CN114463143A - 一种海上双馈风力发电机scada故障数据增强方法 - Google Patents
一种海上双馈风力发电机scada故障数据增强方法 Download PDFInfo
- Publication number
- CN114463143A CN114463143A CN202210012034.7A CN202210012034A CN114463143A CN 114463143 A CN114463143 A CN 114463143A CN 202210012034 A CN202210012034 A CN 202210012034A CN 114463143 A CN114463143 A CN 114463143A
- Authority
- CN
- China
- Prior art keywords
- generator
- data
- scada
- temperature
- offshore
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 230000002596 correlated effect Effects 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000004804 winding Methods 0.000 claims description 7
- 229910052799 carbon Inorganic materials 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 17
- 238000012360 testing method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及一种海上双馈风力发电机SCADA故障数据增强方法，包括以下步骤：1)通过灰色关联分析获取海上风机SCADA数据中各状态变量之间的相关性，并以此筛选出与风机发电机温度高度相关的状态变量；2)将筛选得到的状态变量输入改进的辅助分类器中生成对抗网络进行训练，并获取训练结果；3)对训练结果采用t‑分布随机邻域嵌入算法与卷积神经网络进行结果校验，验证生成故障数据的准确性。与现有技术相比，本发明具有可靠性高、有效避免异常数据干扰、生成数据更加精准等优点。
Description
技术领域
本发明涉及风电场SCADA数据处理领域，尤其是涉及一种海上双馈风力发电机SCADA故障数据增强方法。
背景技术
在风机故障预测时，故障数据量尤其重要，因为目前大数据技术的成熟，利用数据挖掘、人工智能等机器学习技术针对风机的故障预警发展越来越普遍，相比于传统方法，人工智能框架学习能力强，能够自动从原始数据中提取出更多的数据特征，但是，机器学习极其依赖风机的庞大数据量，特别是训练时需要大量的故障数据，因此迫切需要提出新的能够对海上风机的故障数据扩充增强的方法。
现已有专家学者对海上风电场故障数据增强的模型做了一定的研究。NantianHuang，Qingzhu Chen在IEEE发表篇名为：Fault Diagnosis of Bearing in Wind TurbineGearbox Under Actual Operating Conditions Driven by Limited Data With NoiseLabels的文章，文章中将辅助分类器生成对抗网络用到了使用风机齿轮箱轴承振动问题进行故障预警中，利用生成对抗网络对震动数据进行判断检验。卢锦玲，张祥国等人在电力系统自动化发表了篇名为基于改进辅助分类生成对抗网络的风机主轴承故障诊断的文章，文章中建立了一种用于风电机组主轴承故障诊断的数据增强方法，并给出了对于故障的可靠性预判。随着研究的进一步深入，朱永利，张翼等人在中国电机工程学报发表篇名为基于辅助分类–边界平衡生成式对抗网络的局部放电数据增强与多源放电识别的文章，文章中给出了利用生成对抗网络可以更加有效地均衡脉冲样本，从而克服传统诊断方法对于聚类分离效果的依赖。从海上双馈风机的故障预警整体考虑，海上风电场风机的故障数据数量与质量要求远远高于正常数据，所以综合考虑海上风电场风机SCADA故障数据的数据扩充与增强具有重要意义。
目前这些模型都聚焦于直接利用生成对抗网络进行数据的扩充与增强，而未考虑到海上风机故障数据之间的相关性分析。Wilson G,McMillan D发表的篇名为：Modellingthe impact of the environment on offshore wind turbine failure rates的文章，文章中统计了各种环境因素对风电机组故障率的影响，提出了它们之间的并存性和相关性。因此，迫切需要寻求一种可以考虑海上双馈风力发电机SCADA故障数据前期处理的故障数据增强方法，通过针对数据的前期相关性统计，在使输入数据关系具有更高相关性，并考虑数据的容错性分析的基础上，进一步进行故障增强工作。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种海上双馈风力发电机SCADA故障数据增强方法。
本发明的目的可以通过以下技术方案来实现：
一种海上双馈风力发电机SCADA故障数据增强方法，该方法包括以下步骤：
1)通过灰色关联分析获取海上风机SCADA数据中各状态变量之间的相关性，并以此筛选出与风机发电机温度高度相关的状态变量；
2)将筛选得到的状态变量输入改进的辅助分类器生成对抗网络中进行训练，并获取训练结果；
3)对训练结果采用t-分布随机邻域嵌入算法与卷积神经网络进行结果校验，验证生成故障数据的准确性。
所述的步骤1)具体包括以下步骤：
11)提取SCADA系统中的风机运行状态数据，并进行归一化处理；
12)以风机的发电机温度作为风机是否发生故障的判断基准，计算其他状态变量与发电机温度的灰色关联系数；
13)使用熵权理论优化，计算其他状态变量与发电机温度的灰色关联度；
14)选择与发电机温度灰色关联度较高的状态变量，作为改进的ACGAN模型的输入。
所述的步骤12)中，风机故障包括发电机滑环碳刷磨损、发电机三相绕组温度过高和发电机水冷循环故障。
与发电机温度相关的状态变量包括发电机绕组温度、风速、发电机电流、发电机出水口温度、功率、环境温度、湍流、发电机入水口温度、机舱温度、发电机网侧电压、齿轮箱油温、发电机转速、主轴承温度、发电机电压、齿轮箱轴承温度、发电机驱动侧轴承温度、发电机非驱动侧轴承温度。
所述的步骤12)中，灰色关联系数的计算式为：
其中，ξi(k)为第i个与发电机温度相关的状态变量的灰色关联系数，ρ为分辨系数，其值越小代表分辨能力越大，X0(k)为发电机温度数据，Xi(k)为第i个与发电机温度相关的状态变量数据。
所述的步骤13)中，灰色关联度的计算式为：
其中，r为灰色关联度，n为数列的数量。
所述的步骤14)中，选择灰色关联度r大于0.65的状态变量作为与发电机温度灰色关联度较高的状态变量。
所述的步骤2)具体包括以下步骤：
21)对与发电机温度灰色关联度较高的状态变量的SCADA数据进行分类，并标注为正常和各种故障标签；
22)利用改进的辅助分类器生成对抗网络对已经标注的数据构建生成器的预训练模型与判别器的预训练模型，生成器用于生成拟真的故障数据，判别器用于接收原始海上双馈风机的SCADA数据与生成器生成的故障数据，并判断真伪；
23)将生成器与判断器进行对抗训练，记录生成器与判别器损失；
24)当迭代达到设定的迭代次数，并且生成器与判别器的博弈结果趋于纳什均衡时，则输出可靠的海上双馈风力发电机SCADA故障数据。
所述的步骤23)中，改进的辅助分类器生成对抗网络的生成器的目标函数为：
max LB+LC
判断器的目标函数为：
max LB-LC
其中，LB为包含边界损失的记录为真的概率，LC为记录数据分类正确的概率。
所述的包含边界损失的记录为真的概率LB与记录数据分类正确的概率LC的表达式为：
其中，G(z)为生成器的输出，D(G(z))为判别器的输出，Xreal为真实标签集，Xfake为虚假标签集，P(j|Xreal)为将样本从真实类别标签分类到预测类别j的分类成本，C(j|i)为将样本从其真实类别i分类到预测类别j的误分类成本，P(j|Xfake)为将样本从其虚假类别标签分类到预测类别j的分类成本。
与现有技术相比，本发明具有以下优点：
1、本发明针对输入进生成对抗网络的数据进行了灰色关联分析的预处理，提高了输入数据可靠性。
2、本发明使用了改进后的辅助分类器对抗生成网络，充分考虑不同故障数据之间的故障标签，有效提高了生成数据精度。
3、本发明具有通用性，能够应用到双馈风机SCADA系统的其他部件或其他机组中。
附图说明
图1为基于GRA-rACGAN的风机故障数据增强与识别框架。
图2为国内海上风电场台账记录示意图。
图3为使用t-SNE的滑环碳刷磨损故障生成数据的可视化对比。
图4为使用t-SNE的转速异常故障生成数据的可视化对比。
图5为使用t-SNE的绕组温度过高故障生成数据的可视化对比。
图6为使用t-SNE的三种故障生成数据之间的可视化对比。
图7为不同数据集使用卷积神经网络分类精度对比。
图8为不同数据集使用卷积神经网络分类损失对比。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施案例对本发明进行深入地详细说明。应当理解，此处所描述的具体实施案例仅仅用以解释本发明，并不用于限定发明。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本发明提供一种海上双馈风力发电机SCADA故障数据增强方法，该方法包括如下步骤：
1)GRA状态量提取过程：
首先，提取SCADA系统中的风机状态数据，对其进行归一化处理；其次，以风机的发电机温度作为是否故障的判断基准，计算其他状态变量与发电机温度的灰色关联系数；然后，使用熵权理论优化，计算其他状态变量与发电机温度的灰色关联度；最后，选择与发电机温度灰色关联度高的状态变量，作为改进的ACGAN模型的输入。
2)ACGAN数据生成过程：首先，将通过灰色关联分析得到的具有高相关性的SCADA数据进行分类，并标注为正常和各种故障标签；其次，利用ACGAN对已经标注的数据构建生成器的预训练模型与判别器的预训练模型，生成器用于生成拟真的故障数据，而判别器用于接收原始海上双馈风机的SCADA数据与生成器生成数据，并判断真伪；然后，将生成器与判断器进行对抗训练，记录生成器与判别器损失；最后，当迭代达到规定的迭代次数，并且生成器与判别器的博弈结果趋于纳什均衡时，则输出可靠的海上双馈风力发电机SCADA故障数据。
3)生成对抗数据检验过程：将ACGAN生成的故障数据结果，并进一步输入t-分布随机邻域嵌入算法与卷积神经网络进行结果校验，验证生成故障数据的准确性，得到最终的精确生成故障数据。
步骤2)中，为了稳定训练过程，在原有的ACGAN模型基础上引入了边界寻优损失，原有的ACGAN模型网络的判断器的目标函数的表达式为：
max LS+LC
LS＝E[log P(S＝real|Xreal)]+E[log P(S＝fake|Xfake)]
LC＝E[log P(C＝c|Xreal)]+E[log P(C＝c|Xfake)]
对抗网络ACGAN生成器的目标函数的表达式为：
max LC-LS
LS＝E[log P(S＝fake|Xfake)]
LC＝E[log P(C＝c|Xfake)]。
其中，LS为样本来自生成器还是真实的数据，LC为样本来自哪个类，Xreal为真实标签集，Xfake为虚假标签集，P(C＝c|Xreal)为将样本从真实类别标签分类到预测类别c的分类成本，P(C＝c|Xfake)为其虚假类别标签分类到预测类别j的分类成本，E[logP(C＝c|Xreal)]为将样本从真实类别标签分类到预测类别c的数学期望，E[logP(C＝c|Xfake)]为其虚假类别标签分类到预测类别j的数学期望，P(S＝real|Xreal)为将真实样本分类到预测真实类别的分类成本，P(S＝fake|Xfake)为将虚假样本分类到虚假类别的分类成本，E[logP(S＝real|Xreal)]为将真实样本分类到预测真实类别的数学期望，E[logP(S＝fake|Xfake)为将虚假样本分类到虚假类别的数学期望。
本发明中，为了提高训练的稳定性，首先对离散数据提出了边界寻求损失，这种技术也可以推广到连续数据，则边界损失的计算公式如下：
其中，LB为包含边界损失的记录为真的概率，LC为记录数据分类正确的概率。
另外，考虑数据分类的不平衡，对正确类的对数似然进行如下修改：
其中，G(z)为生成器的输出，D(G(z))为判别器的输出，Xreal为真实标签集，Xfake为虚假标签集，P(j|Xreal)为将样本从真实类别标签分类到预测类别j的分类成本，C(j|i)为将样本从其真实类别i分类到预测类别j的误分类成本，P(j|Xfake)为将样本从其虚假类别标签分类到预测类别j的分类成本。因此，改进的ACGAN模型网络的生成器试图最小化LC+LB，判断器最小化LC-LB。
实施例：
案例风电场为国内已投运十余年的海上风电场的SCADA数据，该风电场共装备34台国产3MW离岸型双馈式风电机组，每台机组均配有SCADA系统，该系统每10min储存一次风机状态监测数据，本案例选取2012-2016年的SCADA数据，结合风电场台账及维修记录进行研究。其中，台账记录了确切的停机时刻，如图2所示，该风机于2018年8月21日11时4分27秒停机。
根据风电场台账和维修记录，发现发电机常会出现滑环碳刷磨损、转速异常或者绕组温度过高等异常工况，因此选择3个出现频次最高的典型异常工况进行数据扩充，分别为发电机滑环碳刷磨损、发电机三相绕组温度过高和发电机水冷循环故障。
为了建立有效的异常工况检测模型，需要从SCADA系统监测的100多个运行参数中选取与发电机运行状态相关的变量作为检测模型的输入，选择使用GRA选择与风机发电机故障相关系数高的系数，计算结果按关联度大小排序如表1所示。
表1检测模型的输入参数
根据表1所示，可以忽略灰色关联度较小的状态变量，只选取灰色关联度高度相关(本例中选择大于0.65的状态变量)的X个状态变量作为改进型辅助分类器生成对抗网络模型的输入，即1到9号状态变量。
将SCADA中的数据按照GRA筛选出来的状态变量作为实验样本，并将实验样本划分为训练集与测试集两部分，其中训练集用于对生成对抗网络进行训练，测试集用于验证训练的效果。经过筛选得到，正常运行数据有16052组，三种异常工况对应的数据分别为4350组、3060组和1780组，因此将故障工况数据作为数据集1，并将三类异常工况各取1500个样本作为测试机形成测试集。同时，考虑到本模型需要应用在故障数量稀少情况下以达到数据增强的效果，因此在数据集1中分别随机选取各种异常工况的数据200～300个作为数据集2，将数据集2作为训练集。
通过该模型对风电发电机故障的3种典型异常工况样本进行数据扩充。如数据集准备中所述，首先将训练集分别输入原ACGAN与改进的ACGAN模型中进行训练，设置训练epoch为500次，每种异常工况样本设置为1000个生成量，其中原ACGAN的框架结构与改进的ACGAN设置相同，将其进行实验并对比两种模型的生成损失、分类损失。
分别将改进的ACGAN与原ACGAN生成的异常工况数据划分为生成集1与生成集2，生成集中风机发电机每种异常工况均有1000个样本。同时分别将改进的ACGAN生成的生成集1与原ACGAN生成的生成集2与原始故障数据集1中的部分数据合并，经过数据增强后，增强集中风机发电机异常工况每种均能达到1500左右，分别命名为增强集1与增强集2。为了直观表示，数据集划分如表2所示。
表2实验数据集划分
为了验证案例对于风机发电机组异常工况数据增强的优越性，输入t-分布随机邻域嵌入算法将生成对抗网络的扩充样本进行降维分析，并可视化导出后，将数据集2与生成集1输入t-SNE进行降维处理后的三种故障类型分别如图3、4、5所示，可以看出改进的ACGAN生成数据在分布上与真实样本接近，而且可以在一定程度上生成在原始数据中未出现过的高仿真样本，扩充了风机发电机异常工况数据的多样性。
同时检验生成对抗网络生成的三种不同故障数据分类的能力，通过t-SNE降维方式可视化表达如图6所示，从图中可以看出，该数据增强模型生成的三种异常工况各自聚集成群，界限明显，证明了生成数据的准确性。
同时，采用CNN算法用于对生成数据分类性能测试，将测试集、增强集1和增强集2分别作为训练集输入CNN网络进行分类，在迭代1000次后，其分类损失与分类精度对比分别如图7，8所示，为了方便对比，对于曲线进行了平滑(smooth)处理，可以直观对比出几种方式分类效果的优劣。从图中可以看出，因为数据量少且不平衡的问题，测试集的效果最低，一直到迭代300次才达到收敛，分类精度上升与分类损失下降最慢，而本发明的改进的ACGAN的分类效果最高，生成集1与增强集1的分类精度均最高，而且收敛速度更快，可以看出数据增强效果优于原ACGAN。
通过该实例可以看出，本专利提出的海上双馈风力发电机SCADA故障数据增强方法满足海上风机故障诊断算法对其可靠性的要求，可为今后深远海海上风电场集电系统优化规划提供参考。
Claims (10)
1.一种海上双馈风力发电机SCADA故障数据增强方法，其特征在于，该方法包括以下步骤：
1)通过灰色关联分析获取海上风机SCADA数据中各状态变量之间的相关性，并以此筛选出与风机发电机温度高度相关的状态变量；
2)将筛选得到的状态变量输入改进的辅助分类器生成对抗网络中进行训练，并获取训练结果；
3)对训练结果采用t-分布随机邻域嵌入算法与卷积神经网络进行结果校验，验证生成故障数据的准确性。
2.根据权利要求1所述的一种海上双馈风力发电机SCADA故障数据增强方法，其特征在于，所述的步骤1)具体包括以下步骤：
11)提取SCADA系统中的风机运行状态数据，并进行归一化处理；
12)以风机的发电机温度作为风机是否发生故障的判断基准，计算其他状态变量与发电机温度的灰色关联系数；
13)使用熵权理论优化，计算其他状态变量与发电机温度的灰色关联度；
14)选择与发电机温度灰色关联度较高的状态变量，作为改进的ACGAN模型的输入。
3.根据权利要求2所述的一种海上双馈风力发电机SCADA故障数据增强方法，其特征在于，所述的步骤12)中，风机故障包括发电机滑环碳刷磨损、发电机三相绕组温度过高和发电机水冷循环故障。
4.根据权利要求3所述的一种海上双馈风力发电机SCADA故障数据增强方法，其特征在于，与发电机温度相关的状态变量包括发电机绕组温度、风速、发电机电流、发电机出水口温度、功率、环境温度、湍流、发电机入水口温度、机舱温度、发电机网侧电压、齿轮箱油温、发电机转速、主轴承温度、发电机电压、齿轮箱轴承温度、发电机驱动侧轴承温度、发电机非驱动侧轴承温度。
5.根据权利要求4所述的一种海上双馈风力发电机SCADA故障数据增强方法，其特征在于，所述的步骤12)中，灰色关联系数的计算式为：
其中，ξi(k)为第i个与发电机温度相关的状态变量的灰色关联系数，ρ为分辨系数，其值越小代表分辨能力越大，X0(k)为发电机温度数据，Xi(k)为第i个与发电机温度相关的状态变量数据。
6.根据权利要求5所述的一种海上双馈风力发电机SCADA故障数据增强方法，其特征在于，所述的步骤13)中，灰色关联度的计算式为：
其中，r为灰色关联度，n为数列的数量。
7.根据权利要求6所述的一种海上双馈风力发电机SCADA故障数据增强方法，其特征在于，所述的步骤14)中，选择灰色关联度r大于0.65的状态变量作为与发电机温度灰色关联度较高的状态变量。
8.根据权利要求1所述的一种海上双馈风力发电机SCADA故障数据增强方法，其特征在于，所述的步骤2)具体包括以下步骤：
21)对与发电机温度灰色关联度较高的状态变量的SCADA数据进行分类，并标注为正常和各种故障标签；
22)利用改进的辅助分类器生成对抗网络对已经标注的数据构建生成器的预训练模型与判别器的预训练模型，生成器用于生成拟真的故障数据，判别器用于接收原始海上双馈风机的SCADA数据与生成器生成的故障数据，并判断真伪；
23)将生成器与判断器进行对抗训练，记录生成器与判别器损失；
24)当迭代达到设定的迭代次数，并且生成器与判别器的博弈结果趋于纳什均衡时，则输出可靠的海上双馈风力发电机SCADA故障数据。
9.根据权利要求8所述的一种海上双馈风力发电机SCADA故障数据增强方法，其特征在于，所述的步骤23)中，改进的辅助分类器生成对抗网络的生成器的目标函数为：
max LB+LC
判断器的目标函数为：
max LB-LC
其中，LB为包含边界损失的记录为真的概率，LC为记录数据分类正确的概率。
10.根据权利要求9所述的一种海上双馈风力发电机SCADA故障数据增强方法，其特征在于，所述的包含边界损失的记录为真的概率LB与记录数据分类正确的概率LC的表达式为：
其中，G(z)为生成器的输出，D(G(z))为判别器的输出，Xreal为真实标签集，Xfake为虚假标签集，P(j|Xreal)为将样本从真实类别标签分类到预测类别j的分类成本，C(j|i)为将样本从其真实类别i分类到预测类别j的误分类成本，P(j|Xfake)为将样本从其虚假类别标签分类到预测类别j的分类成本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210012034.7A CN114463143A (zh) | 2022-01-07 | 2022-01-07 | 一种海上双馈风力发电机scada故障数据增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210012034.7A CN114463143A (zh) | 2022-01-07 | 2022-01-07 | 一种海上双馈风力发电机scada故障数据增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114463143A true CN114463143A (zh) | 2022-05-10 |
Family
ID=81409732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210012034.7A Pending CN114463143A (zh) | 2022-01-07 | 2022-01-07 | 一种海上双馈风力发电机scada故障数据增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463143A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4311934A1 (en) * | 2022-07-28 | 2024-01-31 | Fundación Tecnalia Research & Innovation | Computer-implemented method for optimizing the operation of a drivetrain of a wind turbine |
| CN117972535A (zh) * | 2024-03-29 | 2024-05-03 | 华电电力科学研究院有限公司 | 风电机组关键部件故障预警方法、装置、设备及存储介质 |
-
2022
- 2022-01-07 CN CN202210012034.7A patent/CN114463143A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4311934A1 (en) * | 2022-07-28 | 2024-01-31 | Fundación Tecnalia Research & Innovation | Computer-implemented method for optimizing the operation of a drivetrain of a wind turbine |
| WO2024023045A1 (en) * | 2022-07-28 | 2024-02-01 | Fundación Tecnalia Research & Innovation | Computer-implemented method for optimizing the operation of a drivetrain of a wind turbine |
| CN117972535A (zh) * | 2024-03-29 | 2024-05-03 | 华电电力科学研究院有限公司 | 风电机组关键部件故障预警方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444940A (zh) | 风机关键部位故障诊断方法 | |
| Wang et al. | Feature trend extraction and adaptive density peaks search for intelligent fault diagnosis of machines | |
| 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 | |
| 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 | |
| CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
| 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 | |
| CN111582392B (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
| CN114463143A (zh) | 一种海上双馈风力发电机scada故障数据增强方法 | |
| Joshuva et al. | A comparative study of Bayes classifiers for blade fault diagnosis in wind turbines through vibration signals | |
| CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
| Afrasiabi et al. | Wind turbine fault diagnosis with generative-temporal convolutional neural network | |
| CN114444382A (zh) | 基于机器学习算法的风电机组齿轮箱故障诊断分析方法 | |
| CN107728059A (zh) | 一种变桨系统状态评估方法 | |
| CN115419558A (zh) | 一种风电机组运行状态评估方法及装置 | |
| Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
| Hu et al. | A hybrid model for predicting the degradation trend of hydropower units based on deep learning | |
| Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
| CN112682273A (zh) | 基于代价敏感轻量级梯度提升机的风电机组故障检测方法 | |
| CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
| CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
| CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
| CN117151684A (zh) | 风电风机数据分析预警方法、系统、装置及可读存储介质 | |
| CN116611741A (zh) | 基于风电设备的服役质量指数体系构建方法及系统 | |
| CN115563885A (zh) | 一种风电厂储能电池能量转换系统 |
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 |