基于混合注意力机制的发电机故障检测方法技术

本发明专利技术公开了一种基于混合注意力机制的发电机故障检测方法，首先采集风电机组发电机历史正常运行时的SCADA系统监测信号，获取训练数据集；其次建立基于混合注意力机制的长短期记忆自编码器，在编码器中引入空间注意力机制，在解码器中引入时间注意力机制，以重构误差最小为目标训练整个自编码网络模型，并提取训练数据集的深度特征；构建发电机故障检测模型，首先计算各深度特征的平均值，然后采用马氏距离计算各样本的状态指标，对训练集的状态指标序列进行平滑处理，采用核密度估计方法计算健康阈值；最后采集待检测发电机的监测信号，获取测试数据集，将测试数据集输入到发电机故障检测模型中，输出发电机故障检测结果，判断发电机故障与否。判断发电机故障与否。判断发电机故障与否。

【技术实现步骤摘要】
基于混合注意力机制的发电机故障检测方法


[0001]本专利技术属于风力发电机故障检测
，涉及一种基于混合注意力机制的发电机故障检测方法。

技术介绍

[0002]风电可再生能源行业发展进入了“倍速阶段”，风电企业发展面临机遇与挑战并存的现状。双馈感应发电机已被确定为风电机组的主要能量转换系统，是风电机组能否获得高效、高品质电能输出的关键。因此，对发电机的运行状态进行实时监测，及早发现潜在故障，并消除故障隐患，对保障风电机组安全可靠运行具有重要的意义。
[0003]由于风电机组历史故障样本稀缺，通常基于风电场SCADA系统中的正常运行数据建立发电机正常状态模型，比较发电机监测数据的预测值和实测值的差异，将预测残差作为状态指标衡量发电机的健康状态，进而实现早期故障检测。发电机故障时将导致SCADA监测数据发生变化，但是监测数据的变化并不一定意味着发电机发生故障。时变工况是影响发电机监测数据变化的重要因素之一，如何区分时变工况与发电机故障所造成的监测数据超限现象，同时在异常状态出现的前期识别发电机故障是值得研究的关键问题。
[0004]多数研究通过关注单个关键监测数据的变化行为实现发电机的故障检测，然而采用单一监测数据预测值的方法往往难以全面有效地表征发电机运行状态。由于设备发生故障时各监测数据间的稳定关系会发生显著变化，部分学者基于系统正常运行时多变量之间稳定关系，比较多变量预测值和实测值的差异，实现变工况下发电机的早期微弱故障检测。现有的故障检测模型通常假设发电机工况变化具有清晰的状态边界，然而在实际风电场中，机组运行工况随着时间的推移而逐渐变化，具有非线性和动态性，使得通过一些特定模型来建模工况对故障的动态影响具有一定挑战性。时变环境和负载对机组运行数据的真实规律、特征参数的相关性关系等信息的挖掘影响极大，机组异常状态的变化往往容易被工况波动所掩盖，无法区分发电机潜在故障和工况变化对发电机动态行为的影响。如何充分利用多元SCADA数据特点，分析发电机部件中各监测数据之间的相关性和时间维度上的前后依赖性，识别发电机的早期异常征兆，提高故障预警精度，为发电机预测性维护提供可靠依据是值得关注的研究热点。

技术实现思路

[0005]本专利技术的目的在于克服上述现有技术存在的缺陷，提供一种空间注意力机制和时间注意力机制混合的风电机组发电机故障状态检测方法，旨在提高发电机故障检测精度，降低工况变化引起的误报警率。
[0006]为实现上述目的，本专利技术采用的技术方案如下：一种基于混合注意力机制的发电机故障检测方法，包括如下步骤：
[0007]S1、获取训练数据集；
[0008]S1.1对SCADA系统采集的风电机组发电机监测数据，去除环境风速小于切入风速
和大于切出风速时所对应的监测数据，包括发电机正常运行时的工况变量和状态变量；
[0009]S1.2对SCADA系统采集的风电机组发电机正常运行时的工况变量和状态变量进行归一化处理，得到归一化后的发电机正常运行状态下的监测数据；
[0010]S1.3获取训练数据集：X＝(x1，x2，...，x
n
)
T
∈R
T
表示时间长度为T的n维训练数据集，其中，前4维变量代表工况，后n
‑
4维变量代表发电机状态；代表时间长度为T的监测变量，表示在t时刻输入的n个监测变量；
[0011]S2、构建基于混合注意力机制的长短期记忆自编码网络模型；
[0012]S2.1构建加入空间注意力机制的长短期记忆编码器，在编码器LSTM单元中引用上一步隐藏状态和细胞状态，提取每个时间步上各变量的注意力权重，构成新的输入序列并作为编码器的输入；
[0013]S2.2构建加入时间注意力机制的长短期记忆解码器，根据前一步隐藏状态计算当前时间步上隐藏状态的注意力权重；
[0014]S3、对基于混合注意力机制的长短期记忆自编码网络模型进行训练；
[0015]S3.1将训练数据集作为LSTM模型的输入，根据空间注意力计算公式(1)，计算t时刻监测变量k的注意力权重和需要学习的网络参数；
[0016][0017]其中，v
e
∈R
T
，W
e
∈R
T
×
2m
，U
e
∈R
T
×
T
分别为网络需要学习的参数；在公式(1) 中，相关性权重由监测变量k的当前值与近期值计算得到，近期值则利用编码器中上一时间步的隐藏状态h
t
‑1和细胞状态s
t
‑1来表示；
[0018]S3.2根据公式(2)，采用softmax函数对发电机所有监测变量的相关性权重进行归一化，最终获得t时刻变量k的注意力权重
[0019][0020]S3.3通过空间注意力机制计算各维变量加权后的输出向量，根据公式(3)自适应选择t时刻自编码器的输入：
[0021]S3.4基于解码器在t
‑
1时刻的隐藏状态d
t
‑1∈R
p
，和记忆单元状态s
′
t
‑1∈R
p
，计算t
′
时刻编码器对t时刻隐藏状态的注意力权重，如下式(4)所示；
[0022][0023]其中[d
t
‑1；s
′
t
‑1]∈R
2p
分别表示解码器LSTM单元的前一个时间步的隐藏状态和记忆单员状态；v
d
∈R
T
，W
d
∈R
T
×
2m
，U
d
∈R
T
×
T
分别为训练得到的网络模型参数；
[0024]S3.5根据公式(5)，采用softmax函数计算得到的相关性权重进行归一化，最终获得 t
′
时刻编码器隐藏状态的注意力权重：
[0025]S3.6以发电机温度变量预测误差最小为优化目标，训练自编码网络，获得网络参数；
[0026]S3.7根据加权求和公式(6)对所有编码器隐藏状态{h1，h2，...，h
T
}加权求和得到发电机状态的深度特征向量：
[0027]S4、构建发电机故障检测模型；
[0028]S4.1基于训练数据集，根据公式(6)提取发电机状态的深度特征向量，并将深度特征序列作为自编码网络的输出；
[0029]S4.2构建发电机状态指标：计算训练样本的深度特征的平均值，则训练样本在时刻t 的状态指标B
t
可表示为该时刻样本的深度特征值与平均值之间的马氏距离，计算公式如(7) 所示：
[0030]式中，c
t
为t时刻训练样本的状态特征，u为训练样本的状态特征均值向量，Cov
‑1为训练样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合注意力机制的发电机故障检测方法，包括如下步骤：S1、获取训练数据集；S1.1对SCADA系统采集的风电机组发电机监测数据，去除环境风速小于切入风速和大于切出风速时所对应的监测数据，包括发电机正常运行时的工况变量和状态变量；S1.2对SCADA系统采集的风电机组发电机正常运行时的工况变量和状态变量进行归一化处理，得到归一化后的发电机正常运行状态下的监测数据；S1.3获取训练数据集：X＝(x1，x2，...，x
n
)
T
∈R
T
表示时间长度为T的n维训练数据集，其中，前4维变量代表工况，后n
‑
4维变量代表发电机状态；代表时间长度为T的监测变量，表示在t时刻输入的n个监测变量；S2、构建基于混合注意力机制的长短期记忆自编码网络模型；S2.1构建加入空间注意力机制的长短期记忆编码器，在编码器LSTM单元中引用上一步隐藏状态和细胞状态，提取每个时间步上各变量的注意力权重，构成新的输入序列并作为编码器的输入；S2.2构建加入时间注意力机制的长短期记忆解码器，根据前一步隐藏状态计算当前时间步上隐藏状态的注意力权重；S3、对基于混合注意力机制的长短期记忆自编码网络模型进行训练；S3.1将训练数据集作为LSTM模型的输入，根据空间注意力计算公式(1)，计算t时刻监测变量k的注意力权重和需要学习的网络参数；其中，v
e
∈R
T
，W
e
∈R
T
×
2m
，U
e
∈R
T
×
T
分别为网络需要学习的参数；在公式(1)中，相关性权重由监测变量k的当前值与近期值计算得到，近期值则利用编码器中上一时间步的隐藏状态h
t
‑1和细胞状态s
t
‑1来表示；S3.2根据公式(2)，采用softmax函数对发电机所有监测变量的相关性权重进行归一化，最终获得t时刻变量k的注意力权重最终获得t时刻变量k的注意力权重S3.3通过空间注意力机制计算各维变量加权后的输出向量，根据公式(3)自适应选择t时刻自编码器的输入：S3.4基于解码器在t
‑
1时刻的隐藏状态d
t
‑1∈R
p
，和记忆单元状态s
′
t
‑1∈R
p
，计算t
′
时刻编码器对t时刻隐藏状态的注意力权重，如下式(4)所示；其中[d
t
‑1；s
′
t
‑1]∈R
2p
分别表示解码器LSTM单元的前一个时间步的隐藏状态和记忆单元状态；v
d
∈R
T
，W
d
∈R
T
×
2m
，U
d
∈R
T
×
T
分别为训练得到的网络模型参数；S3.5根据公式(5)，采用softmax函数计算得到的相关性...

【专利技术属性】
技术研发人员：马军岩，袁逸萍，张育超，包洪印，
申请(专利权)人：新疆大学，
类型：发明
国别省市：