一种风力发电机的异常识别方法技术

本发明专利技术的一种风力发电机的异常识别方法，将SCADA数据中异常的属性剔出，保留的其他属性经k‑means聚类；将属性分别经t‑SNE降低成固定维数；将降维后的有效数据进行皮尔森相关系数计算排序，转换为图片作为CNN的输入，通过对图片二分类实现风机的正异常判断。该异常识别方法在建立风机异常识别模型时，输入输出涉及所有属性，模型可以有效识别多类属性同时发生多种异常，模型具有通用性，适用于任何风场；采用先聚类后类内降维的数据预处理方法，去除了不必要的干扰，提高准确性；采用卷积神经网络进行属性异常识别可抑制噪声干扰，准确发现风机属性图片微小变化，较强的区别特征的能力和鲁棒性使其具有更好的准确性。

【技术实现步骤摘要】
一种风力发电机的异常识别方法
本专利技术属于故障诊断
，具体涉及一种风力发电机的异常识别方法。
技术介绍
随着全球风力发电能力持续增长和风电场的快速扩张、风机的不断应用，机组机舱体积随之增大，轮毂位置也更高，风机安全运行的挑战越来越大。风电机组长期暴露在大风、雷雨、冰雹等极端天气中，尤其海上风机还要受到长期的海水侵蚀，非常容易发生机械部件或电气系统等异常或故障。风机不同部位故障皆有可能引起风机停电，研究发现，在风机维护领域，即使一些微小的故障都会带来价格昂贵的维护成本，风机的维护面临着众多挑战。据研究分析表明，如果对风电机组采用预知维护，将大大降低风电机组的事后修复与计划维护成本，这对大规模发展风电产业的经济投入方面有着巨大的影响，因此对风电机组的异常状态进行分析，进行故障预警有着十分重要的意义。为了减少风机的故障以及由故障带来的经济损失，风力发电机的状况监测和异常识别在降低停机时间和维护成本方面日益重要。目前风机功率曲线可提供输出功率与风速之间的关系，是风机异常识别与性能分析最常用的工具之一，研究人员在风电场SCADA数据的基础上，采用不同的方法估算和监测风机功率曲线。当风机处于正常工作(即有功无功控制)状态下，基于SCADA参数建模是风机异常识别的另一个有效方法。与功率曲线监测技术相比，它可以充分利用SCADA系统隐藏的运行信息识别风机组件的异常，通过使用SCADA参数挖掘方法，已经开发了多种条件参数预测模型以检测故障发生之前风机行为的显著变化。但前人研究时存在的问题主要如下：(1)在建立风机异常识别模型时，通常会人为地选择几个关键属性作为模型的输入，这样容易选择错误的属性，导致建模失败，或者使得模型不通用。(2)训练模型时，只包含有功无功控制这一状态的样本，因自然因素导致的机组待风、机组待机等状态都纳入非正常工作状态，而上述仅是天气的干扰非风机的异常。(3)识别异常时，只能识别单类异常，不能同时识别多类异常。此外，残差法经常被用来确定风机的状态，但阈值的设置多数基于人为的经验，往往会干扰异常识别的准确性。
技术实现思路
针对现有技术的不足，本专利技术实施提供一种风力发电机的异常识别方法。本专利技术的一种风力发电机的异常识别方法，包括以下步骤：步骤1：从风场SCADA系统采集多组包含多种风机属性的风机数据，构成初始风机数据集；步骤2：删除初始风机数据集中的异常数据，以获得完整风机数据集，所述异常数据包括：某组大量缺失风机属性的风机数据；风机数据中某种每日、每月或每年都恒定不变的风机属性；处理后风机属性个数为n；步骤3：采用小波阈值法对完整风机数据集进行降噪处理；步骤4：采用k-means的聚类方法对降噪后的整个风机数据集中的风机属性分类，聚类后使得类内属性相似，类间属性相离；步骤5：采用t-SNE算法对聚类处理后的风机数据集进行降维处理；步骤6：将降维后的数据进行皮尔森相关系数的计算分析，把数据按照相关系数的大小进行排列，风机数据集组织为具有相同尺寸的图像；步骤7：将进行皮尔森相关系数分析后组成的图像送到卷积神经网络，并进行风机的异常识别；步骤8：确定风机发生异常后，通过准则判定发生异常的风机属性所属的类别；步骤9：通过对风机属性异常的识别，验证该风力发电机异常识别方法的有效性。在本专利技术的风力发电机的异常识别方法中，步骤3中所述小波为db5，分解层数为5。在本专利技术的风力发电机的异常识别方法中，所述步骤4具体包括：步骤4-1：将风机数据集中的元素根据下式进行归一处理：其中，Vi表示任意元素，max(A)代表该风机属性的元素最大值，min(A)代表该风机属性的元素最小值，V是该风机属性的任意元素归一后的值；步骤4-2：最大聚类数依据式确定，其中kmax为最大聚类数，n为风机属性的个数；步骤4-3：经过步骤4-2计算，可将风机属性划分为2到类，通过下式确定聚类数目：其中，SC表示轮廓系数，ai表示一个元素Xi与同一分类中所有其他元素之间的平均距离，ai用于量化内部集中度；bi用于量化集群之间的分离度，在上述元素Xi之外选择一个分类b，计算该元素Xi和分类b中所有元素之间的平均距离bi，遍历所有其他分类，找到最近的平均距离bi，SC在-1到+1之间，值越大表示聚类效果越好，选取轮廓系数最大时对应的聚类数。在本专利技术的风力发电机的异常识别方法中，所述步骤5具体包括：步骤5-1：将聚类后的风机数据集按数据采集日分成为多个风机样本矩阵，对风机样本矩阵的数据进行归一化处理，变换为均值为0、方差为1的标准样本矩阵X＝{x1,x2,…xn}；步骤5-2：定义标准样本矩阵X＝{x1,x2,…xn}中两属性间的条件相似性表达式如下：其中，σi为常数，代表了以xi为中心点的高斯分布的方差，因数据点不同而不同；xi，xj，xk表示标准样本矩阵中3个属性，根据下式计算两属性的相似度：步骤5-3：根据经验设置困惑度Perp、迭代次数T、学习速率η、动量α(t)，随机设置降维后的风机数据集为Y＝{y1,y2,…,yn}，根据下式计算降维后的风机数据集中两属性间的相似度：在给定Perp的情况下使用二分搜索的方式并根据下式寻找合适的σ，梯度公式如下：其中，C代表损失函数，不断调整Perp、迭代次数T，直到找出上式最趋近于0时对应的Perp和T的值；根据上式计算得到降维后的风机数据集；步骤5-4：K-means聚类后将风机属性划分为K类，t-SNE算法降维后将每类降低成3维，降维后的风机数据集是Y＝K×3维，即可作为卷积神经网络的有效行输入。在本专利技术的风力发电机的异常识别方法中，所述步骤6具体包括：步骤6-1：对排序后的K组数据进行皮尔森相关系数计算；其中cov(M，N)代表从风机数据集Y中的K个类别中取出不同的类别M和类别N进行协方差系数计算，σM代表类别M的标准差，σN代表类别N的标准差。步骤6-2：将计算完成的皮尔森相关系数按照大小进行两两比较排序，组合成具有连贯性的图像。在本专利技术的风力发电机的异常识别方法中，所述步骤7具体包括：步骤7-1：引入归一化层，将卷积神经网络的输入标准化为相同的尺寸；步骤7-2：引入卷积层，通过卷积和非线性两个操作生成几个特征图来进行特征提取；步骤7-3：引入池化层，通过池化操作减少特征图的大小；步骤7-4：在获得较高级别的特征表征之后，将其转换为1-D矢量并馈送到分类层；步骤7-5：分类层采用S型功能函数作为激活函数，对风机有无异常进行判断，其中输出0代表风机异常，1代表风机正常。在本专利技术的风力发电机的异常识别方法中，所述步骤8具体包括：步骤8-1：以天为单位计算降维后的健康状态的风机数据集中的3个属性的均值，分别记作a，b，c；步骤8-2：改进经典公式推论：进而推出：步骤8-3：设m1＝a+b+c；通过训练计算每天的和的最值，找寻m1的最小值记作找寻m2的最大值记作进而得出风机正常状态下m的范围为若m超出此范围，则判定风机该类属性异常。本专利技术的一种风力发电机的异常识别方法与现有技术相比，至少具有以下有益效果：1、建立风机异常识别模型时，输入输出涉及所有属性，模型可以有效识别多类属性同时发生多种异常，建立的模型具有通用性，可适用于任何风场；2、训练模型时，将天气因素导致的机组待风、机组待机等天气干扰本文档来自技高网...

【技术保护点】
1.一种风力发电机的异常识别方法，其特征在于，包括以下步骤：步骤1：从风场SCADA系统采集多组包含多种风机属性的风机数据，构成初始风机数据集；步骤2：删除初始风机数据集中的异常数据，以获得完整风机数据集，所述异常数据包括：某组大量缺失风机属性的风机数据；风机数据中某种每日、每月或每年都恒定不变的风机属性，处理后风机属性个数为n；步骤3：采用小波阈值法对完整风机数据集进行降噪处理；步骤4：采用k‑means的聚类方法对降噪后的整个风机数据集中的风机属性分类，聚类后使得类内属性相似，类间属性相离；步骤5：采用t‑SNE算法对聚类处理后的风机数据集进行降维处理；步骤6：将降维后的数据进行皮尔森相关系数的计算分析，把数据按照相关系数的大小进行排列，风机数据集组织为具有相同尺寸的图像；步骤7：将进行皮尔森相关系数分析后组成的图像送到卷积神经网络，并进行风机的异常识别；步骤8：确定风机发生异常后，通过准则判定发生异常的风机属性所属的类别；步骤9：通过对风机属性异常的识别，验证该风力发电机异常识别方法的有效性。

【技术特征摘要】
1.一种风力发电机的异常识别方法，其特征在于，包括以下步骤：步骤1：从风场SCADA系统采集多组包含多种风机属性的风机数据，构成初始风机数据集；步骤2：删除初始风机数据集中的异常数据，以获得完整风机数据集，所述异常数据包括：某组大量缺失风机属性的风机数据；风机数据中某种每日、每月或每年都恒定不变的风机属性，处理后风机属性个数为n；步骤3：采用小波阈值法对完整风机数据集进行降噪处理；步骤4：采用k-means的聚类方法对降噪后的整个风机数据集中的风机属性分类，聚类后使得类内属性相似，类间属性相离；步骤5：采用t-SNE算法对聚类处理后的风机数据集进行降维处理；步骤6：将降维后的数据进行皮尔森相关系数的计算分析，把数据按照相关系数的大小进行排列，风机数据集组织为具有相同尺寸的图像；步骤7：将进行皮尔森相关系数分析后组成的图像送到卷积神经网络，并进行风机的异常识别；步骤8：确定风机发生异常后，通过准则判定发生异常的风机属性所属的类别；步骤9：通过对风机属性异常的识别，验证该风力发电机异常识别方法的有效性。2.如权利要求1所述风力发电机的异常识别方法，其特征在于，步骤3中所述小波为db5，分解层数为5。3.如权利要求1所述风力发电机的异常识别方法，其特征在于，所述步骤4具体包括：步骤4-1：将风机数据集中的元素根据下式进行归一处理：其中，Vi表示任意元素，max(A)代表该风机属性的元素最大值，min(A)代表该风机属性的元素最小值，V是该风机属性的任意元素归一后的值；步骤4-2：最大聚类数依据式确定，其中kmax为最大聚类数，n为风机属性的个数；步骤4-3：经过步骤4-2计算，可将风机属性划分为2到类，通过下式确定聚类数目：其中，SC表示轮廓系数，ai表示一个元素Xi与同一分类中所有其他元素之间的平均距离，ai用于量化内部集中度；bi用于量化集群之间的分离度，在上述元素Xi之外选择一个分类b，计算该元素Xi和分类b中所有元素之间的平均距离bi，遍历所有其他分类，找到最近的平均距离bi，SC在-1到+1之间，值越大表示聚类效果越好，选取轮廓系数最大时对应的聚类数K。4.如权利要求1所述风力发电机的异常识别方法，其特征在于，所述步骤5具体包括：步骤5-1：将聚类后的风机数据集按数据采集日分成为多个风机样本矩阵，对风机样本矩阵的数据进行归一化处理，变换为均值为0、方差为1的标准样本矩阵X＝{x1,x2,…...

【专利技术属性】
技术研发人员：刘金海，汪刚，马大中，冯健，张化光，任妍，洪晓伟，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21