切出风速之间；若是，则执行步骤(8)；若否，则风力发电机处于脱机状态，并重复本步骤(7)继续利用最新采样时刻的数据向量实施运行状态监测；其中，x_t中的11个数据是按照步骤(1)中的顺序依次排列的，下标号t表示最新采样时刻。

步骤(8)：先根据公式对x_t中的各个数据实施归一化处理得到数据向量/>后，再将/>当作RBF神经网络的输入向量，从而根据如下所示公式⑤计算RBF神经网络中间层神经元的输出向量z_t∈R^N×1；其中，x_t(d)和/>分别表示x_t和/>中的第d个数据。

步骤(9)：根据公式G_t＝(z_t-μ)(z_t-μ)^T计算出矩阵G_t后，求解广义特征值问题G_tp_t＝λ_tLp_t中最大特征值λ_t对应的特征向量p_t∈R^N×1，再根据公式计算得到RBF神经网络输出层神经元的权重向量w_t；其中，均值向量μ＝(z₁+z₂+…+z_n)/n，均值矩阵U∈R^{N ×n}是由n个均值向量μ组成，Z＝[z₁，z₂，…，z_n]，L＝(Z-U)(Z-U)^T。

需要说明的是，上述步骤(9)的实施过程旨在为最采样时刻计算出最能区分出在线采样数据与正常工况数据集之间的权重向量。与经典的RBF神经网络相比，本发明方法是在线实时计算输出层神经元的权重向量，即：最新采样时刻的输出层神经元是不断变化更新的。具体来讲，本发明方法在线计算RBF神经网络输出层神经元权重向量w_t∈R^N×1的目的在于满足如下所示的目标函数J：

上式中，均值向量μ＝(z₁+z₂+…+z_n)/n，均值矩阵U∈R^N×n是由n个均值向量μ组成。因此，上式⑥中的分子计算出了最新采样时刻t对应的中间层输出向量z_t经输出层神经元的过权重向量w_t映射后与均值向量μ经输出层神经元的过权重向量w_t映射后之间的平方距离。与此同时，上式⑥中的分母计算了正常运行状态下样本数据经RBF神经网络转换后的输出与坐标零点之间的平方距离之和。

由此可见，上式⑥的目标可具体陈述为：在线采样时刻的样本数据与正常运行状态下的样本数据经过在线RBF神经网络转换后，通过平方距离将两者尽可能区分开来。不失一般性，可假设上式⑥即可等价转换成如下所示带约束条件的最大化问题：

通过构造拉格朗日函数再计算φ相对于w_t的偏导数：

将上式⑧设置成等于零，则可得到：G_tw_t＝λLw_t。若在等号两边同时左乘并考虑约束条件/>则可得到/>如此一来，λ等价于上式⑦中需要最大化的目标函数。因此，广义特征值问题G_tw_t＝λLw_t需要求解最大特征值及其对应的特征向量，而且相应的特征向量还需满足条件/>

步骤(10)：根据公式和/>分别计算监测指标q_t和参考向量Q∈R^n×1后，再将Q中的最大值记录成Q_t；其中，diag{}表示将花括号内矩阵对角线元素转变成列向量的操作。

步骤(11)：判断是否满足条件：q_t≤Q_t；若是，则当前采样时刻风力发电机组运行正常，并返回步骤(7)；若否，则执行步骤(12)。

步骤(12)：返回步骤(7)继续利用最新采样时刻的数据实施风力发电机组的运行状态监测；若连续6个采样时刻的监测指标皆不满足步骤(11)中的判断条件，则触发工作异常警报，并及时安排人员进行维护；反之，则风力发电机组正常运行，并返回步骤(7)继续实施对风力发电设备的状态监测。

与传统方法相比，本发明方法的主要优势详述如下。

从步骤(9)中可以看出，本发明方法构建的RBF神经网络，其输出层神经元的权重向量是随着最新采样数据的变化而不断更新的，搭建的是一种在线RBF神经网络结构。因此，本发明方法在经典的RBF神经网络的基础上，实现了实时在线特征提取，能够根据不同的在线样本数据实时的更新输出层神经元的参数。

附图说明

图1为本发明方法的实施流程示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明公开了一种基于在线RBF神经网络的风力发电机组运行状态监测方法，下面结合如图1所示的实施流程示意图来说明本发明方法的具体实施方式。

步骤(1)：在风力发电设备正常运行状态下按固定的采样间隔采集数据；其中，每个采样时刻可采集的11个数据依次是：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度和偏航误差。

步骤(2)：在将风速介于切入风速和切出风速之间的n个样本数据向量x₁，x₂，…，x_n组成矩阵X＝[x₁，x₂，…，x_n]，并根据公式对X∈R^11×n中的行向量y₁，y₂，…，y₁₁实施归一化处理从而得到新矩阵/>其中，y_d表示矩阵X中第d行的行向量，d∈{1，2，…，11}，/>表示新矩阵/>中第d行的行向量，y_d(min)和y_d(max)分别表示y_d中元素的最小值和最大值。

步骤(3)：根据前述步骤(3.1)至步骤(3.6)对新矩阵中的列向量/>实施边缘程度分析，从而得到各个列向量对应的边缘程度指标β₁，β₂，…，β_n。

步骤(4)：按照数值大小对β₁，β₂，…，β_n进行降序排列后，将最大的M个边缘程度指标对应的列向量记录为基中心向量c₁，c₂，…，c_M，将最小的m个边缘程度指标对应的列向量记录为基中心向量c_M+1，c_M+2，…，c_M+m，再随机从其余n-(M+m)个边缘程度指标对应的列向量中选取E个列向量并记录为基中心向量c_M+m+1，c_M+m+2，…，c_M+m+E。

步骤(5)：计算各个基中心向量c₁，c₂，…，c_N之间的距离后，再将所有距离的平均值记录为基宽度γ。

步骤(6)：分别依次将列向量当作RBF神经网络的输入向量，并根据前述公式④计算RBF神经网络中间层神经元的输出向量z₁，z₂，…，z_n。

步骤(7)：利用风力发电机的数据采集系统，采集最新采样时刻的11个数据从而组成数据向量x_t∈R^11×1，并判断x_t中的第一个数据是否介于切入风速和切出风速之间；若是，则执行步骤(8)；若否，则风力发电机处于脱机状态，并重复本步骤(7)继续利用最新采样时刻的样本数据向量实施运行状态监测。

步骤(8)：先根据公式对x_t中各行的元素实施归一化处理，得到数据向量/>后，再将/>当作RBF神经网络的输入向量，从而根据前述公式⑤计算RBF神经网络中间层神经元的输出向量z_t∈R^N×1。

步骤(9)：根据公式G_t＝(z_t-μ)(z_t-μ)^T计算出矩阵G_t后，求解广义特征值问题G_tp_t＝λ_tLp_t中最大特征值λ_t对应的特征向量p_t∈R^N×1，再根据公式计算得到RBF神经网络输出层神经元的权重向量w_t。

步骤(10)：根据公式和/>分别计算监测指标q_t和参考向量Q∈R^n×1后，再将Q中的最大值记录成Q_t；其中，diag{}表示将大括号内矩阵对角线元素转变成列向量的操作。

步骤(11)：判断是否满足条件：q_t≤Q_t；若是，则当前采样时刻风力发电机组运行正常，并返回步骤(7)；若否，则执行步骤(12)。此步骤将最大值Q_t用作于监测指标的控制上限。

步骤(12)：返回步骤(7)继续利用最新采样时刻的数据实施风力发电机组的运行状态监测；若连续6个采样时刻的监测指标皆不满足步骤(11)中的判断条件，则触发工作异常警报，并及时安排人员进行维护；反之，则风力发电机组正常运行，并返回步骤(7)继续实施对风力发电设备的状态监测。

Claims (1)

1.一种基于在线RBF神经网络的风力发电机组运行状态监测方法，其特征在于，包括以下所示步骤：

步骤(1)：在风力发电机组正常运行状态下，按照数据采集系统固有的采样时间间隔采集数据，并将每个采样时刻采集的11个数据组成一个11×1维的数据向量；其中，每个采样时刻可采集的11个数据依次是：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度和偏航误差；

步骤(2)：将风速介于切入风速和切出风速之间的n个数据向量x₁，x₂，…，x_n组成矩阵X＝[x₁，x₂，…，x_n]，并根据公式对X∈R^11×n中的行向量y₁，y₂，…，y₁₁实施归一化处理从而得到新矩阵/>其中，第i个数据向量x_i∈R^11×1中的11个数据是按照步骤(1)中的顺序依次排列，i∈{1，2，…，n}，R^11×n表示11×n维的实数矩阵，R表示实数集，R^11×1表示11×1维的实数向量，y_d表示矩阵X中第d行的行向量，d∈{1，2，…，11}，/>表示新矩阵/>中第d行的行向量，y_d(min)和y_d(max)分别表示y_d中元素的最小值和最大值；

步骤(3)：对新矩阵中的列向量/>实施边缘程度分析，从而得到各个列向量对应的边缘程度指标β₁，β₂，…，β_n，具体的实施过程如步骤(3.1)至步骤(3.6)所示；

步骤(3.1)：计算中的各个列向量之间的距离，从而组建距离矩阵ζ∈R^n×n；其中，距离矩阵ζ中的第i行第j列元素ζ(i，j)等于/>中的第i列向量/>与第j列向量/>之间的距离，即上标号T表示矩阵或向量的转置；

步骤(3.2)：设置阈值δ等于ζ中所有元素的平均值后，再初始化i＝1；

步骤(3.3)：设置ζ_i表示距离矩阵ζ中的第i行向量后，根据ζ_i中不等于0且小于δ的元素所在的列，对应的将新矩阵中相同列的列向量记录为/>其中，k_i表示ζ_i中不等于0且小于δ的元素总数；

步骤(3.4)：根据如下所示公式①计算列向量对应的法向量f_i：

上式中，表示计算/>与/>之间的距离，b＝1，2，…，k_i；

步骤(3.5)：根据如下所示公式②计算列向量对应的边缘程度指标β_i：

上式中，θ_b为二进制数，其取值规律如下所示：

步骤(3.6)：判断是否满足条件i＜n；若是，则设置i＝i+1后，返回步骤(3.3)；若否，则得到列向量分别对应的边缘程度指标β₁，β₂，…，β_n；

步骤(4)：按照数值大小对β₁，β₂，…，β_n进行降序排列后，将最大的M个边缘程度指标对应的列向量记录为基中心向量c₁，c₂，…，c_M，将最小的m个边缘程度指标对应的列向量记录为基中心向量c_M+1，c_M+2，…，c_M+m，再随机从其余n-(M+m)个边缘程度指标对应的列向量中选取E个列向量并记录为基中心向量c_M+m+1，c_M+m+2，…，c_M+m+E；其中，M+m+E小于n；

步骤(5)：计算基中心向量c₁，c₂，…，c_N两两之间的距离后，再将所有距离的平均值记录为基宽度γ；其中，N＝M+m+E；

步骤(6)：分别依次将列向量当作RBF神经网络的输入向量，并根据如下所示公式④计算RBF神经网络中间层神经元的输出向量z₁，z₂，…，z_n：

上式中，z_i∈R^N×1表示第i个输出向量，i∈{1，2，…，n}，R^N×1表示N×1维的实数向量，e表示自然常数；

步骤(7)：利用风力发电机组的数据采集系统，采集最新采样时刻的11个数据从而组成数据向量x_t∈R^11×1，并判断x_t中的第一个数据是否介于切入风速和切出风速之间；若是，则执行步骤(8)；若否，则风力发电机处于脱机状态，并重复本步骤(7)继续利用最新采样时刻的数据向量实施运行状态监测；其中，x_t中的11个数据是按照步骤(1)中的顺序依次排列的，下标号t表示最新采样时刻；

步骤(8)：先根据公式对x_t中的各个数据实施归一化处理得到数据向量/>后，再将/>当作RBF神经网络的输入向量，从而根据如下所示公式⑤计算RBF神经网络中间层神经元的输出向量z_t∈R^N×1；其中，x_t(d)和/>分别表示x_t和/>中的第d个数据；

步骤(9)：根据公式G_t＝(z_t-μ)(z_t-μ)^T计算出矩阵G_t后，求解广义特征值问题G_tp_t＝λ_tLp_t中最大特征值λ_t对应的特征向量p_t∈R^N×1，再根据公式计算得到RBF神经网络输出层神经元的权重向量w_t；其中，均值向量μ＝(z₁+z₂+…+z_n)/n，均值矩阵U∈R^N×n是由n个均值向量μ组成，Z＝[z₁，z₂，…，z_n]，L＝(Z-U)(Z-U)^T；

步骤(10)：根据公式和/>分别计算监测指标q_t和参考向量Q∈R^n×1后，再将Q中的最大值记录为Q_t；其中，diag{}表示将花括号内矩阵对角线元素转变成列向量的操作；

步骤(11)：判断是否满足条件：q_t≤Q_t；若是，则当前采样时刻风力发电机组运行正常，并返回步骤(7)；若否，则执行步骤(12)；

步骤(12)：返回步骤(7)继续利用最新采样时刻的数据实施风力发电机组的运行状态监测；若连续6个采样时刻的监测指标皆不满足步骤(11)中的判断条件，则触发工作异常警报，并及时安排人员进行维护；反之，则风力发电机组正常运行，并返回步骤(7)继续实施对风力发电设备的状态监测。