CN115906602A - 一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法 - Google Patents
一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法 Download PDFInfo
- Publication number
- CN115906602A CN115906602A CN202111157959.2A CN202111157959A CN115906602A CN 115906602 A CN115906602 A CN 115906602A CN 202111157959 A CN202111157959 A CN 202111157959A CN 115906602 A CN115906602 A CN 115906602A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- tower
- tower drum
- inclination angle
- data
- 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
Classifications
-
- 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
- Wind Motors (AREA)
Abstract
本发明公开了一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法,针对现有风电机组塔筒倾倒缺少有效的安全监测和状态评价标准问题,设计风机塔筒倾覆监测的采集方法,通过深度学习Transformer自编码模型对风电机组塔筒监测多源信息进行建模,自动挖掘各个监测数据的时间序列隐含特征,并通过对比分析健康数据和带分析数据的隐含特征编码,进行自适应的状态评价结果,该方法充分利用风机塔筒倾倒的海量监测信息,可以在线自动化的计算风机塔筒当前的健康状态进行量化评价。本发明能够有效指导风机塔筒的安全稳定运行。
Description
技术领域
本发明涉及风电机组塔筒状态评价领域,具体涉及一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法
背景技术
随着新能源比例的不断投入,风电场风机塔筒在运行过程中会更加受到冲蚀、磨损、疲劳等多种因素的作用,各个部件的性能会随着服役时间的增加而逐渐退化,从而导致恶性事故的发生。因此迫切需要实时准确的掌握机组运行状态,从而为机组运行做出准确科学的决策依据。
针对风机塔筒的监测评价,我国多采用根据传统基础测量原理,采用基础沉降量等,通过性能试验来分析机组的健康状况。由于风电机组塔筒受风向、风速等多种因素的影响,目前国内外缺乏对风电机组塔筒运行健康的相应评判标准,一般都按有关规程来进行评价。由于标准或规程往往只规定某一限值,而在电站实际运行过程中,不同机组的老化形式、安装方式可能有区别,单一限值下的评价标准无法精确合理的度量机组的健康状态。同时,机组性能劣化可能只体现在性能指标随时间的趋势变化,还没有发生监测值超过限值的情况,但此时机组运行已出现明显异常。因此,单纯采用当前单一工况点下的限值评价方法是无法有效地对机组运行状态健康状态进行评估的。
随着工业互联网技术的不断发展,通过多源在线信息结合数据驱动模型,对机组进行实时在线监测评价已成为可能。然而,传统在线监测方法往往需要假定单一阈值报警来进行评价。由于风电机组塔筒受到不同方向、不同地质的影响,这种假设往往与现实情况差距较远,一方面状态评价往往不会单单遵循一个固定阈值,采用劣化趋势模型表述更为准确;另一方面,到达失效的时间往往不会相同。同时还伴随着传感器噪声、样本数少等缺陷,难以在实际系统中使用。数据驱动模型通过挖掘姿态倾角等数据所蕴含的失效磨损信息来建立剩余寿命估计模型。通过分析风机塔筒的海量健康数据,并通过统计学挖掘得到机组失效特征,当机组出现新的失效趋势时,可以通过模型来计算最可能的趋势变化并估计剩余寿命。
深度学习是一种新型的机器学习模型,他通过海量数据可以自动的挖掘机组固有的故障特征,通过对机组正常行为的数据进行建模,并逐级抽象提取数据的隐含特征,来表征机组的健康状态,在模型建立后,通过计算当前传感器数据与正常行为状态的相似度,可以度量机组健康程度,并通过外推算法,得到更为准确的剩余寿命。
深度学习的许多进展目前很多均是来源于增加的模型能力以及相关的计算,这经常涉及到更大、更深的深层神经网络,然而,虽然深层神经网络带来了明显的提升,但是也耗费了巨大的训练时间,特别是RNN、LSTM等模型在状态评价及故障诊断的模型训练上,要想获得一个最优的模型,往往要耗费几天的时间。RNN固有的顺序属性阻碍了训练样本间的并行化,对于长序列,内存限制将阻碍对训练样本的批量处理。Transformer深度学习模型采用注意力机制,允许对输入输出序列的依赖项进行建模,而无需考虑它们在序列中的距离。可以避免循环模型结构,大大降低了计算时间。
发明内容
本发明的目的在于综合考虑当前风电机组塔筒状态评价中需要人工参与、且无法适应工况切换环境和没有充分考虑机组结构型式各异的问题,本发明的技术方案为:一种基于暂态过程的风电机组塔筒健康状态在线量化评价方法,它由以下步骤实现
步骤1:在风机塔筒的顶部部署倾角传感器和惯性导航传感器,并在塔筒底部部署倾角传感器,并采集机组在健康状态时稳定出力工况下的各个测点数据作为历史正常数据样本,并积累长周期海量监测样本进行存储。
步骤2:其特征在于样本数据选取稳定运行状态下塔筒顶部倾角、塔筒底部倾角、塔筒顶部惯性导航(IMU)监测进行以天为步长的平均值计算,并提取两天前到1个月的时间序列作为Encoder部分的建模输入、当前时刻和前一天的时刻的值作为Decoder的输入。所述Transformer模型特征。
步骤3:Transformer模型结构Encoder-Decoder两大部分;Encoder部分包括输入层、Pos Coding层、Encoder小部件1层、Encoder小部件2层;Decoder部分包括输入层、Decoder小部件1层、Decoder小部件2层、线性映射层。
Encoder小部件的模型结构如图3所示,Decoder小部件的模型结构如图4所示。
步骤4:通过余弦向量公式来计算两个状态特征指标的相似度,并以计算得到相似度距离的倒数,作为机组健康指标。余弦向量公式为:
其中,N代表健康样本、W代表实际监测样本,D(N,W)代表两者的相似度距离,yN代表实际健康样本的状态特征指标向量,yW代表实际样本的状态特征指标向量,cosine代表两者的余弦向量计算符号。
本发明对比现有技术有如下的有益效果:本发明状态评价方法是基于在线监测数据,无须进行停机和人工布置测点,从而大大增加了电厂的经济效益,同时可以综合利用机组多源数据进行建模,自动挖掘其隐含特征,无需专家进行人工判定,且适应于各个不同形式、不同运行时间的机组,具有自适应性和客观性。本专利特别利用了Transformer的快速收敛性该模型克服了传统LSTM计算当前时刻输出必须等到前一时刻输出计算完成的缺陷,可以利用GPU进行并行化加速训练,计算不在依赖于前一时刻的计算,这样就可以实现并行化处理,训练速度要比LSTM快,能够达到与CNN的一样的训练速度,因此大大提高了模型训练的快速收敛性,从而保证了机组诊断的在线实时性。
附图说明
图1为风机塔筒健康状态评价详细流程图
图2为风机塔筒Transformer评价模型结构图;
图3为Encoder小部件内部结构图;
图4为Decoder小部件内部结构图;
具体实施方式
下面将结合本发明专利中的附图,对发明专利的技术方案进行清楚、完整地描述。
在风机塔筒的顶部部署倾角传感器和惯性导航传感器,并在塔筒底部部署倾角传感器,并采集机组在健康状态时稳定出力工况下的各个测点数据作为历史正常数据样本,并积累长周期海量监测样本进行存储。
采集塔筒顶部倾角、塔筒底部倾角、塔筒顶部惯性导航(IMU)监测,获取稳态工况下时间序列,并统计各个稳态工况的平均值(按天聚合)来得到计算特征,以塔筒顶部倾角为例,最终形成样本yN具体包括为N1,N2,N3…N28即前28天的数据作为Encoder输入训练样本,N29、,N30则作为Decoder输入训练样本,带入Transformer模型,塔筒底部倾角、塔筒顶部惯性导航(IMU)监测数据。
通过海量累积的历史样本,以Transformer输出和实际输出的误差最小为目标,不断训练,得到最终的Transformer模型,其输出结果作为特征量,Transformer模型结构Encoder-Decoder两大部分;Encoder部分包括输入层、Pos Coding层、Encoder小部件1层、Encoder小部件2层;Decoder部分包括输入层、Decoder小部件1层、Decoder小部件2层、线性映射层。
当模型训练好后,带入实际监测模型,获取实际监测数据30天稳定运行工况的平均值时间序列(按天聚合)W,将当前状态下塔筒顶部倾角、塔筒底部倾角、塔筒顶部惯性导航(IMU)监测的W1,W2,W3…W28和W29、,W30带入训练好的Transformer模型,最终输出得到计算理论输出yN和实际计算结果yW
通过余弦向量公式来计算两个状态特征指标的相似度,并以计算得到相似度距离的倒数,作为机组健康指标。余弦向量公式为:
其中,N代表健康样本、W代表实际监测样本,D(N,W)代表两者的相似度距离,yN代表实际健康样本的状态特征指标向量,yW代表实际样本的状态特征指标向量,cosine代表两者的余弦向量计算符号。
在得到余弦结果后,可以对计算结果进行统计分析,按照正态分布原则设定评价指标,当相似度偏移一定程度,或者该风机塔筒与其他塔筒有明显的余弦向量计算结果的偏离时,可对风机塔筒进行监测预警,并给出评价结论。
Claims (3)
1.一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法,其特征在于包括下列步骤:
(1)在风机塔筒的顶部部署倾角传感器和惯性导航传感器,并在塔筒底部部署倾角传感器,并采集机组在健康状态时稳定出力工况下的各个测点数据作为历史正常数据样本,并积累长周期海量监测样本进行存储。
(2)将海量健康样本塔筒顶部倾角、塔筒底部倾角、塔筒顶部惯性导航(IMU)数据带入深度学习Transformer模型,并得到隐含变量作为风机塔筒的基准健康特征指标,并存储训练好的Transformer模型参数。
(3)获取当前机组的塔筒顶部倾角、塔筒底部倾角、塔筒顶部惯性导航(IMU)监测信息,带入训练好的Transformer训练模型,得到当前监测数据输出的状态特征指标。
(4)通过余弦向量公式来计算两个状态特征指标的相似度,并以计算得到相似度距离的倒数,作为机组健康指标。余弦向量公式为:
其中,N代表健康样本、W代表实际监测样本,D(N,W)代表两者的相似度距离,yN代表实际健康样本的状态特征指标向量,yW代表实际样本的状态特征指标向量,cosine代表两者的余弦向量计算符号。
2.根据权利要求1所述的海量健康样本代入深度学习Transformer模型进行建模训练,其特征在于样本数据选取稳定运行状态下塔筒顶部倾角、塔筒底部倾角、塔筒顶部惯性导航(IMU)监测进行以天为步长的平均值计算,并提取两天前到1个月的时间序列作为Encoder部分的建模输入、当前时刻和前一天的时刻的值作为Decoder的输入。所述Transformer模型特征如下:
(1)Transformer模型整体采用Encoder-Decoder两大部分;
(2)Encoder部分包括输入层、Pos Coding层、Encoder小部件1层、Encoder小部件2层;
(3)Decoder部分包括输入层、Decoder小部件1层、Decoder小部件2层、线性映射层。
(4)塔筒顶部倾角、塔筒底部倾角、塔筒顶部惯性导航(IMU)数据通过线性映射层后得到输出未来3天的预测结果,并拼接成向量作为状态特征指标。
3.根据权利要求2所述的Encoder小部件,其所属结构包含正则化模块、前馈模块、正则化模块、自注意力机制模块;Decoder小部件,其所属结构包含正则化模块、前馈模块、正则化模块、编解码注意力模块、正则化模块和自注意力模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157959.2A CN115906602A (zh) | 2021-09-30 | 2021-09-30 | 一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157959.2A CN115906602A (zh) | 2021-09-30 | 2021-09-30 | 一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115906602A true CN115906602A (zh) | 2023-04-04 |
Family
ID=86487026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111157959.2A Pending CN115906602A (zh) | 2021-09-30 | 2021-09-30 | 一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906602A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118171224A (zh) * | 2024-05-16 | 2024-06-11 | 三峡金沙江川云水电开发有限公司 | 一种用于水轮发电机组的健康评价方法及装置 |
-
2021
- 2021-09-30 CN CN202111157959.2A patent/CN115906602A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118171224A (zh) * | 2024-05-16 | 2024-06-11 | 三峡金沙江川云水电开发有限公司 | 一种用于水轮发电机组的健康评价方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
CN110320892B (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
Heng et al. | Rotating machinery prognostics: State of the art, challenges and opportunities | |
CN112926273A (zh) | 一种多元退化设备剩余寿命预测方法 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN111325403A (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
CN114741844A (zh) | 静设备腐蚀监控方法、装置、设备及存储介质 | |
CN114925718A (zh) | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 | |
CN115906602A (zh) | 一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法 | |
CN112257224B (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
Xu et al. | Anomaly detection with gru based bi-autoencoder for industrial multimode process | |
CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
CN113505497B (zh) | 湿法烟气脱硫吸收塔浆液品质监测方法及系统 | |
Yang et al. | Application research of arima model in wind turbine gearbox fault trend prediction | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN110850837A (zh) | 基于长短时记忆神经网络的系统寿命分析与故障诊断方法 | |
CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
CN115640652B (zh) | 一种轴向柱塞泵剩余寿命预测方法 | |
CN105547705B (zh) | 发动机性能退化趋势预测方法 | |
CN114254904B (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
CN115907033A (zh) | 一种基于机器学习算法预测每小时用电量的方法及系统 | |
Hu et al. | Anomaly detection and remaining useful lifetime estimation based on degradation state for bearings | |
CN113902327A (zh) | 一种海上风电场基础结构腐蚀健康状态的评估方法及系统 | |
Morgan et al. | Predicting future states with $ n $-dimensional Markov chains for fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |