CN115750226A - 基于局部-全局分层特征建模的风电机组故障诊断方法 - Google Patents
基于局部-全局分层特征建模的风电机组故障诊断方法 Download PDFInfo
- Publication number
- CN115750226A CN115750226A CN202211326195.XA CN202211326195A CN115750226A CN 115750226 A CN115750226 A CN 115750226A CN 202211326195 A CN202211326195 A CN 202211326195A CN 115750226 A CN115750226 A CN 115750226A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- turbine generator
- fault diagnosis
- time sequence
- local
- 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
Images
Landscapes
- Wind Motors (AREA)
Abstract
本发明提出一种基于局部‑全局分层特征建模的风电机组故障诊断方法,属于风力发电机组故障诊断技术领域,根据风电机组结构特点,从局部和全局两阶段建模思想出发,分别建立风电机组子系统局部特征提取模块和整体全局特征融合模块,局部特征提取模块挖掘不同子系统相关变量特征,进而将子系统特征融合提取整机特征以挖掘子系统间互补特征。本发明方法同时关注风电机组子系统内的关联性和子系统间的互补性特征,能提取更为丰富的故障特征。与传统的单子系统及整机特征提取模型相比,本发明能从子系统出发建立模型,再融合子系统特征建立模型,降低了整机建模的难度并解决了子系统建模的局部性,提高了风电机组子系统及整体故障诊断的精度和可靠性。
Description
技术领域
本发明属于风力发电机组故障诊断技术领域,具体涉及基于局部-全局分层特征建模的风电机组故障诊断方法。
背景技术
随着社会文明的飞速发展,人类对于能源的需求呈逐步递增的趋势,风能作为一种清洁、可再生的能源,近些年已在世界范围内实现大规模开发和利用。然而由于风机安装地点一般地处偏僻,气候恶劣,导致故障频发,给风电场带来了巨大的维修费用和停机损失。因此对风机的数据分析有很大的意义。
目前有很多的学者提出物理模型分析风机数据,但是物理模型严重依赖专业知识,并且要求较高的数学水平,这制约了物理模型的开发。近年来基于数据驱动的风机研究方法蓬勃发展,各大风场的数据采集与监视控制(Supervisory Control and DataAcquisition,以下简称SCADA)系统给基于数据驱动的分析方法提供了数据支撑。
目前已有通过处理风力发电机SCADA数据实现数据驱动的风机状态分析方法,但是提出的方法大都偏向分析风机子系统,没有分析各子系统之间的联系,缺少一种分析整机的模型。
发明内容
本发明要解决的技术问题在于提供基于局部-全局分层特征建模的风电机组故障诊断方法,从而降低整机建模的难度并解决子系统建模的局部性,提高风电机组子系统及整体故障诊断的精度和可靠性。
为解决上述技术问题,本发明所采用的技术方案是:
基于局部-全局分层特征建模的风电机组故障诊断方法,包括以下步骤:
S1、从风电场的数据采集与监测系统中采集风电机组运行数据,并进行数据预处理及数据打标,得到标准化的多变量时间序列;
S2、针对不同机组系统,将得到标准化的多变量时间序列分组,得到系统级多变量时间序列输入矩阵;
S3、将S2所述系的系统级多变量时间序列矩阵并行输入到m个卷积特征提取网络,进行多系统时间特征学习,提取不同系统的时间特征,所述m为整数,切m>1;将获取的不同系统的时间特征进行拼接得到一维特征向量;
S4、将S3得到的一维特征向量输入到空洞因果卷积特征提取网络,以进一步提取空间向量特征,输出整机时空特征;
S5、S4获取的整机时空特征通过构建的分类层,得到风电机组故障诊断。
本发明技术方案的进一步改进在于:S1具体包括以下步骤:
S11、采用均值方差归一化方法对获取的原始多变量时间序列进行标准化处理,计算公式如下:
其中,χ为要归一化的值,χscale为归一化之后的值。μ为样本的平均值,S为样本的标准差。
本发明技术方案的进一步改进在于:S2具体包括以下步骤:
S21、将标准化的多变量时间序列根据所属系统分成m组,划分为变桨系统,偏航系统,传动系统,发电系统等;
S22、将分组后的多变量时间序列利用滑动窗技术分割成若干个长度为N的无重叠二维片段,得到n个多变量时间序列输入矩阵。
本发明技术方案的进一步改进在于:S3具体包括以下步骤:
S31、将步骤2得到的多变量时间序列输入矩阵输入m个具有相同滤波器的卷积网络,并设计每个卷积网络的滤波器只沿着时间轴滑动;
S32、设置每个卷积特征提取网络模块的层数,每个模块包括三个卷积层、三个批归一化层、三个正则化层和一个全局平均池化层,其中每个全局平均池化层的滤波器大小相同;
S33、将不同系统的时间特征进行拼接,得到一维特征向量。
本发明技术方案的进一步改进在于:S4具体包括以下步骤:
S41、定义风电机组故障诊断为一个分类问题;
S42、设置空洞因果卷积网络层数,包括三个卷积层、三个正则化层以及一个全连接层,每个卷积层空洞率为1,2,3。
本发明技术方案的进一步改进在于:所述分类层的目标函数的计算表达式如下:
其中,yi为标签值,f(x)为模型预测值。
由于采用了上述技术方案,本发明取得的技术进步是:
本发明提出一种基于局部-全局分层特征建模的风电机组故障诊断方法,利用SCADA数据多变量的特点,关注风机不同系统数据的差异性,设计不同的卷积提取模块分别提取系统特征,同时将系统特征合并再提取整机特征以挖掘不同系统间互补的特征,上述技术手段同时关注了风机单独子系统以及整机的数据特征,能够提取更为丰富的SCADA数据特征,与传统的系统卷积网络模型以及整机网络特征提取模型相比,本发明能够从子系统出发建立模型,再融合子系统特征建立整机模型,降低了整机建模的冗余并解决了子系统建模的局部性,为风力发电机数据分析提供了新的途径。
附图说明
图1是本发明的一个实施方式的流程图;
图2是本发明的一个实施方式的子系统变量分组图;
图3是本发明的一个实施方式的从子系统到整机的特征提取流程图;
图4是本发明的一个实施方式的整机特征提取流程图。
具体实施方式
以下,参照附图对本发明的实施方式进行说明:
如图1所示,一种基于局部-全局分层特征建模的风电机组故障诊断方法,包括以下步骤:
S1:从风电场的数据采集与监测系统中采集风电机组运行数据,并进行数据预处理及数据打标,具体方法如下:
S11、采用均值方差归一化方法对获取的原始多变量时间序列进行标准化处理,计算公式如下:
其中,χ为要归一化的值,χscale为归一化之后的值。μ为样本的平均值,S为样本的标准差
步骤S2:如图2所示,针对不同机组系统,将原始变量分组,得到系统级多变量时间序列输入矩阵,具体方法如下;
步骤S21、将标准化的多变量时间序列根据所属系统分成m组,划分为变桨系统,偏航系统,传动系统,发电系统等。
步骤S22、将分组后的多变量时间序列利用滑动窗技术分割成若干个长度为N的无重叠二维片段,得到n个多变量时间序列输入矩阵。
步骤S3:如图3所示,将步骤2所述系的系统级多变量时间序列矩阵并行输入到m个卷积特征提取网络,进行多系统时间特征学习,提取不同系统的时间特征,所述m为整数,且m>1;将获取的多部件时间向量特征进行拼接得到一维特征向量,具体步骤如下:
步骤S31、将步骤2得到的多变量时间序列输入矩阵输入m个具有相同滤波器的卷积网络,并设计每个卷积网络的滤波器只沿着时间轴滑动。
步骤S32、设置每个卷积特征提取网络模块的层数,每个模块包括三个卷积层、三个批归一化层、三个正则化层和一个全局平均池化层,其中每个全局平均池化层的滤波器大小相同。
步骤S33、将不同系统提取的时间特征进行拼接,得到一维特征向量。
步骤S4:如图4所示,将步骤3得到的一维特征向量输入到空洞因果卷积特征提取网络,以进一步提取空间向量特征,输出整机时空特征,具体步骤如下:
S41、定义风电机组故障诊断为一个分类问题;
S42、设置空洞因果卷积网络层数,包括三个卷积层、三个正则化层以及一个全连接层,每个卷积层空洞率为1,2,3。
以上所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.基于局部-全局分层特征建模的风电机组故障诊断方法,其特征在于:其包括以下步骤:
S1、从风电场的数据采集与监测系统中采集风电机组运行数据,并进行数据预处理及数据打标,得到标准化的多变量时间序列;
S2、针对不同机组系统,将标准化的多变量时间序列分组,得到系统级多变量时间序列输入矩阵;
S3、将S2所述的系统级多变量时间序列矩阵并行输入到m个卷积特征提取网络,进行多系统时间特征学习,提取不同系统的时间特征,所述m为整数,且m>1;将获取的不同系统的时间特征进行拼接得到一维特征向量;
S4、将S3得到的一维特征向量输入到空洞因果卷积特征提取网络,以进一步提取空间向量特征,输出整机时空特征;
S5、S4获取的整机时空特征通过构建的分类层,得到风电机组故障诊断。
3.根据权利要求1所述的基于局部-全局分层特征建模的风电机组故障诊断方法,其特征在于:S2包括如下具体步骤:
S21、将标准化的多变量时间序列根据所属系统分成m组,包括变桨系统、偏航系统、传动系统和发电系统;
S22、将分组后的多变量时间序列利用滑动窗技术分割成若干个长度为N的无重叠二维片段,得到n个多变量时间序列输入矩阵。
4.根据权利要求3所述的基于局部-全局分层特征建模的风电机组故障诊断方法,其特征在于:S3中,系统级多变量时间序列输入矩阵的大小为Si×N,其中Si为不同部件的传感器变量的个数,N为采样点数,即滑动窗口的长度;并采用m个卷积网络提取步骤2入的系统级多变量时间序列输入矩阵,具体包括如下步骤:
S31、将S22得到的系统级多变量时间序列输入矩阵输入m个具有相同滤波器的卷积网络,并设计每个卷积网络的滤波器只沿着时间轴滑动;
S32、设置每个卷积特征提取网络模块的层数,每个模块包括三个卷积层、三个批归一化层、三个正则化层和一个全局平均池化层,其中每个全局平均池化层的滤波器大小相同;
S33、将不同系统的时间特征进行拼接,得到一维特征向量。
5.根据权利要求4所述的基于局部-全局分层特征建模的风电机组故障诊断方法,其特征在于:S4中,一维特征向量输入矩阵大小为S×1,其中S为原始数据变量维度长度;并采用空洞因果卷积网络提取空间维度特征,所述步骤S4包括如下具体步骤:
S41、定义风电机组故障诊断为一个分类问题;
S42、设置空洞因果卷积网络层数,包括三个卷积层、三个正则化层以及一个全连接层,每个卷积层空洞率为1,2,3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211326195.XA CN115750226A (zh) | 2022-10-27 | 2022-10-27 | 基于局部-全局分层特征建模的风电机组故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211326195.XA CN115750226A (zh) | 2022-10-27 | 2022-10-27 | 基于局部-全局分层特征建模的风电机组故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115750226A true CN115750226A (zh) | 2023-03-07 |
Family
ID=85353659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211326195.XA Pending CN115750226A (zh) | 2022-10-27 | 2022-10-27 | 基于局部-全局分层特征建模的风电机组故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115750226A (zh) |
-
2022
- 2022-10-27 CN CN202211326195.XA patent/CN115750226A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110288136B (zh) | 风电功率多步预测模型建立方法 | |
Li et al. | A novel deep autoencoder and hyperparametric adaptive learning for imbalance intelligent fault diagnosis of rotating machinery | |
Liu et al. | Fault diagnosis approach for photovoltaic array based on the stacked auto-encoder and clustering with IV curves | |
CN111832812A (zh) | 一种基于深度学习的风电功率短期预测方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN113639993B (zh) | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 | |
CN107291927A (zh) | 一种用于风电机组风速相关性分析的风速数据清洗方法 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN113240022A (zh) | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 | |
Li et al. | Outlier data mining method considering the output distribution characteristics for photovoltaic arrays and its application | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN114295368A (zh) | 一种多通道融合的风电行星齿轮箱故障诊断方法 | |
CN115409369A (zh) | 基于机理和数据混合驱动的综合能源系统可靠性评估方法 | |
CN113673442B (zh) | 一种基于半监督单分类网络的变工况故障检测方法 | |
CN113326667B (zh) | 一种太阳能电池板故障诊断方法及系统 | |
CN117725491A (zh) | 一种基于SCINet的电力系统故障状态检测分类方法 | |
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 | |
CN115750226A (zh) | 基于局部-全局分层特征建模的风电机组故障诊断方法 | |
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 | |
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 | |
CN118014395A (zh) | 面向风机集群的多视角超图功率预测方法 | |
Hafdaoui et al. | Compare between the performance of different technologies of PV Modules using Artificial intelligence techniques |
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 |