一种时空多尺度神经网络的风电机组故障诊断方法技术

本发明专利技术提出一种时空多尺度神经网络的风电机组故障诊断方法。该方法针对风电机组SCADA数据多变量时间序列的特点，设计了深度回声网络(DeepESN)提取数据时间多尺度特征，设计了多尺度残差网络(MultiscaleResNet)提取数据空间多尺度特征。由DeepESN和MultiscaleResNet组成的时空多尺度网络模型能够同时有效提取SCADA时空多尺度故障特征，克服了SCADA数据多变量之间复杂耦合关系和数据时间上关联性特征难以提取的问题，提高了分类准确度，为风电机组故障诊断领域提供了新的技术解决方法。

【技术实现步骤摘要】
一种时空多尺度神经网络的风电机组故障诊断方法
本专利技术属于风力发电机故障诊断领域，具体涉及一种时空多尺度神经网络的风电机组故障诊断方法。
技术介绍
近年来，可再生能源的开发和利用越来越受到重视，尤其是风能这种清洁，安全，取之不尽的资源。截止到2018年底，全球装机容量达到591GW。2010年开始，中国累计和新增装机容量一直居于世界第一。可是，随着风电机组大量被安装，由于风机工作环境恶劣，发生故障的机组也随之增加。故障的发生给风电场带来了巨大的维修费用和停机损失。因此及时发现并确定故障类型对风电场来说意义重大。目前，很多学者已经研究出了物理模型。然而物理模型严重依赖领域知识，并且有严格的数学要求。风电机组结构复杂，变量繁多，很难精确地建立严谨的数学模型，这很大程度上限制了基于物理模型的开发。另外，基于物理的模型一般都是针对特定风机环境建立的，泛化能力有限，这严重限制了基于物理模型的广泛应用。近年来，基于数据驱动的风电机组故障诊断方法蓬勃发展，它不需要严格的数学模型，也不依赖领域知识，迅速成为了研究热点。目前，各大风电场都装备了数据采集与监视控制(SupervisoryControlandDataAcquisition，以下简称SCADA)系统，它能够记录风电机组的关键运行参数和运行状态数据。因其使用的便捷性和记录传感器数据的全面性，给基于数据驱动的风电机组故障诊断提供了数据支撑。目前，已有学者研究基于SCADA数据的风电机组故障诊断方法。可是很少有关注SCADA数据是多变量时间序列的特点，变量之间存在复杂的耦合关系，样本数据在时间上也存在关联，因此很多基于SCADA数据的风电机组故障诊断方法很难深入提取故障的有效特征，不能达到理想的故障诊断效果。
技术实现思路
本专利技术要解决的技术问题在于提出一种能够深入提取SCADA数据中有效的故障特征并准确识别风力发电机的故障类型、具有工程实用价值的故障诊断方法。为解决上述技术问题，本专利技术提出一种时空多尺度神经网络的风电机组故障诊断方法，其包括以下步骤：从风电场的数据采集与监测控制系统中采集风电机组运行数据；将采集的数据进行数据打标和数据预处理，形成时空多尺度网络数据；将所述时空多尺度网络数据并行输入到时空多尺度神经网络模型中的深度回声状态网络和多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取；将所述时间多尺度特征和空间多尺度特征进行融合，获得时空多尺度融合特征；将所述时空多尺度融合特征输入到所述时空多尺度神经网络模型中的softmax层，得到最终的风电机组故障诊断结果。优选地，所述数据打标包括：根据警告数据和运行状态数据给采集的数据打标记。优选地，所述预处理包括：将数据划分为训练集和测试集；针对故障数据严重少于正常数据的数据不平衡情况，根据故障数据的数量对正常数据进行降采样处理；针对数据各变量取值差异较大不利于特征提取的情况，将数据进行归一化操作，使得各变量取值均在区间[0,1]之间。优选地，所述将所述时空多尺度网络数据并行输入到时空多尺度神经网络模型中的深度回声状态网络和多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取，包括：将所述时空多尺度网络数据输入多个回声状态网络的串联结构中，并将各个回声状态网络输出的各段时间特征合并，得到时间多尺度特征；将所述时空多尺度网络数据输入到卷积核大小为1的1维卷积层，再把特征图延特征轴平均分为四个小特征图，将第一小特征图输入到卷积核为1的1维卷积层得到第一特征，将第二小特征图和所述第一特征输入到卷积核为3的1维卷积层得到第二特征，将第三小特征图和所述第二特征输入到卷积核为5的1维卷积层得到第三特征，将第四小特征图和所述第三特征输入到卷积核为7的1维卷积层得到第四特征，最后将所述第一特征、所述第二特征、所述第三特征和所述第四特征合并在一起，输入到卷积核为1的1维卷积层得到空间多尺度特征。优选地，所述将所述时间多尺度特征和空间多尺度特征进行融合，获得时空多尺度融合特征，包括:将所述时间多尺度特征和空间多尺度特征通过Concatenate层融合在一起。优选地，所述将所述时空多尺度融合特征输入到所述时空多尺度神经网络模型中的softmax层，得到最终的风电机组故障诊断结果，包括：确定训练数据故障种类数n，最终分类数为n+1，其中1种为正常类型；其中，n为大于等于1的正整数；将所述多尺度时空特征输入到所述时空多尺度神经网络模型中的softmax层，损失函数为交叉熵损失函数，优化器为自适应矩估计优化器。与现有技术相比，本专利技术的优点和积极效果：本专利技术提出了一种时空多尺度神经网络的风电机组故障诊断方法，针对SCADA数据多变量时间序列的特点，设计出了复合深度回声状态网络(DeepESN)和多尺度残差网络(MultiscaleResNet)的时空多尺度神经网络模型，其中DeepESN网络模块是针对数据时间上的关联性设计出来的，MultiscaleResNet网络模块是针对数据多变量间复杂的耦合关系设计出来的，该模型能同时并行提取SCADA数据时间多尺度特征和空间多尺度特征并给出故障诊断结果。本专利技术能够充分有效地挖掘出SCADA数据中蕴藏的风电机组故障特征，与普通回声状态网络(ESN)，长短期记忆网络(LSTM)，残差网络(ResNet)，卷积-门限单元网络(CNN-GRU)，卷积-长短期记忆网络(CNN-LSTM)等提取时间特征、空间特征、时空特征网络相比，本专利技术能够增强分类能力，为风电机组故障诊断领域提供了新的技术解决方法。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例的方法实施流程图；图2是本专利技术实施例的时间多尺度特征提取模块深度回声状态网络(DeepESN)图；图3是本专利技术实施例的空间多尺度特征提取模块多尺度残差网络(MultiscaleResNet)图；图4是本专利技术实施例的时空多尺度模型示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施本文档来自技高网...

【技术保护点】
1.一种时空多尺度神经网络的风电机组故障诊断方法，包括以下步骤：/n从风电场的数据采集与监测控制系统中采集风电机组运行数据；/n将采集的数据进行数据打标和数据预处理，形成时空多尺度网络数据；/n将所述时空多尺度网络数据并行输入到时空多尺度神经网络模型中的深度回声状态网络和多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取；/n将所述时间多尺度特征和空间多尺度特征进行融合，获得时空多尺度融合特征；/n将所述时空多尺度融合特征输入到所述时空多尺度神经网络模型中的softmax层，得到最终的风电机组故障诊断结果。/n

【技术特征摘要】
1.一种时空多尺度神经网络的风电机组故障诊断方法，包括以下步骤：
从风电场的数据采集与监测控制系统中采集风电机组运行数据；
将采集的数据进行数据打标和数据预处理，形成时空多尺度网络数据；
将所述时空多尺度网络数据并行输入到时空多尺度神经网络模型中的深度回声状态网络和多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取；
将所述时间多尺度特征和空间多尺度特征进行融合，获得时空多尺度融合特征；
将所述时空多尺度融合特征输入到所述时空多尺度神经网络模型中的softmax层，得到最终的风电机组故障诊断结果。


2.根据权利要求1所述的方法，其特征在于，所述数据打标包括：根据警告数据和运行状态数据给采集的数据打标记。


3.根据权利要求1所述的方法，其特征在于，所述预处理包括：
将数据划分为训练集和测试集；
针对故障数据严重少于正常数据的数据不平衡情况，根据故障数据的数量对正常数据进行降采样处理；
针对数据各变量取值差异较大不利于特征提取的情况，将数据进行归一化操作，使得各变量取值均在区间[0,1]之间。


4.根据权利要求1所述的方法，其特征在于，所述将所述时空多尺度网络数据并行输入到时空多尺度神经网络模型中的深度回声状态网络和多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取，包括：

【专利技术属性】
技术研发人员：何群，庞艳华，江国乾，谢平，武鑫，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13