CN117195121A - 基于改进对抗自动编码器的风电机组异常状态识别方法及系统 - Google Patents
基于改进对抗自动编码器的风电机组异常状态识别方法及系统 Download PDFInfo
- Publication number
- CN117195121A CN117195121A CN202311117630.2A CN202311117630A CN117195121A CN 117195121 A CN117195121 A CN 117195121A CN 202311117630 A CN202311117630 A CN 202311117630A CN 117195121 A CN117195121 A CN 117195121A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- encoder
- countermeasure
- gearbox
- 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 30
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000010586 diagram Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000005461 lubrication Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000036541 health Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于改进对抗自动编码器的风电机组异常状态识别方法及系统,包括:采集风电机组齿轮箱的SCADA数据,对采集到的数据进行预处理,将预处理后的数据划分训练集和测试集;构建卷积对抗自编码器模型;将训练集输入至卷积对抗自编码器模型中,对卷积对抗自编码器模型进行训练,获取最优化的模型和模型预测数据;基于训练集和模型预测数据,确定故障阈值;基于测试集和最优化的模型,获取优化模型的预测数据;基于优化模型的预测数据、测试集和故障阈值,获取数据预警图,确定齿轮箱SCADA故障预警部位。本发明通过结合生成对抗网络和自动编码器,实现了对实际值与预测值的偏差进行预警,提高了齿轮箱SCADA故障预警准确率。
Description
技术领域
本发明属于风力发电技术领域,涉及一种基于改进对抗自动编码器的风电机组异常状态识别方法及系统。
背景技术
风电机组通常运行于环境恶劣的偏远地区,长期承受极端载荷、极限温差,其核心部件的故障率较高,加之运行维护不便,停机时间及发电量损失较大。随着风电机组的单机容量不断增加,风电场运维人员需要更加准确地把握机组的健康状态,以便于开展合理的检修维护活动以减少经济损失。
监控与数据采集(SCADA)系统作为风电机组的标准配置,主要用于风电机组各监测参数的采集、监测与控制。其提供的几十种甚至上百种监测参量为风电机组的健康状态评估提供了数据平台。随着人工智能技术的发展,将深度学习应用于基于SCADA数据的风电机组状态监测中,能够有效提升故障早期预警效果、提高机组运行可靠性。SCADA数据量大、参数多,如何有效挖掘关键信息是故障预警的关键。由于SCADA的参数多为温度等信息,反映故障比较慢,给运维增加了难度。基于SCADA数据实现风电机组故障的提前预警、尽早预警具有重要的工程意义。
发明内容
本发明的目的在于解决现有技术中SCADA参数反映故障慢,运维增加难度的问题,提供一种基于改进对抗自动编码器的风电机组异常状态识别方法及系统。
为达到上述目的,本发明采用以下技术方案予以实现:
基于改进对抗自动编码器的风电机组异常状态识别方法,包括:
采集风电机组齿轮箱的SCADA数据,并对采集到的数据进行预处理,然后将预处理后的数据划分训练集和测试集;
构建卷积对抗自编码器模型;
将训练集输入至卷积对抗自编码器模型中,对卷积对抗自编码器模型进行训练,获取最优化的模型和模型预测数据;
基于训练集和模型预测数据,确定故障阈值;
基于测试集和最优化的模型,获取优化模型的预测数据;
基于优化模型的预测数据、测试集和故障阈值,获取数据预警图,确定齿轮箱SCADA故障预警部位。
本发明的进一步改进在于:
进一步的,采集风电机组齿轮箱的历史SCADA数据,具体为:
在预审时间内收集各机组正常运行的健康数据作为训练集;收集的SCADA参数包括:齿轮箱油池温度、齿轮箱油池入口油温、齿轮箱油池出口油温、齿轮箱高速轴驱动端温度、齿轮箱高速轴非驱动端温度、齿轮箱中速轴驱动端温度、齿轮箱中速轴非驱动端温度、主轴前轴承温度、主轴后轴承温度、齿轮箱进口油压、齿轮箱出口油压、齿轮箱润滑滤油器进口压力、齿轮箱润滑滤油器出口压力、有功功率、风速和发电机转速中的一种或多种。
进一步的,对采集到的数据进行预处理,具体为:数据清洗和归一化预处理;所述数据清洗对收集到的数据进行异常值剔除;对在最大风能跟踪面积和发电机恒速面积中采集的数据进行清洗,并采用四分位方法,将严重偏离风功率曲线的数据进行筛除。
进一步的,归一化预处理,具体为:对清洗过的数据进行线性变换,使结果映射到[0,1]的范围;归一化公式为:
X'=(X-Xmin)/(Xmax-Xmin) (1)
其中,X为原始数据,Xmax、Xmin分别为原始数据集的最大值和最小值。
进一步的,卷积对抗自编码器模型包括:编码器、解码器和判别器;所述编码器与解码器构成一个自编码器,输入的复杂样本在解码器的输出端得到重构;判别器输入编码向量,判别器判定编码向量来自一个真实的标准高斯分布,还是来自编码器的输出。判别器用来区分编码向量的真假,所述编码器力争让判别器区分不出真假,通过判别器和编码器的对抗训练学习数据的本质规律,建立深度学习网络。
进一步的,将训练集输入至卷积对抗自编码器模型中,对卷积对抗自编码器模型进行训练,获取最优化的模型和模型预测数据,具体为:
将训练集输入卷积对抗自编码器模型中进行训练,训练包括两步:(1)训练编码器/解码器进行重建,通过样本{Xb,n}进行计算
Zb,k=fencoder(Xb,n) (2)
X′b,n=fdecoder(Zb,k) (3)
通过公式(4)进行反向传播:
其中{Xb,n}为输入样本,b为样本数据量的大小,n为样本的维度,fencoder为编码器模型参数,fencoder为解码器模型参数,Zb,k为编码器的输出变量,同时也是解码器的输入,X′b,n为解码器的输出变量,即样本{Xb,n}的重构变量,通过计算样本真实值{Xb,n}与重构值X′b,n的偏差作为损失函数进行反向传播更新;
(2)训练生成器G/判别器D,通过样本{Xb,n},{Sb,n}·N(0,Ι),计算
Zb,k=fencoder(Xb,n) (5)
其中,G为生成器模型参数,D为判别器模型参数,Zb,k为编码器模型的输出变量,为生成器的输出变量,Sb,n为随机噪声,大小为b,维度为n,Pdata(x)代表输入样本服从的数据分布,PS(S)代表随机噪声服从的数据分布,E为求期望;
通过公式(7)进行反向传播:
LGAN为该过程的损失函数,损失函数的意义为:通过将与输入样本维度相同的随机噪声输入到生成器G中生成假样本,判别器D判别数据是来自于真实样本还是假样本,通过对抗学习提升编码器和解码器的重构能力;
通过两个步骤的反向传播进行模型更新,直到卷积对抗自编码器模型收敛。
进一步的,基于训练集和模型预测数据,确定故障阈值,具体为:通过输入卷积对抗自编码器的训练集与模型预测数据,得到两者的曼哈顿距离,如公式(8)所示:
其中,Xi,n为输入的真实SCADA数据,X′i,n为所提模型输出的重构样本,i为数据大小,n为数据维度,scorei为输入样本与重构样本的曼哈顿距离;
将分数进行指数加权移动平均得到zt:
zt=λ·scoret+(1-λ)zt-1 (9)
其中,t是时间,λ是在t时刻分数scoret对zt分布估计的权重,λ被设置为0.3,zt由t时刻分数scoret和前一时刻的zt-1计算得到,以此往前推,z0的值为分数scoret的均值;
计算各时间段zt的均值μ与标准差σ;得出预警的上下阈值为:
其中,UCL为上限阈值,LCL为下限阈值;μ为zt的均值,σ为zt的标准差;λ是在t时刻分数scoret对zt分布估计的权重。
进一步的,基于优化模型的预测数据、测试集和故障阈值,获取数据预警图,确定齿轮箱SCADA故障预警部位,具体为:将测试集输入到最优化的模型中,计算每一个时间点测试集数据与优化模型的预测数据的曼哈顿距离作为分数score,绘制指数加权移动平均控制图;若结果超出阈值,则报异常。
基于改进对抗自动编码器的风电机组异常状态识别系统,包括:
预处理模块,所述预处理模块采集风电机组齿轮箱的SCADA数据,并对采集到的数据进行预处理,然后将预处理后的数据划分训练集和测试集;
构建模块,所述构建模块构建卷积对抗自编码器模型;
训练模块,所述训练模块将训练集输入至卷积对抗自编码器模型中,对卷积对抗自编码器模型进行训练,获取最优化的模型和模型预测数据;
第一确定模块,所述第一确定模块基于训练集和模型预测数据,确定故障阈值;
获取模块,所述获取模块基于测试集和最优化的模型,获取优化模型的预测数据;
第二确定模块,所述第二确定模块基于优化模型的预测数据、测试集和故障阈值,获取数据预警图,确定齿轮箱SCADA故障预警部位。
与现有技术相比,本发明具有以下有益效果:
本发明通过收集SCADA数据,对数据进行数据清洗和归一化预处理,并训练卷积对抗自动编码器模型,确定故障阈值;通过在线SCADA数据输入训练好的模型中进行测试,并绘制预警图。本发明通过结合生成对抗网络和自动编码器,实现了对实际值与预测值的偏差进行预警,提高了齿轮箱SCADA故障预警准确率。
附图说明
为了更清楚的说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的基于改进对抗自动编码器的风电机组异常状态识别方法的流程图;
图2为本发明的对抗自动编码器架构图;
图3为本发明的基于改进对抗自动编码器的风电机组异常状态识别系统的结构示意图;
图4为2号风机故障预警结果示意图;
图5为3号风机健康预警结果示意图;
图6为46号风机故障预警结果示意图;
图7为47号风机健康预警结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中,需要说明的是,若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,若出现术语“水平”,并不表示要求部件绝对水平,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明实施例的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明公布了一种基于改进对抗自动编码器的风电机组异常状态识别方法,包括:
S101,采集风电机组齿轮箱的SCADA数据,并对采集到的数据进行预处理,然后将预处理后的数据划分训练集和测试集。
在预审时间内收集各机组正常运行的健康数据作为训练集;收集的SCADA参数包括:齿轮箱油池温度、齿轮箱油池入口油温、齿轮箱油池出口油温、齿轮箱高速轴驱动端温度、齿轮箱高速轴非驱动端温度、齿轮箱中速轴驱动端温度、齿轮箱中速轴非驱动端温度、主轴前轴承温度、主轴后轴承温度、齿轮箱进口油压、齿轮箱出口油压、齿轮箱润滑滤油器进口压力、齿轮箱润滑滤油器出口压力、有功功率、风速和发电机转速中的一种或多种。
对采集到的数据进行预处理,具体为:数据清洗和归一化预处理;所述数据清洗对收集到的数据进行异常值剔除;异常值是指由于弃风、风速测量不正确等原因导致的偏离正常功率曲线的数据,由于异常值产生的原因是复杂的、随机的,不利于预警模型的训练,故需要将其剔除。最大风能跟踪面积和发电机恒速面积是风力发电机组的主要有效工作面积,本申请文件只使用了这两个区域的数据,并采用四分位方法,将严重偏离风功率曲线的数据进行了筛除。
其中,pow为发电机有功功率,θ为变桨角度,v为风速。
归一化预处理,具体为:对清洗过的数据进行线性变换,使结果映射到[0,1]的范围;归一化公式为:
X'=(X-Xmin)/(Xmax-Xmin) (1)
其中,X为原始数据,Xmax、Xmin分别为原始数据集的最大值和最小值。
S102,构建卷积对抗自编码器模型。
参见图2,卷积对抗自编码器模型包括:编码器、解码器和判别器;所述编码器与解码器构成一个自编码器,输入的复杂样本在解码器的输出端得到重构;判别器输入编码向量,判别器判定编码向量来自一个真实的标准高斯分布,还是来自编码器的输出。判别器区分编码向量的真假,所述编码器力争让判别器区分不出真假,通过判别器和编码器的对抗训练学习数据的本质规律,建立深度学习网络。
S103,将训练集输入至卷积对抗自编码器模型中,对卷积对抗自编码器模型进行训练,获取最优化的模型和模型预测数据。
将训练集输入卷积对抗自编码器模型中进行训练,训练包括两步:(1)训练编码器/解码器进行重建,通过样本{Xb,n}进行计算
Zb,k=fencoder(Xb,n) (2)
X′b,n=fdecoder(Zb,k) (3)
通过公式(4)进行反向传播:
其中{Xb,n}为输入样本,b为样本数据量的大小,n为样本的维度,fencoder为编码器模型参数,fencoder为解码器模型参数,Zb,k为编码器的输出变量,同时也是解码器的输入,X′b,n为解码器的输出变量,即样本{Xb,n}的重构变量,通过计算样本真实值{Xb,n}与重构值X′b,n的偏差作为损失函数进行反向传播更新;
(2)训练生成器G/判别器D,通过样本{Xb,n},{Sb,n}·N(0,Ι),计算
Zb,k=fencoder(Xb,n) (5)
其中,G为生成器模型参数,D为判别器模型参数,Zb,k为编码器模型的输出变量,为生成器的输出变量,Sb,n为随机噪声,大小为b,维度为n,Pdata(x)代表输入样本服从的数据分布,PS(S)代表随机噪声服从的数据分布,E为求期望;
通过公式(7)进行反向传播:
LGAN为该过程的损失函数,损失函数的意义为:通过将与输入样本维度相同的随机噪声输入到生成器G中生成假样本,判别器D判别数据是来自于真实样本还是假样本,通过对抗学习提升编码器和解码器的重构能力;
通过两个步骤的反向传播进行模型更新,直到卷积对抗自编码器模型收敛。
S104,基于训练集和模型预测数据,确定故障阈值。
通过输入卷积对抗自编码器的训练集与模型预测数据,得到两者的曼哈顿距离,如公式(8)所示:
其中,Xi,n为输入的真实SCADA数据,X′i,n为所提模型输出的重构样本,i为数据大小,n为数据维度,scorei为输入样本与重构样本的曼哈顿距离;
将分数进行指数加权移动平均得到zt:
zt=λ·scoret+(1-λ)zt-1 (9)
其中,t是时间,λ是在t时刻分数scoret对zt分布估计的权重,λ被设置为0.3,zt由t时刻分数scoret和前一时刻的zt-1计算得到,以此往前推,z0的值为分数scoret的均值;
计算各时间段zt的均值μ与标准差σ;得出预警的上下阈值为:
其中,UCL为上限阈值,LCL为下限阈值;μ为zt的均值,σ为zt的标准差;λ是在t时刻分数scoret对zt分布估计的权重;λ被设置为0.3。
S105,基于测试集和最优化的模型,获取优化模型的预测数据。
S106,基于优化模型的预测数据、测试集和故障阈值,获取数据预警图,确定齿轮箱SCADA故障预警部位。
将测试集输入到最优化的模型中,计算每一个时间点测试集数据与优化模型的预测数据的曼哈顿距离作为分数score,绘制指数加权移动平均控制图;若结果超出阈值,则报异常。
参见图3,本发明公布了一种基于改进对抗自动编码器的风电机组异常状态识别系统,包括:
预处理模块,所述预处理模块采集风电机组齿轮箱的SCADA数据,并对采集到的数据进行预处理,然后将预处理后的数据划分训练集和测试集;
构建模块,所述构建模块构建卷积对抗自编码器模型;
训练模块,所述训练模块将训练集输入至卷积对抗自编码器模型中,对卷积对抗自编码器模型进行训练,获取最优化的模型和模型预测数据;
第一确定模块,所述第一确定模块基于训练集和模型预测数据,确定故障阈值;
获取模块,所述获取模块基于测试集和最优化的模型,获取优化模型的预测数据;
第二确定模块,所述第二确定模块基于优化模型的预测数据、测试集和故障阈值,获取数据预警图,确定齿轮箱SCADA故障预警部位。
实施例:为了达到上述目的,本发明的方法步骤为:
A、收集SCADA数据,对数据进行数据清洗和归一化预处理。
B、训练卷积对抗自动编码器模型,计算异常评分,并确定故障阈值。
C、在线SCADA数据输入训练好的模型中进行测试,并绘制预警图。
优选的,步骤A首先收集SCADA数据,主要收集各机组正常运行的健康数据作为训练集训练神经网络模型,数据每十分钟采样一次。主要收集的SCADA参数有:齿轮箱油池温度、齿轮箱油池入口油温、齿轮箱油池出口油温、齿轮箱高速轴驱动端温度、齿轮箱高速轴非驱动端温度、齿轮箱中速轴驱动端温度、齿轮箱中速轴非驱动端温度、主轴前轴承温度、主轴后轴承温度、齿轮箱进口油压、齿轮箱出口油压、齿轮箱润滑滤油器进口压力、齿轮箱润滑滤油器出口压力、有功功率、风速、发电机转速。具体涉及的故障包括:齿轮箱油池温度高故障、齿轮箱高速轴驱动端故障、齿轮箱高速轴非驱动端故障、齿轮箱中速轴驱动端故障、齿轮箱中速轴非驱动端故障、主轴前轴承故障、主轴后轴承故障、齿轮箱油压异常、齿轮箱润滑滤油器故障等。本专利选择了两个风场4台风电机组一年的SCADA数据作为案例,分析所提模型的效果,具体数据如表1所示。
表1
优选的,步骤A对收集到的数据进行异常值剔除。异常值是指由于弃风、风速测量不正确等原因导致的偏离正常功率曲线的数据,由于异常值产生的原因是复杂的、随机的,不利于预警模型的训练,故需要将其剔除。最大风能跟踪面积和发电机恒速面积是风力发电机组的主要有效工作面积,本专利只使用了这两个区域的数据,并采用四分位方法,将严重偏离风功率曲线的数据进行了筛除,具体为:
其中,pow为发电机有功功率,θ为变桨角度,v为风速。
优选的,步骤A中对清洗后的数据进行了归一化处理。归一化可以消除数据的维度,加速优化过程并提高模型的准确性。本专利使用的是最大-最小归一化方法,具体为:
X'=(X-Xmin)/(Xmax-Xmin)
其中,X为样本,Xmin为样本最小值,Xmax为样本最大值,最终的数据X’为训练集。
优选的,步骤B中采用收集到的数据训练本专利提出的卷积对抗自编码器,本专利提出的卷积对抗自编码神经网络如图2所示。
优选的,步骤B中卷积对抗自编码器包含三个模块:编码器、解码器、判别器。编码器与解码器构成一个自编码器,输入的复杂样本在解码器的输出端得到重构。判别器输入编码向量,判定它是来自一个真实的标准高斯分布,还是来自编码器的输出。判别器试图区分编码向量的真假,编码器力争让判别器区分不出真假,通过二者的对抗训练学习数据的本质规律,建立深度学习网络。
优选的,步骤B中将训练集输入模型中训练,训练包括两步:(1)训练编码器/解码器进行重建,样本{Xb,n},计算
Zb,k=fencoder(Xb,n)
X′b,n=fdecoder(Zb,k)
通过以下公式进行反向传播:
(2)训练生成器G/判别器D,样本{Xb,n},{Sb,n}·N(0,Ι),计算
Zb,k=fencoder(Xb,n)
通过以下公式进行反向传播:
通过两个步骤的反向传播进行模型更新,直到收敛。
优选的,步骤B中模型收敛后,计算输入模型的真实数据与模型预测数据的曼哈顿距离,用分数表示。将分数进行指数加权移动平均得到zt:zt=λ·scoret+(1-λ)zt-1,计算各时间段zt的均值μ与标准差σ。得出预警的上下阈值为:
其中UCL为上限阈值,LCL为下限阈值,主要通过上述公式计算得到,每台风机的阈值是不同的,具体大小如图4~7所示;λ是在t时刻分数scoret对zt分布估计的权重,λ被设置为0.3。
优选的,步骤C中将在线的测试数据输入到训练好的模型中,计算每一个时间点输入数据与预测数据的曼哈顿距离作为分数score,绘制指数加权移动平均(EWMA)控制图。若结果超出阈值,则报异常。以表1的4台机组作为案例,最终的预警图如图4~7所示,可以看到故障样本2和样本46在故障发生前超出阈值,实现了报警。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于改进对抗自动编码器的风电机组异常状态识别方法,其特征在于,包括:
采集风电机组齿轮箱的SCADA数据,并对采集到的数据进行预处理,然后将预处理后的数据划分训练集和测试集;
构建卷积对抗自编码器模型;
将训练集输入至卷积对抗自编码器模型中,对卷积对抗自编码器模型进行训练,获取最优化的模型和模型预测数据;
基于训练集和模型预测数据,确定故障阈值;
基于测试集和最优化的模型,获取优化模型的预测数据;
基于优化模型的预测数据、测试集和故障阈值,获取数据预警图,确定齿轮箱SCADA故障预警部位。
2.根据权利要求1所述的基于改进对抗自动编码器的风电机组异常状态识别方法,其特征在于,所述采集风电机组齿轮箱的历史SCADA数据,具体为:
在预审时间内收集各机组正常运行的健康数据作为训练集;收集的SCADA参数包括:齿轮箱油池温度、齿轮箱油池入口油温、齿轮箱油池出口油温、齿轮箱高速轴驱动端温度、齿轮箱高速轴非驱动端温度、齿轮箱中速轴驱动端温度、齿轮箱中速轴非驱动端温度、主轴前轴承温度、主轴后轴承温度、齿轮箱进口油压、齿轮箱出口油压、齿轮箱润滑滤油器进口压力、齿轮箱润滑滤油器出口压力、有功功率、风速和发电机转速中的一种或多种。
3.根据权利要求2所述的基于改进对抗自动编码器的风电机组异常状态识别方法,其特征在于,所述对采集到的数据进行预处理,具体为:数据清洗和归一化预处理;所述数据清洗对收集到的数据进行异常值剔除;对在最大风能跟踪面积和发电机恒速面积中采集的数据进行清洗,并采用四分位方法,将严重偏离风功率曲线的数据进行筛除。
4.根据权利要求3所述的基于改进对抗自动编码器的风电机组异常状态识别方法,其特征在于,所述归一化预处理,具体为:对清洗过的数据进行线性变换,使结果映射到[0,1]的范围;归一化公式为:
X'=(X-Xmin)/(Xmax-Xmin) (1)
其中,X为原始数据,Xmax、Xmin分别为原始数据集的最大值和最小值。
5.根据权利要求4所述的基于改进对抗自动编码器的风电机组异常状态识别方法,其特征在于,所述卷积对抗自编码器模型包括:编码器、解码器和判别器;所述编码器与解码器构成一个自编码器,输入的复杂样本在解码器的输出端得到重构;判别器输入编码向量,判别器判定编码向量来自一个真实的标准高斯分布,还是来自编码器的输出;判别器用来区分编码向量的真假,所述编码器力争让判别器区分不出真假,通过判别器和编码器的对抗训练学习数据的本质规律,建立深度学习网络。
6.根据权利要求5所述的基于改进对抗自动编码器的风电机组异常状态识别方法,其特征在于,所述将训练集输入至卷积对抗自编码器模型中,对卷积对抗自编码器模型进行训练,获取最优化的模型和模型预测数据,具体为:
将训练集输入卷积对抗自编码器模型中进行训练,训练包括两步:(1)训练编码器/解码器进行重建,通过样本{Xb,n}进行计算
Zb,k=fencoder(Xb,n) (2)
X′b,n=fdecoder(Zb,k) (3)
通过公式(4)进行反向传播:
其中{Xb,n}为输入样本,b为样本数据量的大小,n为样本的维度,fencoder为编码器模型参数,fencoder为解码器模型参数,Zb,k为编码器的输出变量,同时也是解码器的输入,X′b,n为解码器的输出变量,即样本{Xb,n}的重构变量,通过计算样本真实值{Xb,n}与重构值X′b,n的偏差作为损失函数进行反向传播更新;
(2)训练生成器G/判别器D,通过样本{Xb,n},{Sb,n}·N(0,Ι),计算
Zb,k=fencoder(Xb,n) (5)
其中,G为生成器模型参数,D为判别器模型参数,Zb,k为编码器模型的输出变量,为生成器的输出变量,Sb,n为随机噪声,大小为b,维度为n,Pdata(x)代表输入样本服从的数据分布,PS(S)代表随机噪声服从的数据分布,E为求期望;
通过公式(7)进行反向传播:
LGAN为该过程的损失函数,损失函数的意义为:通过将与输入样本维度相同的随机噪声输入到生成器G中生成假样本,判别器D判别数据是来自于真实样本还是假样本,通过对抗学习提升编码器和解码器的重构能力;
通过两个步骤的反向传播进行模型更新,直到卷积对抗自编码器模型收敛。
7.根据权利要求6所述的基于改进对抗自动编码器的风电机组异常状态识别方法,其特征在于,所述基于训练集和模型预测数据,确定故障阈值,具体为:通过输入卷积对抗自编码器的训练集与模型预测数据,得到两者的曼哈顿距离,如公式(8)所示:
其中,Xi,n为输入的真实SCADA数据,X′i,n为所提模型输出的重构样本,i为数据大小,n为数据维度,scorei为输入样本与重构样本的曼哈顿距离;
将分数进行指数加权移动平均得到zt:
zt=λ·scoret+(1-λ)zt-1 (9)
其中,t是时间,λ是在t时刻分数scoret对zt分布估计的权重,λ被设置为0.3,zt由t时刻分数scoret和前一时刻的zt-1计算得到,以此往前推,z0的值为分数scoret的均值;
计算各时间段zt的均值μ与标准差σ;得出预警的上下阈值为:
其中,UCL为上限阈值,LCL为下限阈值;μ为zt的均值,σ为zt的标准差;λ是在t时刻分数scoret对zt分布估计的权重。
8.根据权利要求7所述的基于改进对抗自动编码器的风电机组异常状态识别方法,其特征在于,所述基于优化模型的预测数据、测试集和故障阈值,获取数据预警图,确定齿轮箱SCADA故障预警部位,具体为:将测试集输入到最优化的模型中,计算每一个时间点测试集数据与优化模型的预测数据的曼哈顿距离作为分数score,绘制指数加权移动平均控制图;若结果超出阈值,则报异常。
9.基于改进对抗自动编码器的风电机组异常状态识别系统,其特征在于,包括:
预处理模块,所述预处理模块采集风电机组齿轮箱的SCADA数据,并对采集到的数据进行预处理,然后将预处理后的数据划分训练集和测试集;
构建模块,所述构建模块构建卷积对抗自编码器模型;
训练模块,所述训练模块将训练集输入至卷积对抗自编码器模型中,对卷积对抗自编码器模型进行训练,获取最优化的模型和模型预测数据;
第一确定模块,所述第一确定模块基于训练集和模型预测数据,确定故障阈值;
获取模块,所述获取模块基于测试集和最优化的模型,获取优化模型的预测数据;
第二确定模块,所述第二确定模块基于优化模型的预测数据、测试集和故障阈值,获取数据预警图,确定齿轮箱SCADA故障预警部位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117630.2A CN117195121A (zh) | 2023-08-31 | 2023-08-31 | 基于改进对抗自动编码器的风电机组异常状态识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117630.2A CN117195121A (zh) | 2023-08-31 | 2023-08-31 | 基于改进对抗自动编码器的风电机组异常状态识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117195121A true CN117195121A (zh) | 2023-12-08 |
Family
ID=88988013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311117630.2A Pending CN117195121A (zh) | 2023-08-31 | 2023-08-31 | 基于改进对抗自动编码器的风电机组异常状态识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195121A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117571901A (zh) * | 2023-11-17 | 2024-02-20 | 承德神源太阳能发电有限公司 | 一种光伏电站变压器故障预警及检修的方法、系统及设备 |
-
2023
- 2023-08-31 CN CN202311117630.2A patent/CN117195121A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117571901A (zh) * | 2023-11-17 | 2024-02-20 | 承德神源太阳能发电有限公司 | 一种光伏电站变压器故障预警及检修的方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
CN117195121A (zh) | 基于改进对抗自动编码器的风电机组异常状态识别方法及系统 | |
CN112733283A (zh) | 一种风电机组部件故障预测方法 | |
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 | |
CN111814849B (zh) | 一种基于da-rnn的风电机组关键组件故障预警方法 | |
CN111814848B (zh) | 一种风电机组温度故障的自适应预警策略设计方法 | |
Zhu et al. | Operational state assessment of wind turbine gearbox based on long short-term memory networks and fuzzy synthesis | |
CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
CN112417612A (zh) | 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
CN113516159B (zh) | 轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统 | |
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 | |
CN113435228A (zh) | 一种基于振动信号建模的电动机轴承寿命预测与分析方法 | |
CN113776818B (zh) | 基于Park变换的海上风电机组齿轮系统故障诊断方法 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN116070368A (zh) | 一种海上风电机组高速轴承剩余寿命预测方法 | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
CN115326393A (zh) | 一种基于温度信息的风电机组轴承对故障诊断方法 |
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 |