CN115878970A - 基于边缘迁移学习算法风力发电机组故障诊断方法及应用 - Google Patents

Abstract

基于边缘迁移学习算法的风力发电机组故障诊断方法，包括如下步骤：建立风力发电机组风轮转速故障模型；面向风电机组的边缘迁移学习算法；基于边缘迁移学习算法的风电机组诊断。本发明有益效果：将边缘计算与迁移学习算法结合，对风力发电机组运行的实时故障数据进行快速学习并扩充，为准确快速诊断机组故障类型奠定基础，有助于提高风电场效益。

Description

基于边缘迁移学习算法风力发电机组故障诊断方法及应用

技术领域

本发明涉及风力发电机组的故障诊断领域，更具体地，涉及一种基于边缘迁移学习算法的风力发电机组故障诊断方法及其系统。

背景技术

风能作为一种可再生的清洁能源，在世界范围内得到了广泛的应用。然而，风力发电机的故障阻碍了风力发电的发展。齿轮箱、发电机、主轴承、叶片、塔架等关键部件发生意外故障，可能会导致计划外停机，对风电场的可用性和效益产生严重影响。为促进更大规模化风力发电机组并入电网缓解电力紧张局面，急需提高机组运行的可靠性和稳定性。建立风电机组的故障诊断系统是降低故障影响的关键。目前的风电机组的故障诊断方法如故障树分析法、基于模型或数据驱动的离线数据分析方法，不能做到实时准确反映机组当前运行状态。边缘计算在当今物联网背景下显得尤为重要，可高效快速解决工业过程数据的分析计算问题。而迁移学习算法可通过找出源领域与目标领域之间共同的特征表示进行数据知识的迁移与复制，已成为扩充关键数据量的最有效方法之一。因此，将边缘计算与迁移学习结合设计风力发电机组的故障诊断系统是一种提高机组运行可靠性的新思路。

随着物联网应用与5G技术的日益成熟，边缘计算的地位逐渐突出。边缘计算降低了数据传输成本提高了数据质量，在边缘层进行决策使服务供应在更靠近用户的地方即可实现，而无需通过云服务器进行集中处理。边缘计算可与云计算、机器学习等算法相互补充，构建更快捷有效的物联网解决方案。

传统的机器学习主要是指监督学习，而迁移学习是从源领域中挑选出对目标领域的训练有用数据的主动学习。基于特征选择的迁移学习算法，主要通过找出源领域与目标领域之间共同的特征表示，然后利用这些特征进行知识迁移。风力发电机组超短期内的风速、功率等实际运行数据往往对其功率预测与故障诊断发挥着重大作用。但超短期的数据集通常不足以支撑训练模型所需的数据量，基于特征选择的迁移学习算法使这个问题迎刃而解。

由图1可知，常规的迁移学习算法需要一个额外的集中式服务器来进行人工干预的迁移学习。迁移学习的核心组件——集中式服务器位于服务器层，很依赖物联网技术的稳定支撑。而端到端的边缘迁移学习可直接在边缘设备之间进行知识转移，无需集中式服务器的帮助，因此每个边缘都已嵌入一个直接或分布式的集中式服务器来实现自主迁移学习。

发明内容

为了解决上述现有技术中的不足，本发明公开一种基于边缘迁移学习算法的风力发电机组故障诊断方法及其系统。

基于边缘迁移学习算法的风力发电机组故障诊断方法，其特征为：包括如下步骤：

步骤1：建立无故障情况下的风轮系统模型；

步骤2：面向风电机组风轮故障数据扩充的迁移学习算法；

步骤3：基于边缘迁移学习算法的风电机组诊断。

有益效果：

1.将边缘计算引入风力发电机组的就地控制方案设计，降低了数据传输的损耗；

2.将边缘计算与迁移学习结合，实现对超短期风力发电机组运行数据的快速提取复制；

3.结合边缘计算与迁移学习的风力发电机组，可及时准确排除故障，提高风能利用率。

附图说明

图1两种迁移学习结构对比。

图2基于边缘迁移学习的风电机组故障诊断方案。

具体实施方式

下面将结合本发明中的实施例,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。

基于边缘迁移学习算法的风力发电机组故障诊断方法，其特征为：

包括如下步骤：

步骤1：建立无故障情况下的风轮系统模型；

步骤2：面向风电机组风轮故障数据扩充的迁移学习算法；

步骤3：基于边缘迁移学习算法的风电机组诊断。

基于Matlab2019b仿真软件，调用工具箱的子空间辨识法，输入风电机组风轮系统历史运行数据，即可得到风力发电机组风轮系统的状态空间模型如下：

其中，各系数矩阵分别为：

C＝[0 1 0 0] (4)

D＝[0] (5)

基于某风电场历史运行数据辨识得到的机组风轮系他状态空间模型系数矩阵各个参数取值分别为：风轮系统扭力弹簧弹性系数Ks＝1.566*10^6，低速轴的粘性摩擦系数Bs＝3029.5，高速轴的粘性摩擦系数Bg＝15.993，发电机转动惯量Jg＝5.9，风轮转动惯量Jr＝830000，tao＝0.5，低速轴转矩Trb＝723980，Trv＝106440。

为了对模型进行故障诊断，先将模型离散化。通过Matlab仿真软件中的c2d函数可对风电机组风轮系统模型进行离散化。风轮系统离散化模型如下：

X(k+1)＝G(k)X(k)+H(k)U(k)+W(k)w(k)

Y(k)＝F(k)X(K)+v(k) (6)

其中，设过程噪声w(k)均值为0.05的高斯白噪声；测量噪声v(k)均值为0.03的高斯白噪声，测量噪声的系数矩阵，W(k)＝[0 0.128 0 0]'。

因此，无故障情况下的风轮系统模型为

X(k+1)＝GX(k)+HU(k)+W(k)(17+w(k))

Y(k)＝FX(k)+v(k) (7)

以风轮系统为研究对象，将边缘迁移学习算法模块嵌入风电场的集控设备，通过对风机运行数据的快速准确学习，可实现对其恒偏差、恒增益、卡死三种故障模式进行诊断。

二、向风电机组风轮故障数据扩充的迁移学习算法

基于风电机组风轮系统历史运行数据和Matlab2019b仿真软件子空间辨识命令获取的无故障情况下风轮系统的离散状态空间模型为机组快速准确识别故障类型提供了参考。由于风力发电技术的成熟度日益攀升，现有机组的故障发生率很低，可供研究参考的风电机组故障数据非常有限，因此扩充故障数据量对研究风电机组故障诊断是十分有意义的。

2.1结合迁移学习算法扩充机组风轮系统故障数据

为练出能够对故障进行快速准确诊断的风轮系统故障诊断模型，需对现有超短期风电机组风轮系统故障状态的数据进行扩充。鉴于迁移学习在关键数据扩充方面的良好性能，将其用于扩充风电机组风轮系统故障状态的数据。

迁移学习的数据集包含机组实际运行故障数据域DS和数据学习扩充得到的目标域DT，定义如下：

D(x)＝{x,p(x)} (8)

D(t)＝{xx,pp(x)} (9)

式中，x为源域的目标域,即特征空间，p(x)为样本x的边际概率值。

任务含有源域任务TS和目标域任务TD。实际应用中，DS≠DT,TS≠TD，迁移学习把在不同域和任务的模型，迁移到目标任务中。D(x)为包含风电机组风轮系统历史运行数据x和数据边际概率值p(x)的源域数据集。风轮系统数据x通常为扭力弹簧弹性系数、为风轮转动惯量、发电机转动惯量、高速轴的粘性摩擦系数、低速轴的粘性摩擦系数、低速轴转矩等。利用迁移学习算法对有限的风电机组风轮系统故障状态的数据特征进行学习，得到包含风轮系统故障状态数据xx和数据边际概率值pp(x)的目标数域据集D(t)。风轮系统故障状态数据xx为系统故障时的扭力弹簧弹性系数、为风轮转动惯量、发电机转动惯量、高速轴的粘性摩擦系数、低速轴的粘性摩擦系数、低速轴转矩等。因此，基于迁移学习算法，可实现对建立风轮故障诊断模型的关键数据进行扩充，进而提高机组故障诊断的效率。

2.2面向风电机组的边缘迁移学习

将迁移学习算法布置在风电机组边缘，在边缘层进行决策使故障诊断服务在更靠近风电机组运行的地方即可实现，而无需通过云服务器进行集中处理，可减小数据传输损耗提高诊断及时性和快速性。面向风力发电机组故障诊断的边缘迁移学习架构如图2所示。面向风力发电机组故障诊断的边缘迁移学习架构主要包含风力发电机组、与边缘迁移学习算法结合的控制设备和优化运维决策层。其中，风力发电机组作为算法的数据源，将其实际发电功率、短期历史发电功率、风速等气象数据传递到风电场的控制设备。控制设备内嵌有模块化的迁移学习算法。基于此迁移学习算法模块，学习风电机组风轮系统故障状态的扭力弹簧弹性系数、为风轮转动惯量、发电机转动惯量、高速轴的粘性摩擦系数、低速轴的粘性摩擦系数、低速轴转矩等数据及机组正常运行功率输出模型之间的特征，将基于历史功率数据学习过或训练好的功率预测模型，应用到超短期功率预测。通过对比机组输出功率及风轮系统数据的特征，可快速准确定位故障类型。最后，风电场运维决策层依据训练好的功率预测模型及时调整机组运维方案。

三、基于边缘迁移学习算法的风电机组的故障诊断

通过迁移学习算法，完成了对风电机组风轮系统超短期实际运行故障状态数据的快速扩充，为机组及时识别故障并调整其运行模式提供了有效支撑。此外，得益于物联网技术和边缘计算的快速发展，实现了将迁移学习算法布置在风电机组就地控制设备的服务器边缘，提高了数据传输交互的时效性和真实性。

通过将基于边缘迁移学习算法的控制设备就地安装于风力发电机组附近，机组的超短期历史和实时运行数据即可短距离高保真地传入控制设备。由于数据源边缘与目标边缘中均内嵌有离散式服务器，可在控制设备中实现超短期机组运行数据的分析、计算与学习。得益于基于特征选择的迁移学习算法，通过找出机组运行数据与目标源所需数据之间共同的特征表示，然后利用这些特征进行知识迁移，完成数据的学习复制。通过分析机组数据的特征判断机组是否出现故障，及时调整机组运维策略。

在以上的描述中阐述了很多具体细节以便于充分理解本发明。但是以上描述仅是本发明的较佳实施例而已，本发明能够以很多不同于在此描述的其它方式来实施，因此本发明不受上面公开的具体实施的限制。同时任何熟悉本领域技术人员在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (7)

1.基于边缘迁移学习算法的风力发电机组故障诊断方法，其特征为：

包括如下步骤：

步骤1：建立无故障情况下的风轮系统模型；

步骤2：面向风电机组风轮故障数据扩充的迁移学习算法；

步骤3：基于边缘迁移学习算法的风电机组诊断。

2.根据权利要求1所述的基于边缘迁移学习算法的风力发电机组故障诊断方法，其特征为：所述步骤1进一步包括如下内容：

风力发电机组风轮系统的状态空间模型如下：

其中，各系数矩阵分别为：

C＝[0 1 0 0](4)

D＝[0](5)

其中，J_r为风轮转动惯量；J_g为发电机转动惯量；B_g为高速轴的粘性摩擦系数；B_s为低速轴的粘性摩擦系数；Trb为低速轴转矩；K_s为风轮系统扭力弹簧弹性系数；

为了对模型进行故障诊断，先将模型离散化，得到：

其中，w(k)和v(k)分别是过程噪声和测量噪声，W(k)是测量噪声的系数矩阵，W(k)＝[0Trv/Jr 0 0]'；

因此，无故障情况下的风轮系统模型为：

3.根据权利要求1所述的基于边缘迁移学习算法的风力发电机组故障诊断方法，其特征为：所述步骤2进一步包括如下内容：

风力发电机组故障诊断迁移学习任务表示为环境条件改变设置，数据集包含源域DS和目标域DT，定义如下：

D(x)＝{x,p(x)} (8)

D(t)＝{xx,pp(x)}(9)

式中，x为源域的目标域,即特征空间，风轮系统故障状态数据xx为系统故障时的扭力弹簧弹性系数、为风轮转动惯量、发电机转动惯量、高速轴的粘性摩擦系数、低速轴的粘性摩擦系数、低速轴转矩；p(x)为样本x的边际概率值。

4.根据权利要求3所述的基于边缘迁移学习算法的风力发电机组故障诊断方法，其特征为：所述步骤2进一步包括如下内容：

风力发电机组故障诊断迁移学习任务含有源域任务T_S和目标域任务T_D，实际应用中，DS≠DT,T_S≠T_D，迁移学习把在不同域和任务的模型放射到目标任务中；D(x)为包含风电机组风轮系统历史运行数据x和数据边际概率值p(x)的源域数据集；风轮系统数据x通常为扭力弹簧弹性系数、风轮转动惯量、发电机转动惯量、高速轴的粘性摩擦系数、低速轴的粘性摩擦系数、低速轴转矩；将有限的风电机组风轮系统故障状态与机组无故障状态的数据特征进行对齐，并根据下式计算每组数据集的标准差：

通过数据特征的对齐和标准差计算，得到包含风轮系统故障状态数据xx和数据边际概率值pp(x)的目标数域据集D(t)。

5.根据权利要求1所述的基于边缘迁移学习算法的风力发电机组故障诊断方法，其特征为：所述步骤3进一步包括如下内容：

将步骤2所述的迁移学习算法与现有的边缘计算设备结合设计为即插即用的模块，内嵌入风力发电机组的就地控制设备；风电机组的超短期历史和实时正常运行和故障状态数据即可短距离高保真地传入控制设备；由于风电机组数据源边缘与目标边缘中均内嵌有离散式服务器，在控制设备中将超短期机组实际运行数据与无故障的标准数据特征进行对齐比对；基于特征选择的迁移学习算法，通过找出机组运行数据与目标源所需数据之间共同的特征表示，然后利用这些特征进行知识迁移，将数据仿射到就地控制设备，并计算每组标签数据的标准差；通过分析特征数据的标准差是否超出既定阈值，判断机组是否出现故障，及时调整机组运维策略；可在控制设备中实现超短期机组运行数据的分析、计算与学习；基于特征选择的迁移学习算法，通过找出机组运行数据与目标源所需数据之间共同的特征表示，然后利用这些特征进行知识迁移，完成数据的学习复制；通过分析机组数据的特征判断机组是否出现故障，及时调整机组运维策略。

6.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至5中任意一项所述的方法。

7.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求1至5中任意一项所述的方法。

Images