CN116579386A - 风电机组状态监测方法、电子设备及存储介质 - Google Patents
风电机组状态监测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116579386A CN116579386A CN202310505794.6A CN202310505794A CN116579386A CN 116579386 A CN116579386 A CN 116579386A CN 202310505794 A CN202310505794 A CN 202310505794A CN 116579386 A CN116579386 A CN 116579386A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- data
- model
- layer
- bidirectional
- 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 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 230000010152 pollination Effects 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 239000002245 particle Substances 0.000 description 9
- 230000015654 memory Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000010154 cross-pollination Effects 0.000 description 4
- 230000010153 self-pollination Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 241000218922 Magnoliophyta Species 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000000035 biogenic effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000288673 Chiroptera Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000010149 abiotic pollination Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明针对海上风电机组的状态监测问题，提供一种级联双向深度学习网络建模方法。该方法首先依托SCADA系统广泛获取海上风电机组状态监测过程所需的数据。然后通过四分位法处理采样数据中的无效值并进行特征提取以达到数据清洗的作用。在卷积神经网络的基础上融入了双向选通循环单元和注意机制形成了级联双向深度学习网络模型，不仅可有效发掘变量的多向时空特性，还通过注意机制增强了双向选通循环单元的有用信息权重，使所得模型在海上风电机组状态监测中更具实用性。此外，采用花朵传粉算法修正模型参数，从而进一步提高状态监测过程的精确性和有效性，在消除海上风电机组运行安全隐患的同时为其接入下的电网安全稳定运行提供保障。
Description
技术领域
本发明涉及海上风电机组状态监测技术领域，更具体地，涉及一种计及海上风电机组状态监测的级联双向深度学习网络建模方法。
背景技术
近年来，风能作为一种优势显著的可再生清洁能源，受到世界各国的广泛关注。在过去十年中，风资源的开发和利用有了巨大的发展。风力发电技术也实现了从陆地到海上的重要突破。中国的海水资源丰富，海岸线较长，海上风电场的海上距离一般在10到50公里之间，其在发展风力发电方面具有天然优势。此外，中国的海上风电场靠近沿海电力负荷中心，对自然环境造成的不利影响较小，视觉干扰较弱。适合安装用于大规模开发的单容量较大的风力发电机组。因此，基于中国独特的地理优势和海上风电的清洁高效，其在中国的发展倍受瞩目。持续监测和健康维护可以提高风力涡轮机的可靠性，避免灾难性事故。因此，对风电机组进行状态监测和异常检测是必要的，有利于制定维护计划，减少经济损失，促进风电产业的发展。
风电机组的智能化和数据驱动状态监测因不需要严格的数学和物理模型，越来越受到重视。SCADA系统广泛应用于电力、冶金、石油、化工、燃气、铁路等领域。风电机组中的SCADA系统包含基本状态信息，它可以收集大量与运行状态相关的参数，包括部件温度、风速、电流、电压和功率。SCADA数据的有效挖掘会影响风能的评估和应用。如果SCADA数据被有效地用于特征提取，则可识别运行状态，并检测风力涡轮机的早期故障。SCADA系统不仅可以监测单个状态参数，还可以记录风电机组的故障特征。根据SACDA数据进行状态监测和异常检测对于稳定安全运行具有重要意义。因此，我们需要利用SCADA数据中隐藏的有用信息，对风力发电机组的运行状态做出准确的判断，并对风能进行正确的评估。
发明内容
本发明旨在提供一种级联双向深度学习网络建模方法以实现海上风电机组的状态监测，不仅可以充分利用SCADA系统的优势，也可为海上风电机组接入下的电网安全稳定运行提供保障。该方法首先通过SCADA系统获取海上风电机组状态监测过程所需的数据。然后引入四分位法进行数据预处理以达到数据清洗的作用。接下来，结合卷积神经网络(CNN)、双向选通循环单元(BGRU)和注意机制(AM)的构建级联双向深度学习网络模型，并且采用花朵传粉算法修正模型参数，从而进一步提高状态监测过程的精确性和有效性。
本发明所设计的计及海上风电机组状态监测的级联双向深度学习网络建模方法，具体方案如下：
一种风电机组状态监测方法，所述监测方法包括以下步骤：
数据采集，所述数据采集依托SCADA系统获取海上风电机组运行数据；
数据清洗，所述数据清洗基于四分位法进行数据清洗；
模型建立，融合卷积神经网络、双向选通循环单元和注意机制的级联双向深度学习网络建模；
模型修正，基于花朵传粉算法的模型参数修正。
可选地，所述数据采集包括：
分析海上风电机组相较于陆上风电机组运行过程影响因素的一致性和差异性，确定其状态监测过程中需考虑的变量；
借助SCADA系统，采样并存储不同季节各一周内的海上风电机组运行状态相关数据，设采样周期为T，总共采样得到N组数据向量。
可选地，所述数据清洗包括：
数据中的异常值处理，首先将数据中任何一个变量低于阈值的数据对去除；
使用四分位数将SCADA采样数据分布在四分位数范围内，以根据功率和风速提高数据的有效性。
可选地，所述四分位法包括：
曲线值由小到大分为四个部分，其中第三个四分位数Q3和第一个四分位数Q1之间的差异是下式所示四分位数间距DQR：
DQR＝Q3-Q1 (1)
根据功率曲线将数据分为n组，将从小到大的每个风速间隔的功率分布在四分位范围内，并获得四分位距离DQR，其取值的上下限值分别为：
依据皮尔逊相关系数分析多个特征变量之间的关系，选择高相关的变量。
可选地，所述模型建立包括：
卷积神经网络的构建，所述卷积神经网络由卷积层、池层和全连接层组成，用于实现隐藏在数据中的空间特征，使用多个具有相同权重的卷积核自动提取特征；
若输入为x，卷积层表示为：
其中：p(x)表示卷积操作；W代表卷积核的权重；b为偏移值；f(·)表示激活函数；
经卷积运算后，新的特征输入到池化层，通过最大池化或平均池化来降维；
全连接层将提取的高维特征映射到样本标签空间，然后输出层完成分类或回归。
可选地，所述模型建立包括：
双向选通循环单元的构建，假设rt和zt分别代表重置门和更新门，ht和ht表示候选隐藏层和当前状态，则传播公式如下：
rt＝σ(Wrxt+Whrht-1+br) (5)
zt＝σ(Wzxt+Whzht-1+bz) (6)
yt＝σ(Woht+by) (9)
其中：σ和relu表示激活函数；b为偏差系数；W为权重系数；yt为预测值；
通过连接两个有向且独立的选通递归单元网络形成双向选通循环单元以处理来自两个方向的信息，第一层是正向，第二层是反向，最终输出如下：
式中：α和β分别为正向和反向选通递归单元的传播因子；和/>分别为两个选通递归单元网络的输出。
可选地，所述模型建立包括：
注意机制的引入，利用所述注意机制对卷积神经网络的输出向量进行加权和，突出相关性较大的特征，并将其传输到双向选通循环单元网络；其中，注意机制的表达式如下：
ei＝utanh(whi+b) (11)
C＝∑iαihi (13)
其中：ei表示第i个时刻的注意力得分；u和w是权重系数；b表示偏差系数；αi表示特征权重；
融合上述卷积神经网络、双向选通循环单元和注意机制方法形成级联双向深度学习网络模型。
可选地，所述模型修正包括：
判断是否满足终止修正的条件，若满足，停止修正，记录当前最优参数向量，否则，继续修正。
本发明还提出一种电子设备，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现本发明所提出的风电机组状态监测方法。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据本发明所提出的风电机组状态监测方法。
本发明有益效果：
本发明结合卷积神经网络(CNN)、双向选通循环单元(BGRU)和注意机制(AM)的组建了级联双向深度学习网络模型以实现海上风电机组的状态监测。可提前预判机组可能发生的故障，保证其安全性，并且降低了维护成本。
本发明所提供方法充分发挥了SCADA系统的优势，获取了海上风电机组状态监测过程所需的丰富数据，然后引入四分位法进行数据清洗，以便实现更为高效精确的状态监测。
本发明采用花朵传粉算法对所构建的级联双向深度学习网络模型进行参数修正，从而进一步提高状态监测过程的精确性和有效性。
附图说明
图1为本发明所提供的计及海上风电机组状态监测的级联双向深度学习网络建模方法原理图。
图2为本发明所用双向选通循环单元的结构示意图。
图3为本发明融合卷积神经网络(CNN)、双向选通循环单元(BGRU)和注意机制(AM)构建的级联双向深度学习网络结构示意图。
图4为本发明一实施例的电子设备结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明/实用新型的技术方案，下面结合附图和具体实施方式对本发明/实用新型作进一步详细描述。
请参阅图1，图1为本发明所提供的计及海上风电机组状态监测的级联双向深度学习网络建模方法原理图。基于Matlab编程软件，主要通过以下4个步骤实现：
S1：依托SCADA系统的海上风电机组运行数据获取；
S2：基于四分位法的数据清洗；
S3：融合卷积神经网络、双向选通循环单元和注意机制的级联双向深度学习网络建模；
S4：基于花朵传粉算法的模型参数修正。
其中，步骤S1可具体化为：
S1.1：分析海上风电机组相较于一般陆上风电机组运行过程影响因素的一致性和差异性，确定其状态监测过程中需考虑的变量。
S1.2：借助SCADA系统出色的存储能力，采样并存储不同季节各一周内的海上风电机组运行状态相关数据，设采样周期为T，总共采样得到N组数据向量。
海上风电机组的运行环境存在极大的复杂性，因此SCADA系统中采样所得数据难以避免会受到外界干扰的影响，从而出现数据异常的情况。基于此，在步骤S2中采用四分位法进行采样数据清洗。
S2.1：数据中的异常值处理。首先将数据中任何一个变量为0的数据对去除，比如风速为0、输出功率为0、风速小于4m/s或大于25m/s的值。
S2.2：然后使用四分位数将SCADA采样数据分布在四分位数范围内，以根据功率和风速提高数据的有效性。曲线值由小到大分为四个部分。第三个四分位数Q3和第一个四分位数Q1之间的差异是下式所示四分位数间距DQR：
DQR＝Q3-Q1 (1)
根据功率曲线将数据分为n＝8组。将从小到大的每个风速间隔的功率分布在四分位范围内，并获得四分位距离DQR。其取值的上下限值分别为：
S2.3：特征变量的选择。SCADA系统是风力发电机组的基本状态记录系统，它可以采集大量与机组运行特性相关的变量。特征变量的选择可以改进预测模型，提高预测精度。皮尔逊相关系数用于分析多个特征变量之间的关系。将选择相关性高的特征变量，并消除相关性低且几乎没有相关性的特征变量。相关系数大于0.5的变量被视为高度相关。皮尔逊相关系数rp的计算公式如下：
其中：和/>分别代表X和Y的平均值。
基于经步骤S2清洗和特征提取后的采样数据，在步骤S3中融合卷积神经网络(CNN)、双向选通循环单元(BGRU)和注意机制(AM)建立级联双向深度学习网络模型。
S3.1：CNN的构建。CNN由卷积层、池层和全连接层组成，用于实现隐藏在数据中的空间特征。使用多个具有相同权重的卷积核自动提取特征。
卷积具有较小的局部视野，可以捕获局部细节并生成高级特征。卷积运算只需计算局部参数，可以减少参数个数，简化学习层。然后，使用线性流量积分函数(ReLU)和Tanh等激活函数对神经元进行非线性映射，以获得新的特征量。若输入为x，卷积层表示为：
其中：p(x)表示卷积操作；W代表卷积核的权重系数；b为偏差系数；f(·)表示激活函数。
经卷积运算后，新的特征输入到池化层，通过最大池化或平均池化来降维。接下来，全连接层将提取的高维特征映射到样本标签空间，然后输出层完成分类或回归。
S3.2：BGRU的构建。CNN不擅长提取数据的时间信息特征，但选通递归单元(GRU)可以更好地融合不同状态的时间特征。GRU作为长短期记忆网络(LSTM)的一种变体，它简化了LSTM的遗忘门、输入门和输出门。并通过重置门和更新门实现上述门的替代以保证所有门的性能。
假设rt和zt分别代表重置门和更新门，和ht表示候选隐藏层和当前状态，则传播公式如下：
rt＝σ(Wrxt+Whrht-1+br) (5)
zt＝σ(Wzxt+Whzht-1+bz) (6)
yt＝σ(Woht+by) (9)
其中：σ和relu表示激活函数；b为偏差系数；W为权重系数；yt为预测值。
虽然GRU可以提取长期序列信息，但它是单向的，不考虑从后到前的编码信息。为了挖掘双向时间信息并提高神经网络的性能，可通过连接两个有向且独立的GRU网络形成BGRU以处理来自两个方向的信息，具体结构参见图2。第一层是正向，第二层是反向。最终输出如下：
式中：α和β分别为正向和反向GRU的传播因子，此处分别取0.6和0.4；和/>分别为两个GRU网络的输出。
S3.3：AM的引入。AM是模拟人脑和视觉注意力的应用程序。在处理大量信息时，需要更多地关注重要信息，以提高模型的效率。AM用于增强基本特征的印象。它可以对CNN的输出向量进行加权和，突出相关性较大的特征，并将其传输到BGRU网络。AM的表达式如下：
ei＝utanh(whi+b) (11)
C＝∑iαihi (13)
其中：ei表示第i个时刻的注意力得分；u和w是权重系数；b表示偏差系数；αi表示特征权重。
S3.4：融合上述CNN、BGRU和AM方法形成图3所示级联双向深度学习网络模型。主要包括输入层、CNN层、AM层、BGRU层和输出层，清洗后的SCADA数据输入模型的CNN层。经过卷积、池化等操作，提取出输入的空间特征。激活函数采用ReLU。考虑到全连接层可能破坏空间特征，对预测结果产生不利影响，因此模型通过展平层转移到AM层。在AM层，计算每个特征的权重，并重新分配特征的权重系数。加权特征被输入到具有更大的相关性的BGRU，BGRU网络用于提取时间信息和预测时间序列。目标变量的预测值可以从模型的输出层得到。综合考虑预测精度和训练时间，CNN层的卷积核数设置为64，卷积核长度设置为1。在BGRU中设置三层，三层的数量分别为128、64和32。
在步骤S4中引入花朵传粉算法优化步骤S3中所设计的级联双向深度学习网络模型的参数，包括深度学习网络每一层的权重系数。开花植物的花朵传粉主要通过非生物传播和生物传播两种主要形式实现。其中前者在花朵传粉行为中约占90％的比例，借助蜜蜂、蝙蝠或某些鸟类等具有传粉能力的昆虫或动物完成。后者则依赖于风或水等某些特定种类的液体等非生物形态实现。与此同时，传粉过程还分为自花授粉和异花授粉。其中自花授粉指同一物种的花之间的传粉行为，而异花授粉则指不同物种间的花粉传播。在上述论述中，生物传粉和异花授粉均被视为搜索过程的全局搜索，同理，非生物传粉和自花授粉被视为局部搜索。设每一个花粉粒子对应一个待优化的参数向量，具体参数优化过程如下：
S4.1：初始化花粉粒子个数为Np＝100，搜索过程最大迭代次数为Tm＝50，随机初始化花粉粒子位置。
S4.2：定义模型输出和机组实际数据间的绝对误差为模型参数优化中的适应度函数。计算初始化后各花粉粒子的适应度值并选定当前最优解。
S4.3：考虑到基于生物传粉和异花授粉的全局搜索过程，此时假设传粉者的运行轨迹遵循利维飞行，花粉位置更新规则为：
其中：θk是当前迭代时刻t的第k个花粉粒子；代表待优化参数向量的第k个分量；表示θk的当前最优解；η是步长因子，此处取0.01；L(λ)代表服从如下Levy分布的运行轨迹：
其中：Γ(λ)代表标准伽马函数，步长S的取值远大于零，此处取105。
S4.4：基于非生物传粉和自花授粉的局部搜索过程可表示为：
θk(t+1)＝θk(t)+ε[θk(t)-θj(t)](j＜k) (16)
其中：θj(t)是随机取自同一物种的花粉粒子；局部搜索因子ε是服从[0，1]分布的随机数。
S4.5：由于不同的传粉者对花朵的种类有所偏好，因此在花朵选择中具有恒定性，并且在传粉过程中将此恒定性作为被选择开花植物的繁殖概率。
S4.6：设o＝rand(0，1]为决定传粉过程遵循全局授粉还是局部授粉的转换概率。当p＞0.8时进行全局传粉，否则，进行局部传粉。
S4.7：花粉粒子位置每更新一次，计算其适应度并且和当前最优解进行贪婪选择。若更新后某花粉粒子的适应度优于当前最优解，则用其替换；否则，保持原有值不变。
S4.8：判断是否满足终止条件(迭代次数达上限或者模型精度满足要求)，若满足，停止迭代，记录当前最优参数向量，否则，返回步骤S4.3继续迭代。
如图4所示，本申请实施例还提供一种电子设备900，包括处理器901，存储器902，存储在存储器902上并可在所述处理器901上运行的程序或指令，该程序或指令被处理器901执行时实现上述风电机组状态监测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述风电机组状态监测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述
其中，计算机可读介质可以是本发明/实用新型的装置、设备、系统中所包含的，也可以是单独存在。
其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或它们任意合适的组合。
其中，计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种风电机组状态监测方法，其特征在于，所述监测方法包括以下步骤：
数据采集，所述数据采集依托SCADA系统获取海上风电机组运行数据；
数据清洗，所述数据清洗基于四分位法进行数据清洗；
模型建立，融合卷积神经网络、双向选通循环单元和注意机制的级联双向深度学习网络建模；
模型修正，基于花朵传粉算法的模型参数修正。
2.根据权利要求1所述的风电机组状态监测方法，其特征在于，所述数据采集包括：
分析海上风电机组相较于陆上风电机组运行过程影响因素的一致性和差异性，确定其状态监测过程中需考虑的变量；
借助SCADA系统，采样并存储不同季节各一周内的海上风电机组运行状态相关数据，设采样周期为T，总共采样得到N组数据向量。
3.根据权利要求2所述的风电机组状态监测方法，其特征在于，所述数据清洗包括：
数据中的异常值处理，首先将数据中任何一个变量低于阈值的数据对去除；
使用四分位数将SCADA采样数据分布在四分位数范围内，以根据功率和风速提高数据的有效性。
4.根据权利要求3所述的风电机组状态监测方法，其特征在于，所述四分位法包括：
曲线值由小到大分为四个部分，其中第三个四分位数Q3和第一个四分位数Q1之间的差异是下式所示四分位数间距DQR：
DQR＝Q3-Q1 (1)
根据功率曲线将数据分为n组，将从小到大的每个风速间隔的功率分布在四分位范围内，并获得四分位距离DQR，其取值的上下限值分别为：
依据皮尔逊相关系数分析多个特征变量之间的关系，选择高相关的变量。
5.根据权利要求1所述的风电机组状态监测方法，其特征在于，所述模型建立包括：
卷积神经网络的构建，所述卷积神经网络由卷积层、池层和全连接层组成，用于实现隐藏在数据中的空间特征，使用多个具有相同权重的卷积核自动提取特征；
若输入为x，卷积层表示为：
其中：p(x)表示卷积操作；W代表卷积核的权重系数；b为偏差系数；f(·)表示激活函数；
经卷积运算后，新的特征输入到池化层，通过最大池化或平均池化来降维；
全连接层将提取的高维特征映射到样本标签空间，然后输出层完成分类或回归。
6.根据权利要求5所述的风电机组状态监测方法，其特征在于，所述模型建立包括：
双向选通循环单元的构建，假设rt和zt分别代表重置门和更新门，和ht表示候选隐藏层和当前状态，则传播公式如下：
rt＝σ(Wrxt+Whrht-1+br) (5)
zt＝σ(Wzxt+Whzht-1+bz) (6)
yt＝σ(Woht+by) (9)
其中：σ和relu表示激活函数；b为偏差系数；W为权重系数；yt为预测值；
通过连接两个有向且独立的选通递归单元网络形成双向选通循环单元以处理来自两个方向的信息，第一层是正向，第二层是反向，最终输出如下：
式中：α和β分别为正向和反向选通递归单元的传播因子；和/>分别为两个选通递归单元网络的输出。
7.根据权利要求6所述的风电机组状态监测方法，其特征在于，所述模型建立包括：
注意机制的引入，利用所述注意机制对卷积神经网络的输出向量进行加权和，突出相关性较大的特征，并将其传输到双向选通循环单元网络；其中，注意机制的表达式如下：
ei＝u tanh(whi+b) (11)
C＝∑iαihi (13)
其中：ei表示第i个时刻的注意力得分；u和w是权重系数；b表示偏差系数；αi表示特征权重；
融合上述卷积神经网络、双向选通循环单元和注意机制方法形成级联双向深度学习网络模型。
8.根据权利要求7所述的风电机组状态监测方法，其特征在于，所述模型修正包括：
判断是否满足终止修正的条件，若满足，停止修正，记录当前最优参数向量，否则，继续修正。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据权利要求1至8中任意一项所述的风电机组状态监测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能实现根据权利要求1至8中任意一项所述的风电机组状态监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310505794.6A CN116579386A (zh) | 2023-05-06 | 2023-05-06 | 风电机组状态监测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310505794.6A CN116579386A (zh) | 2023-05-06 | 2023-05-06 | 风电机组状态监测方法、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116579386A true CN116579386A (zh) | 2023-08-11 |
Family
ID=87540634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310505794.6A Pending CN116579386A (zh) | 2023-05-06 | 2023-05-06 | 风电机组状态监测方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116579386A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117792190A (zh) * | 2023-12-27 | 2024-03-29 | 浙江通势达电动技术有限公司 | 一种高精度电机驱动方法 |
-
2023
- 2023-05-06 CN CN202310505794.6A patent/CN116579386A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117792190A (zh) * | 2023-12-27 | 2024-03-29 | 浙江通势达电动技术有限公司 | 一种高精度电机驱动方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shamshirband et al. | A survey of deep learning techniques: application in wind and solar energy resources | |
| Wu et al. | Interpretable wind speed prediction with multivariate time series and temporal fusion transformers | |
| Hong et al. | A hybrid deep learning-based neural network for 24-h ahead wind power forecasting | |
| Liang et al. | A multi-variable stacked long-short term memory network for wind speed forecasting | |
| Brusca et al. | A new design methodology to predict wind farm energy production by means of a spiking neural network–based system | |
| Balal et al. | Forecasting solar power generation utilizing machine learning models in Lubbock | |
| Wang et al. | A novel approach to ultra-short-term multi-step wind power predictions based on encoder–decoder architecture in natural language processing | |
| Li et al. | Short-term prediction of the power of a new wind turbine based on IAO-LSTM | |
| Zhang et al. | Short-term power load forecasting using integrated methods based on long short-term memory | |
| Li et al. | Deep spatio-temporal wind power forecasting | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| Zheng et al. | Real-time transient stability assessment based on deep recurrent neural network | |
| Singh | Application of artificial neural networks for predicting generated wind power | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| CN116579386A (zh) | 风电机组状态监测方法、电子设备及存储介质 | |
| Shao et al. | An advanced weighted system based on swarm intelligence optimization for wind speed prediction | |
| Munsif et al. | CT-NET: A Novel Convolutional Transformer-Based Network for Short-Term Solar Energy Forecasting Using Climatic Information. | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| Liu et al. | A Bayesian deep learning-based probabilistic risk assessment and early-warning model for power systems considering meteorological conditions | |
| Wang et al. | Robust active yaw control for offshore wind farms using stochastic predictive control based on online adaptive scenario generation | |
| Xiong et al. | An ultra-short-term wind speed correction method based on the fluctuation characteristics of wind speed | |
| Shi et al. | A fault location method for distribution system based on one-dimensional convolutional neural network | |
| Zhang et al. | A Hybrid Neural Network-Based Intelligent Forecasting Approach for Capacity of Photovoltaic Electricity Generation | |
| Fan et al. | Wind power time series missing data imputation based on generative adversarial network | |
| Zhou et al. | Wind power prediction based on random forests |
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 |