CN117869208A - 一种基于lstm自动编码器的风力发电机组异常检测方法 - Google Patents
一种基于lstm自动编码器的风力发电机组异常检测方法 Download PDFInfo
- Publication number
- CN117869208A CN117869208A CN202311660157.2A CN202311660157A CN117869208A CN 117869208 A CN117869208 A CN 117869208A CN 202311660157 A CN202311660157 A CN 202311660157A CN 117869208 A CN117869208 A CN 117869208A
- Authority
- CN
- China
- Prior art keywords
- lstm
- data
- automatic encoder
- wind turbine
- wind generating
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于LSTM自动编码器的风力发电机组异常检测方法,本发明涉及风电机组领域,具体涉及一种基于LSTM自动编码器的风力发电机组异常检测方法,以下步骤:通过前端设备获取需要的风电机组数据,并对其进行处理;基于LSTM搭建自动编码器,使用筛选和处理后的数据训练模型,训练好的模型在训练集上形成一组重构误差;将实际数据送入训练好的模型,同样得到重构误差,与步骤S2中得到的重构误差进行比较,从而判断风电机组是否处于异常状态。如此设置的好处在于:可以差异化且直观地对每一台机组各部件进行状态评估和早期异常检测,可以提前发现设备早期异常,将能有效减少机组故障停机、减少大部件下架带来的巨大损失。
Description
技术领域
本发明涉及风电机组领域,具体涉及一种基于LSTM自动编码器的风力发电机组异常检测方法。
背景技术
随着风电平价时代的到来,主机厂和运营方都面临巨大的成本压力。同时,随着机组的大型化和海上风电的大力发展,单台机组故障所带来损失也越来越难以承受。这就对机组的稳定运行提出了更高要求。而机组的早期异常识别就成为重要的降本手段之一。
自动编码器是一种无监督学习模型,用于学习输入数据的低维表示。它由编码器和解码器两部分组成,其中编码器将输入数据映射到一个隐藏层表示,解码器则将隐藏层表示映射回原始输入空间。而LSTM自动编码器则是在编码器和解码器的网络结构中引入了LSTM单元,以增强模型对序列数据的建模能力。传统的主控、监控系统基于固定阈值的报警监测手段,不能针对单台机组给出定制化的报警参数,也无法有效识别早期异常。
发明内容
本发明目的在于:针对上述存在的问题,提供一种基于LSTM自动编码器的风力发电机组异常检测方法。
本发明采用的技术方案如下:
一种基于LSTM自动编码器的风力发电机组异常检测方法,包括以下步骤:
S1:通过前端设备获取需要的风电机组数据,并对其进行处理;
S2:基于LSTM搭建自动编码器,使用筛选和处理后的数据训练模型,训练好的模型在训练集上形成一组重构误差;
S3:将实际数据送入训练好的模型,同样得到重构误差,与步骤S2中得到的重构误差进行比较,从而判断风电机组是否处于异常状态。
进一步的,步骤S1中首先确定想要进行异常识别的部件或变量,通过经验和相关性分析选择与被检测对象相关的若干变量。
进一步的,步骤S1中利用单台机组刚投运一年的运行数据。
进一步的,运行数据应剔除数据中调试期、通讯中断、传感器跳变等异常情况产生的异常数据。
进一步的,步骤S1中根据不同研究对象的特性,选定时间窗口,须保证一个时间序列数据段内时间连续,将连续时间内的数据制作成时间序列集合。
进一步的,步骤S2模型训练中网络层数、每层包含的神经元数,迭代次数作为优化参数,基于大量案例数据搜寻最佳网络参数组合。
进一步的,步骤S2中将训练集上的重构误差进行排序,选择前1%和前3‰所在位置的元素值分别作为初级异常和严重异常的判定边界。
进一步的,步骤S3中当前重构误差小于初级异常边界值,则认为状态正常;若大于初级异常但小于严重异常边界,则认为存在初级异常;若大于严重异常边界,则认为存在严重隐患,应尽快安排现场检查处理。
进一步的,一种基于LSTM自动编码器,包括:
数据预处理模块:用于获取风电机组运行数据,并对其进行预处理;
编码器构建模块:用于构建并训练基于LSTM的编码器;
重构误差进行对照模块:用于将实际重构误差与训练集上的重构误差进行比较。
进一步的,包括存储器和处理器;存储器,用于存储计算机程序;处理器,用于当执行计算机程序时,实现如权利要求1-8任一项的一种基于LSTM自动编码器的风力发电机组异常检测方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明适用于目前大部分风电机组系统,可以差异化且直观地对每一台机组各部件进行状态评估和早期异常检测;
2.本发明可以提前发现设备早期异常,如果能及时处理,将能有效减少机组故障停机、减少大部件下架带来的巨大损失;
3本发明基于大数据和简单机理的时序数据关联性分析思路,扩展性较好,不同品牌的的机组均可使用本方法。
附图说明
图1是本发明系统流程图。
具体实例
下面结合附图,对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本实施例中,如图1所示,一种基于LSTM自动编码器的风力发电机组异常检测方法,包括以下步骤:
S1:通过前端设备获取需要的风电机组数据,并对其进行处理;首先确定要做异常检测的对象,再选择与对象相关的变量。如,想要分析功率曲线,可选择风速、风向、桨角、功率等、主轴轴承温度,可选择转速、功率、机舱温度和轴承温度等,以上运行数据均可以通过现场设备通过实时记录以及储存,以用于后续基于LSTM搭建的自动编码器对数据进行进一步处理;
进一步的,对于数据的处理,需要清除无效数据,选择连续时间内的数据供下一步编码计算所用;
S2:基于LSTM搭建自动编码器,使用筛选和处理后的数据训练模型,训练好的模型在训练集上形成一组重构误差;风力发电机组相关的监测变量,大部分都具有时延性。因而,对于风力机的诊断分析,往往是基于一个时间段的数据。如而处理一段时序数据,用LSTM神经网络是很好的选择。
S3:将实际数据送入训练好的模型,同样得到重构误差,与步骤S2中得到的重构误差进行比较,从而判断风电机组是否处于异常状态;由长期运行的数据得到一个重构误差数据库,可以在很大程度上反应机组在运行时的合理数值范围分布,异常数值,或异常情况发生前的特殊数值均被记录在此训练集上,当检测到而常数值、超过正常范围,或异常情况发生前的组合数值,即可发出信号,对风力发电机组的异常情况进行报警。
进一步的,步骤S1中首先确定想要进行异常识别的部件或变量,通过经验和相关性分析选择与被检测对象相关的若干变量;对于异常情况出现较多的部件数值进行挑选,一个部件可能涉及多个数值,需要对所有该部件的数值进行筛选、监控,具体的:对于主轴轴承的监控可以根据经验选择:转速,工作时间,功率、风速、风向等数据来判定主轴轴承的运行情况是否保持在正常运行区间。
进一步的,步骤S1中利用单台机组刚投运一年的运行数据,选取单台机组刚投运一年内的数据,这样做的好处在于:风电机组在刚投运时,各个部件均处于最佳状态,运行数据较为稳定,得到的重构误差更加准确,方便于后期风电机组长时间使用后,各个部件可能出现的问题进行异常判定。
进一步的,运行数据应剔除数据中调试期、通讯中断、传感器跳变等异常情况产生的异常数据,采用上述方法:利用刚投运一年的运行数据,需要排除正常运行情况意外的数据,如:调试期、通讯中断、传感器跳变等异常情况产生的异常数据,可以使LSTM自动编码器得到的数据更加准确,对于风电机组异常情况的判断更加准确。
进一步的,步骤S1中根据不同研究对象的特性,选定时间窗口,须保证一个时间序列数据段内时间连续,将连续时间内的数据制作成时间序列集合,对于风电机组异常情况的判断,通常通过某一点的数据很难判断,故需要对一个正常、连续运行时间段内的数据进行调用,达到准确判断的目的。
进一步的,步骤S2模型训练中网络层数、每层包含的神经元数,迭代次数作为优化参数,基于大量案例数据搜寻最佳网络参数组合,LSTM自动编码器不断结合每台机组的常见异常情况进行优化,如:海上风电机组由于环境较为多变,数据较为不稳定,LSTM自动编码器可以放低异常报警的阈值,而对于一些较为敏感的数据进行密切监控,保证每台机组的正常运行。
进一步的,步骤S2中将训练集上的重构误差进行排序,选择前1%和前3‰所在位置的元素值分别作为初级异常和严重异常的判定边界,对于大部分机组,在利用长时间的运行数据训练出来的训练模型,得到一组重构误差,将此组内数据的前1%和前3‰所在位置的元素值分别作为初级异常和严重异常的判定边界,来确定风电机组是否处于异常状态的判定标准。
进一步的,划分上述重构误差的20%作为验证集,用于验证数据采集分析是否正确合理,若存在不合理的情况,需要及时调整,并且重新获取此风电机组的重构误差,或重新调整LSTM自动编码器对于数据的采集分析方式。
进一步的,步骤S3中当前重构误差小于初级异常边界值,则认为状态正常;若大于初级异常但小于严重异常边界,则认为存在初级异常;若大于严重异常边界,则认为存在严重隐患,应尽快安排现场检查处理。
进一步的,一种基于LSTM自动编码器,包括:
数据预处理模块:用于获取风电机组运行数据,并对其进行预处理;
编码器构建模块:用于构建并训练基于LSTM的编码器;
重构误差进行对照模块:用于将实际重构误差与训练集上的重构误差进行比较。
进一步的,包括存储器和处理器;存储器,用于存储计算机程序;处理器,用于当执行计算机程序时,实现一种基于LSTM自动编码器的风力发电机组异常检测方法。
以上所述仅为发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于LSTM自动编码器的风力发电机组异常检测方法,其特征在于:包括以下步骤:
S1:通过前端设备获取需要的风电机组数据,并对其进行处理;
S2:基于LSTM搭建自动编码器,使用筛选和处理后的数据训练模型,训练好的模型在训练集上形成一组重构误差;
S3:将实际数据送入训练好的模型,同样得到重构误差,与步骤S2中得到的重构误差进行比较,从而判断风电机组是否处于异常状态。
2.根据权利要求1中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法,其特征在于:所述步骤S1中首先确定想要进行异常识别的部件或变量,通过经验和相关性分析选择与被检测对象相关的若干变量。
3.根据权利要求1中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法,其特征在于:所述步骤S1中利用单台机组刚投运一年的运行数据。
4.根据权利要求3中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法,其特征在于:所述运行数据应剔除数据中调试期、通讯中断、传感器跳变等异常情况产生的异常数据。
5.根据权利要求1中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法,其特征在于:所述步骤S1中根据不同研究对象的特性,选定时间窗口,须保证一个时间序列数据段内时间连续,将连续时间内的数据制作成时间序列集合。
6.根据权利要求1中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法,其特征在于:所述步骤S2模型训练中网络层数、每层包含的神经元数,迭代次数作为优化参数,基于大量案例数据搜寻最佳网络参数组合。
7.根据权利要求1中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法,其特征在于:所述步骤S2中将训练集上的重构误差进行排序,选择前1%和前3‰所在位置的元素值分别作为初级异常和严重异常的判定边界。
8.根据权利要求7中所述的一种基于LSTM自动编码器的风力发电机组异常检测方法,其特征在于:所述步骤S3中当前重构误差小于初级异常边界值,则认为状态正常;若大于初级异常但小于严重异常边界,则认为存在初级异常;若大于严重异常边界,则认为存在严重隐患,应尽快安排现场检查处理。
9.一种基于LSTM自动编码器,其特征在于:包括:
数据预处理模块:用于获取风电机组运行数据,并对其进行预处理;编码器构建模块:用于构建并训练基于LSTM的编码器;
重构误差进行对照模块:用于将实际重构误差与训练集上的重构误差进行比较。
10.根据权利要求9中所述的一种基于LSTM自动编码器,其特征在于:包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如权利要求1-8任一项所述的一种基于LSTM自动编码器的风力发电机组异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311660157.2A CN117869208A (zh) | 2023-12-05 | 2023-12-05 | 一种基于lstm自动编码器的风力发电机组异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311660157.2A CN117869208A (zh) | 2023-12-05 | 2023-12-05 | 一种基于lstm自动编码器的风力发电机组异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117869208A true CN117869208A (zh) | 2024-04-12 |
Family
ID=90595516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311660157.2A Pending CN117869208A (zh) | 2023-12-05 | 2023-12-05 | 一种基于lstm自动编码器的风力发电机组异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117869208A (zh) |
-
2023
- 2023-12-05 CN CN202311660157.2A patent/CN117869208A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
EP1982301B1 (en) | Method of condition monitoring | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
Zhang | Automatic fault prediction of wind turbine main bearing based on SCADA data and artificial neural network | |
CN111191838B (zh) | 一种集成人工智能算法的工业设备状态管控方法和装置 | |
CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
CN111780800A (zh) | 一种传感器故障的监测、隔离以及重构方法和系统 | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
KR20220068799A (ko) | 자동화설비의 고장 검출 시스템 및 그 방법 | |
CN113780375A (zh) | 一种基于数字孪生的虚实交互风电场风力监测系统及应用 | |
CN118188342A (zh) | 一种面向风机的故障预警与寿命预测方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN117077051A (zh) | 一种大坝监测异常数据自适应识别方法 | |
CN117869208A (zh) | 一种基于lstm自动编码器的风力发电机组异常检测方法 | |
Tutiv'en et al. | Wind turbine main bearing condition monitoring via convolutional autoencoder neural networks | |
CN116467575A (zh) | 一种滚珠丝杠副系统的实时数据监测系统及方法设计 | |
Liu et al. | Fault diagnosis of diesel engine information fusion based on adaptive dynamic weighted hybrid distance-taguchi method (ADWHD-T) | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN114151291B (zh) | 一种风电机组早期故障监测方法 | |
Ayman et al. | Fault Detection in Wind Turbines using Deep Learning | |
KR102321602B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
CN118014405B (zh) | 一种基于数据处理的电力故障预警系统 | |
Yang et al. | Condition Monitoring for Wind Turbine Pitch System Using Multi-parameter Health Indicator | |
KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
CN117433591B (zh) | 基于多传感器数据的自动化设备监测系统 |
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 |