CN114841580A - 基于混合注意力机制的发电机故障检测方法 - Google Patents
基于混合注意力机制的发电机故障检测方法 Download PDFInfo
- Publication number
- CN114841580A CN114841580A CN202210511221.XA CN202210511221A CN114841580A CN 114841580 A CN114841580 A CN 114841580A CN 202210511221 A CN202210511221 A CN 202210511221A CN 114841580 A CN114841580 A CN 114841580A
- Authority
- CN
- China
- Prior art keywords
- generator
- state
- data set
- state index
- training
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims abstract description 19
- 238000009499 grossing Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010977 unit operation Methods 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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合注意力机制的发电机故障检测方法，首先采集风电机组发电机历史正常运行时的SCADA系统监测信号，获取训练数据集；其次建立基于混合注意力机制的长短期记忆自编码器，在编码器中引入空间注意力机制，在解码器中引入时间注意力机制，以重构误差最小为目标训练整个自编码网络模型，并提取训练数据集的深度特征；构建发电机故障检测模型，首先计算各深度特征的平均值，然后采用马氏距离计算各样本的状态指标，对训练集的状态指标序列进行平滑处理，采用核密度估计方法计算健康阈值；最后采集待检测发电机的监测信号，获取测试数据集，将测试数据集输入到发电机故障检测模型中，输出发电机故障检测结果，判断发电机故障与否。
Description
技术领域
本发明属于风力发电机故障检测技术领域，涉及一种基于混合注意力机制的发电机故障检测方法。
背景技术
风电可再生能源行业发展进入了“倍速阶段”，风电企业发展面临机遇与挑战并存的现状。双馈感应发电机已被确定为风电机组的主要能量转换系统，是风电机组能否获得高效、高品质电能输出的关键。因此，对发电机的运行状态进行实时监测，及早发现潜在故障，并消除故障隐患，对保障风电机组安全可靠运行具有重要的意义。
由于风电机组历史故障样本稀缺，通常基于风电场SCADA系统中的正常运行数据建立发电机正常状态模型，比较发电机监测数据的预测值和实测值的差异，将预测残差作为状态指标衡量发电机的健康状态，进而实现早期故障检测。发电机故障时将导致SCADA监测数据发生变化，但是监测数据的变化并不一定意味着发电机发生故障。时变工况是影响发电机监测数据变化的重要因素之一，如何区分时变工况与发电机故障所造成的监测数据超限现象，同时在异常状态出现的前期识别发电机故障是值得研究的关键问题。
多数研究通过关注单个关键监测数据的变化行为实现发电机的故障检测，然而采用单一监测数据预测值的方法往往难以全面有效地表征发电机运行状态。由于设备发生故障时各监测数据间的稳定关系会发生显著变化，部分学者基于系统正常运行时多变量之间稳定关系，比较多变量预测值和实测值的差异，实现变工况下发电机的早期微弱故障检测。现有的故障检测模型通常假设发电机工况变化具有清晰的状态边界，然而在实际风电场中，机组运行工况随着时间的推移而逐渐变化，具有非线性和动态性，使得通过一些特定模型来建模工况对故障的动态影响具有一定挑战性。时变环境和负载对机组运行数据的真实规律、特征参数的相关性关系等信息的挖掘影响极大，机组异常状态的变化往往容易被工况波动所掩盖，无法区分发电机潜在故障和工况变化对发电机动态行为的影响。如何充分利用多元SCADA数据特点，分析发电机部件中各监测数据之间的相关性和时间维度上的前后依赖性，识别发电机的早期异常征兆，提高故障预警精度，为发电机预测性维护提供可靠依据是值得关注的研究热点。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷，提供一种空间注意力机制和时间注意力机制混合的风电机组发电机故障状态检测方法，旨在提高发电机故障检测精度，降低工况变化引起的误报警率。
为实现上述目的，本发明采用的技术方案如下：一种基于混合注意力机制的发电机故障检测方法，包括如下步骤：
S1、获取训练数据集；
S1.1对SCADA系统采集的风电机组发电机监测数据，去除环境风速小于切入风速和大于切出风速时所对应的监测数据，包括发电机正常运行时的工况变量和状态变量；
S1.2对SCADA系统采集的风电机组发电机正常运行时的工况变量和状态变量进行归一化处理，得到归一化后的发电机正常运行状态下的监测数据；
S1.3获取训练数据集：X＝(x1，x2，...，xn)T∈RT表示时间长度为T的n维训练数据集，其中，前4维变量代表工况，后n-4维变量代表发电机状态；
代表时间长度为T的监测变量，
表示在t时刻输入的n个监测变量；
S2、构建基于混合注意力机制的长短期记忆自编码网络模型；
S2.1构建加入空间注意力机制的长短期记忆编码器，在编码器LSTM单元中引用上一步隐藏状态和细胞状态，提取每个时间步上各变量的注意力权重，构成新的输入序列并作为编码器的输入；
S2.2构建加入时间注意力机制的长短期记忆解码器，根据前一步隐藏状态计算当前时间步上隐藏状态的注意力权重；
S3、对基于混合注意力机制的长短期记忆自编码网络模型进行训练；
S3.1将训练数据集作为LSTM模型的输入，根据空间注意力计算公式(1)，计算t时刻监测变量k的注意力权重
和需要学习的网络参数；
其中，ve∈RT，We∈RT×2m，Ue∈RT×T分别为网络需要学习的参数；在公式(1) 中，相关性权重由监测变量k的当前值与近期值计算得到，近期值则利用编码器中上一时间步的隐藏状态ht-1和细胞状态st-1来表示；
S3.2根据公式(2)，采用softmax函数对发电机所有监测变量的相关性权重进行归一化，最终获得t时刻变量k的注意力权重
S3.3通过空间注意力机制计算各维变量加权后的输出向量，根据公式(3)自适应选择t时刻自编码器的输入：
S3.4基于解码器在t-1时刻的隐藏状态dt-1∈Rp，和记忆单元状态s′t-1∈Rp，计算t′时刻编码器对t时刻隐藏状态的注意力权重，如下式(4)所示；
其中[dt-1；s′t-1]∈R2p分别表示解码器LSTM单元的前一个时间步的隐藏状态和记忆单员状态；vd∈RT，Wd∈RT×2m，Ud∈RT×T分别为训练得到的网络模型参数；
S3.5根据公式(5)，采用softmax函数计算得到的相关性权重进行归一化，最终获得 t′时刻编码器隐藏状态的注意力权重：
S3.6以发电机温度变量预测误差最小为优化目标，训练自编码网络，获得网络参数；
S3.7根据加权求和公式(6)对所有编码器隐藏状态{h1，h2，...，hT}加权求和得到发电机状态的深度特征向量：
S4、构建发电机故障检测模型；
S4.1基于训练数据集，根据公式(6)提取发电机状态的深度特征向量，并将深度特征序列作为自编码网络的输出；
S4.2构建发电机状态指标：计算训练样本的深度特征的平均值，则训练样本在时刻t 的状态指标Bt可表示为该时刻样本的深度特征值与平均值之间的马氏距离，计算公式如(7) 所示：
式中，ct为t时刻训练样本的状态特征，u为训练样本的状态特征均值向量，Cov-1为训练样本的协方差矩阵的逆矩阵；
S4.3构建发电机状态参考空间：依据公式(7)计算所有训练样本的状态指标，构成发电机状态参考空间{B1，...，Bt，...，BT}∈RA*T,A为深度特征维度，T为训练数据集的时间长度；
S4.4 a、如果平滑处理后的状态指标序列被验证不符合正态分布，则采用核密度估计方法计算状态指标的阈值；设正常状态指标的概率密度函数为
则基于核密度估计的概率密度函数如式(8)所示：
式中，h为带宽,K(.)为高斯核函数如式(9)所示：
设定置信度为α，则发电机的状态指标阈值为td如式(10)所示：
b、如果平滑处理后的状态指标序列被验证符合正态分布，则采用3σ原则计算状态指标的阈值td：td＝μ±3σ (11)
式中，μ和σ分别为训练样本深度特征的均值和方差；
S4.5根据公式(7)计算测试数据集的状态指标，将测试数据集的状态指标与训练数据集的状态指标阈值做对比，若测试数据集的状态指标超出训练数据集的状态指标阈值，则视为发电机状态异常，触发预警。
作为一种优选的方案，所述步骤S4.3之后，采用自回归滑动平均模型和指数平滑处理算法EWMA对发电机状态参考空间中的状态指标序列进行滤波和平滑处理；EWMA的计算公式如(A)所示：
Zt＝λBt+(1-λ)Bt-1 (A)
式中，Bt和Bt-1分别为t时刻和t-1时刻发电机的状态指标，Zt为平滑后的发电机状态指标，λ∈(0，1]为平滑系数；设置初始值时，令Z1＝B1；
所述步骤S4.5中，根据公式(7)计算测试数据集的状态指标后，根据公式(A)对测试数据集的状态指标序列进行滤波和平滑处理，将处理后的测试数据集的状态指标与训练数据集的状态指标阈值做对比，若测试数据集的状态指标超出训练数据集的状态指标阈值，则视为发电机状态异常，触发预警。
本发明与现有技术相比，具有如下优点：
第一，本发明在提取发电机多维状态变量的深度特征时，构建基于混合注意力机制的长短期记忆自编码网络模型，在编码器中加入空间注意力机制分析不同状态变量之间的相互影响，在解码器中加入时间注意力机制分析不同时间上各状态变量的权重变化，提取出更具代表性的深度特征，提高发电机故障检测精度。
第二，传统的故障检测方法中采用重构残差构建状态指标，重构残差序列在时变工况影响下产生较大噪声，难以保证发电机的状态检测精度；本发明通过计算各深度特征的马氏距离来构建发电机的状态指标，该状态指标不受时变工况的影响，提高了故障检测结果对时变工况的鲁棒性，避免了不同工况下分别建立故障检测模型的弊端。
第三，本发明在分析训练数据集状态指标阈值时，首先验证状态指标的概率分布，在不同的概率分布情况下采用不同的阈值计算方法，使得计算的阈值结果更符合实际需求。
第四，本发明所提的发电机故障检测方法比不加注意力机制的故障检测方法的检测精度更高，能够降低平均绝对误差和均方根误差。
第五，本发明中的混合注意力机制能够初步诊断发电机出现故障的原因，维护人员通过观察注意力权重图，重点关注权重较大的参数，为发电机的维护工作提供一定的指导。
附图说明
图1为本发明的实现流程图。
图2为训练集状态指标序列的概率分布及阈值图。
图3为故障前后的时间注意力权重示意图。
图4为故障前后的空间注意力权重示意图。
图5为故障检测对比结果示意图。
图6为环境风速和温度变化趋势图。
图7为有功功率和转子转速变化趋势图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例以新疆某风电场中一个额定功率为2MW的风电机组，2018年1月至12月的数据采集与监视控制系统即SCADA系统记录的发电机监测数据作为实验数据，系统采样频率为每15分钟采样一次。以2018年1月至6月期间机组正常运行时发电机的监测数据作为训练集，以2018年7月至12月期间包含发电机预警记录的监测数据作为测试集。所选风电机组的双馈异步发电机型号为FDYS2.0-4KS，额定有功功率为2150kw，切入风速为3m/s, 切出风速为25m/s,额定风速为10.9m/s,发电机转速为1755转/分，额定电压为690V，额定电流为1750A。
参照图1，本实施例的基于混合注意力机制的发电机故障检测方法实现具体包括以下步骤：
S1、获取训练数据集：
S1.1对SCADA系统采集的风电机组发电机监测数据，去除环境风速小于切入风速和大于切出风速时所对应的监测数据，包括发电机正常运行时的工况变量和状态变量；
S1.2对SCADA系统采集的风电机组发电机正常运行时的工况变量和状态变量进行归一化处理，得到归一化后的发电机正常运行状态下的监测数据；
S1.3获取训练数据集：以2018年1月至6月的10维发电机监测变量作为训练数据集，其中，前4维数据代表工况，包括环境风速、环境温度、有功功率及转速，后5维数据代表发电机状态，包括发电机温度和转矩。在t时刻，基于混合注意力机制的长短期记忆编码器模型的输入为10维监测变量，如表1所示；
表1双馈异步发电机的传感器变量
根据2018年风电场SCADA系统记录的告警日志，选取#22号机组的发电机告警记录验证所提异常状态识别方法的有效性，#22号机组的告警记录如表2所示。
表2#22机组告警记录样本
2018年12月18日23:45分至2018年12月19日00:19分，SCADA系统连续多次报#22机组发电机功率曲线低于下限故障，持续34分钟后运维人员采取远程停机操作，后期在检修中发现发电机冷却风扇叶片损坏，致使导致冷却水超温，最终导致发电机散热性能下降。风力发电机控制系统触发自我保护机制，处于限功率运行状态。维护人员更换发电机冷却风扇，最终解除故障。
S2、构建基于混合注意力机制的长短期记忆自编码网络模型：
S2.1构建加入空间注意力机制的长短期记忆编码器，在编码器LSTM单元中引用上一步隐藏状态和记忆单元状态，提取每个时间步上各变量的注意力权重，构成新的输入序列并作为编码器的输入；
S2.2构建加入时间注意力机制的长短期记忆解码器，根据前一步隐藏状态计算当前时间步上隐藏状态的注意力权重；
S3、对基于混合注意力机制的长短期记忆自编码网络模型进行训练：
S3.1将训练数据集作为LSTM模型的输入，根据空间注意力计算公式(1)，计算t时刻监测变量k的注意力权重
和需要学习的网络参数；
其中，ve∈RT，We∈RT×2m，Ue∈RT×T分别为网络需要学习的参数。在公式(1) 中，相关性权重由监测变量k的当前值与近期值计算得到，近期值则利用编码器中上一时间步的隐藏状态ht-1和细胞状态st-1来表示。
S3.2根据公式(2)，采用softmax函数对发电机所有监测变量的相关性权重进行归一化，最终获得t时刻变量k的注意力权重
S3.3通过空间注意力机制计算各维变量加权后的输出向量，根据公式(3)自适应选择t时刻自编码器的输入：
S3.4基于解码器在t-1时刻的隐藏状态dt-1∈Rp，和记忆单元状态s′t-1∈Rp，计算t′时刻编码器对t时刻隐藏状态的注意力权重，如下式(4)所示；
其中[dt-1；s′t-1]∈R2p分别表示解码器LSTM单元的前一个时间步的隐藏状态和记忆单元状态；vd∈RT，Wd∈RT×2m，Ud∈RT×T分别为训练得到的网络模型参数；
S3.5根据公式(5)，采用softmax函数计算得到的相关性权重进行归一化，最终获得t′时刻编码器隐藏状态的注意力权重：
S3.6以发电机温度变量预测误差最小为优化目标，训练自编码网络，获得网络参数；如表2所示；
表2模型参数设定
S3.7根据公式(6)，对所有编码器隐藏状态{h1，h2，...，hT}加权求和得到发电机状态的深度特征向量：
S4、构建发电机故障检测模型：
S4.1基于训练数据集：根据公式(6)提取发电机状态的深度特征，并将深度特征序列作为自编码网络的输出；
S4.2构建发电机状态指标：计算深度特征序列中各深度特征的平均值，则任意训练样本的状态指标Bt可表示为该时刻样本的深度特征值与平均值之间的马氏距离，计算公式如 (7)所示：
式中，ct为t时刻训练样本的状态特征，u为训练样本的状态特征均值向量，Cov-1为训练样本的协方差矩阵的逆矩阵；
S4.3构建发电机状态参考空间：依据公式(7)计算所有训练样本的状态指标，构成发电机状态参考空间{B1，...，Bt，...，BT}∈RA*T,A为深度特征维度，T为训练数据集的时间长度；
采用自回归滑动平均模型和指数平滑处理算法(EWMA)对发电机状态参考空间中的状态指标序列进行滤波和平滑处理。EWMA的计算公式如(A)所示。
Zt＝λBt+(1-λ)Bt-1 (A)
式中，Bt和Bt-1分别为t时刻和t-1时刻发电机的状态指标，Zt为平滑后的发电机状态指标，λ∈(0，1]为平滑系数。当λ＝1时表示没有平滑处理，当λ→0时表示状态指标序列中的峰值逐渐减弱，变化趋势更加明显，在本研究中将λ设置为0.15。设置初始值时，令Z1＝B1；
S4.4 a、如果平滑处理后的状态指标序列被验证不符合正态分布，则采用核密度估计方法计算状态指标的阈值；设正常状态指标的概率密度函数为
则基于核密度估计的概率密度函数如式(8)所示：
式中，h为带宽,K(.)为高斯核函数如式(9)所示：
设定置信度为α，则发电机的状态指标阈值为td如式(10)所示：
b、如果平滑处理后的状态指标序列被验证符合正态分布，则采用3σ原则计算状态指标的阈值td：td＝μ±3σ (11)
式中，μ和σ分别为训练样本深度特征的均值和方差；
发电机状态指标序列的概率分布如图2所示为偏态分布。采用核密度估计计算发电机状态阈值为21.96。
图3和图4分别为发电机的监测变量在故障期间每个时间步上的时间注意力权重图和空间注意力权重图。
S4.5根据公式(7)计算测试数据集的状态指标后，根据公式(A)对测试数据集的状态指标序列进行滤波和平滑处理，将处理后的测试数据集的状态指标与训练数据集的状态指标阈值做对比，若测试数据集的状态指标超出训练数据集的状态指标阈值，则视为发电机状态异常，触发预警。测试数据集的故障检测结果如图5所示，并与不加注意力机制的LSTM自编码网络对比；同一时间段的工况如图6和图7所示。
采用对比实验验证本发明的性能，图5分别展示了AM-LSTM-MD模型与不加注意力机制的LSTM-MD模型的故障检测结果。SCADA系统记录的发电机故障停机发生在第458个时间点，发电机功率曲线反复穿越阈值，持续34分钟后停机检修，消除故障后重新启动机组，图中已删除停机检修期间的状态指标序列。AM-LSTM-MD模型在第424个时间点首次检测出发电机状态指标超出阈值，LSTM-MD分别在第165,175及436三个时间点检测出发电机状态指标超出阈值。
从图3和图4的注意力权重图中可看出，在第165个时间点附近的发电机有功功率权重远大于发电机温度权重，说明该点处的预警是由工况变化引起，而非发电机自身状态出现异常。同时，观察图7中第165个时间点和第175个时间点附近的发电机的有功功率出现突变，该突变现象与空间注意力权重图中该时段的有功功率权重值最大相吻合。综合分析可知，LSTM-MD在时间点165和175处的预警属于误报警。
AM-LSTM-MD模型在第424个时间点首次检测到故障后，状态指标反复穿越阈值，一直持续到第458个时间点远程停机。该时段内对应的时间注意力权重图中的时间步注意力逐渐增大，空间注意力权重图中冷却水温度权重值最大。综合考虑时空注意力权重，能够初步判断该时段即将发生故障，且故障原因是由冷却水温度过高造成，这一推断与发电机458点处发生的故障及其原因一致。本发明提出的AM-LSTM-MD模型比SCADA系统的真实报警提前8.5个小时检测到发电机早期故障，并基于时空注意力机制避免了时变工况造成的误报警，初步诊断出故障原因。LSTM-MD在第436个时间点也成功检测出发电机故障，但比 AM-LSTM-MD模型滞后1小时检测到故障，且在前期工况突变时产生误报警。
以下结合仿真实验，对本发明的技术效果作详细说明。
本发明应用平均绝对误差和均方根误差对自编码网络的重构效果进行评测，其中平均绝对误差和均方根误差的表达式分别为式(12)和式(13)：
式中，xi为第i个样本的多维状态变量实际值，yi为第i个样本的多维状态变量预测残差，m为测试数据集的样本数量。
表2模型预测残差结果
| 模型 | MAE | RMSE |
| AM-LSTM-MD | 1.714 | 2.173 |
| LSTM-MD | 1.792 | 2.264 |
分析表2，由AM-LSTM-MD和LSTM-MD对比可知，本发明专利中所提的预测模型精度更高，对时变工况的扰动更具鲁棒性。
上述的实施例仅例示性说明本发明创造的原理及其功效，以及部分运用的实施例，而非用于限制本发明；应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (2)
1.一种基于混合注意力机制的发电机故障检测方法，包括如下步骤：
S1、获取训练数据集；
S1.1对SCADA系统采集的风电机组发电机监测数据，去除环境风速小于切入风速和大于切出风速时所对应的监测数据，包括发电机正常运行时的工况变量和状态变量；
S1.2对SCADA系统采集的风电机组发电机正常运行时的工况变量和状态变量进行归一化处理，得到归一化后的发电机正常运行状态下的监测数据；
S1.3获取训练数据集：X＝(x1，x2，...，xn)T∈RT表示时间长度为T的n维训练数据集，其中，前4维变量代表工况，后n-4维变量代表发电机状态；
代表时间长度为T的监测变量，
表示在t时刻输入的n个监测变量；
S2、构建基于混合注意力机制的长短期记忆自编码网络模型；
S2.1构建加入空间注意力机制的长短期记忆编码器，在编码器LSTM单元中引用上一步隐藏状态和细胞状态，提取每个时间步上各变量的注意力权重，构成新的输入序列并作为编码器的输入；
S2.2构建加入时间注意力机制的长短期记忆解码器，根据前一步隐藏状态计算当前时间步上隐藏状态的注意力权重；
S3、对基于混合注意力机制的长短期记忆自编码网络模型进行训练；
S3.1将训练数据集作为LSTM模型的输入，根据空间注意力计算公式(1)，计算t时刻监测变量k的注意力权重
和需要学习的网络参数；
其中，ve∈RT，We∈RT×2m，Ue∈RT×T分别为网络需要学习的参数；在公式(1)中，相关性权重由监测变量k的当前值与近期值计算得到，近期值则利用编码器中上一时间步的隐藏状态ht-1和细胞状态st-1来表示；
S3.2根据公式(2)，采用softmax函数对发电机所有监测变量的相关性权重进行归一化，最终获得t时刻变量k的注意力权重
S3.3通过空间注意力机制计算各维变量加权后的输出向量，根据公式(3)自适应选择t时刻自编码器的输入：
S3.4基于解码器在t-1时刻的隐藏状态dt-1∈Rp，和记忆单元状态s′t-1∈Rp，计算t′时刻编码器对t时刻隐藏状态的注意力权重，如下式(4)所示；
其中[dt-1；s′t-1]∈R2p分别表示解码器LSTM单元的前一个时间步的隐藏状态和记忆单元状态；vd∈RT，Wd∈RT×2m，Ud∈RT×T分别为训练得到的网络模型参数；
S3.5根据公式(5)，采用softmax函数计算得到的相关性权重进行归一化，最终获得t′时刻编码器隐藏状态的注意力权重：
S3.6以发电机温度变量预测误差最小为优化目标，训练自编码网络，获得网络参数；
S3.7根据加权求和公式(6)对所有编码器隐藏状态{h1，h2，...，hT}加权求和得到发电机状态的深度特征向量：
S4、构建发电机故障检测模型；
S4.1基于训练数据集，根据公式(6)提取发电机状态的深度特征向量，并将深度特征序列作为自编码网络的输出；
S4.2构建发电机状态指标：计算训练样本的深度特征的平均值，则训练样本在时刻t的状态指标Bt可表示为该时刻样本的深度特征值与平均值之间的马氏距离，计算公式如(7)所示：
式中，ct为t时刻训练样本的状态特征，u为训练样本的状态特征均值向量，Cov-1为训练样本的协方差矩阵的逆矩阵；
S4.3构建发电机状态参考空间：依据公式(7)计算所有训练样本的状态指标，构成发电机状态参考空间{B1，...，Bt，...，BT}∈RA*T,A为深度特征维度，T为训练数据集的时间长度；
S4.4 a、如果平滑处理后的状态指标序列被验证不符合正态分布，则采用核密度估计方法计算状态指标的阈值；设正常状态指标的概率密度函数为
则基于核密度估计的概率密度函数如式(8)所示：
式中，h为带宽,K(.)为高斯核函数如式(9)所示：
设定置信度为α，则发电机的状态指标阈值为td如式(10)所示：
b、如果平滑处理后的状态指标序列被验证符合正态分布，则采用3σ原则计算状态指标的阈值td：td＝μ±3σ (11)
式中，μ和σ分别为训练样本深度特征的均值和方差；
S4.5根据公式(7)计算测试数据集的状态指标，将测试数据集的状态指标与训练数据集的状态指标阈值做对比，若测试数据集的状态指标超出训练数据集的状态指标阈值，则视为发电机状态异常，触发预警。
2.如权利要求1所述的一种基于混合注意力机制的发电机故障检测方法，其特征在于：所述步骤S4.3之后，采用自回归滑动平均模型和指数平滑处理算法EWMA对发电机状态参考空间中的状态指标序列进行滤波和平滑处理；EWMA的计算公式如(A)所示：
Zt＝λBt+(1-λ)Bt-1 (A)
式中，Bt和Bt-1分别为t时刻和t-1时刻发电机的状态指标，Zt为平滑后的发电机状态指标，λ∈(0，1]为平滑系数；设置初始值时，令Z1＝B1；
所述步骤S4.5中，根据公式(7)计算测试数据集的状态指标后，根据公式(A)对测试数据集的状态指标序列进行滤波和平滑处理，将处理后的测试数据集的状态指标与训练数据集的状态指标阈值做对比，若测试数据集的状态指标超出训练数据集的状态指标阈值，则视为发电机状态异常，触发预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210511221.XA CN114841580A (zh) | 2022-05-12 | 2022-05-12 | 基于混合注意力机制的发电机故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210511221.XA CN114841580A (zh) | 2022-05-12 | 2022-05-12 | 基于混合注意力机制的发电机故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114841580A true CN114841580A (zh) | 2022-08-02 |
Family
ID=82569960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210511221.XA Pending CN114841580A (zh) | 2022-05-12 | 2022-05-12 | 基于混合注意力机制的发电机故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114841580A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116050665A (zh) * | 2023-03-14 | 2023-05-02 | 淄博热力有限公司 | 供热设备故障预测方法 |
| CN116089822A (zh) * | 2023-02-27 | 2023-05-09 | 安徽大学 | 一种基于时空注意力网络的设备rul预测方法及系统 |
| CN116498435A (zh) * | 2023-07-03 | 2023-07-28 | 西安陕柴重工核应急装备有限公司 | 基于柴油发电机组的使用状态监控方法及装置 |
| CN116628564A (zh) * | 2023-04-20 | 2023-08-22 | 上海宇佑船舶科技有限公司 | 用于检测发电机状态的模型训练方法和系统 |
-
2022
- 2022-05-12 CN CN202210511221.XA patent/CN114841580A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089822A (zh) * | 2023-02-27 | 2023-05-09 | 安徽大学 | 一种基于时空注意力网络的设备rul预测方法及系统 |
| CN116050665A (zh) * | 2023-03-14 | 2023-05-02 | 淄博热力有限公司 | 供热设备故障预测方法 |
| CN116050665B (zh) * | 2023-03-14 | 2024-04-02 | 淄博热力有限公司 | 供热设备故障预测方法 |
| CN116628564A (zh) * | 2023-04-20 | 2023-08-22 | 上海宇佑船舶科技有限公司 | 用于检测发电机状态的模型训练方法和系统 |
| CN116628564B (zh) * | 2023-04-20 | 2024-03-12 | 上海宇佑船舶科技有限公司 | 用于检测发电机状态的模型训练方法和系统 |
| CN116498435A (zh) * | 2023-07-03 | 2023-07-28 | 西安陕柴重工核应急装备有限公司 | 基于柴油发电机组的使用状态监控方法及装置 |
| CN116498435B (zh) * | 2023-07-03 | 2023-09-15 | 西安陕柴重工核应急装备有限公司 | 基于柴油发电机组的使用状态监控方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | An integrated fault diagnosis and prognosis approach for predictive maintenance of wind turbine bearing with limited samples | |
| CN114841580A (zh) | 基于混合注意力机制的发电机故障检测方法 | |
| Dao et al. | Condition monitoring and fault detection in wind turbines based on cointegration analysis of SCADA data | |
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN112834211A (zh) | 一种风电机组传动系统故障预警方法 | |
| CN111582392A (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
| Zhan et al. | Abnormal vibration detection of wind turbine based on temporal convolution network and multivariate coefficient of variation | |
| 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 | |
| Cui et al. | An anomaly detection approach using wavelet transform and artificial neural networks for condition monitoring of wind turbines' gearboxes | |
| CN112952830B (zh) | 一种故障后电力系统暂态稳定预测方法 | |
| CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
| CN115313930A (zh) | 一种大型汽轮发电机励磁电流实时预测方法 | |
| CN117365869A (zh) | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 | |
| 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 | |
| CN112986821A (zh) | 海上风电机组变桨电机转子断条故障诊断方法 | |
| CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
| Abbasi et al. | Condition based maintenance of oil and gas equipment: A review | |
| CN111563685A (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
| 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 | |
| Song et al. | Anomaly detection of wind turbine generator based on temporal information | |
| Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
| Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
| CN114841061A (zh) | 一种融合时序信息的风电齿轮箱健康评估方法及系统 | |
| Bilendo et al. | Wind turbine anomaly detection based on SCADA data | |
| CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 |
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 |