一种风电机组变频器状态监测方法、系统及电子设备技术方案

本发明专利技术涉及一种风电机组变频器状态监测方法、系统及电子设备，方法包括：获取实际监测数据；将实际监测数据输入至训练好的状态监测模型中，得到温度预测值；根据温度预测值和温度实测值确定确定风电机组变频器的运行状态；状态监测模型的确定方法为：构建特征样本数据集，并对其进行数据处理；基于注意力机制和长短期记忆神经网络构建神经网络模型，并根据处理后的数据集对神经网络模型进行训练，得到状态监测模型。本发明专利技术利用带注意力机制的长短期记忆神经网络，能够更好的处理时间序列问题，并给予每个变量不同的权重提升拟合效果，提高模型的精度与准确性，从而提高了对风电机组变频器状态监测的精确程度。频器状态监测的精确程度。频器状态监测的精确程度。

【技术实现步骤摘要】
一种风电机组变频器状态监测方法、系统及电子设备


[0001]本专利技术涉及工业系统故障检测
，特别是涉及一种风电机组变频器状态监测方法、系统及电子设备。

技术介绍

[0002]大型风电机组在节能减排的过程中起着越来越重要的作用，变频器作为大型风电机组的关键设备之一，广泛应用于永磁直驱风电系统与双馈风电系统之中，但由于变频器常常安装在外部环境中，因为温差大，油污侵蚀等原因，变频器的性能等时常遭受损害，这给风电机组的正常运行带来了巨大的隐患。因此开展大型风电机组变频器的状态监测对风电机组的健康状况十分重要。
[0003]当前对风电机组变频器开展状态监测的方法主要有以下几种：
[0004]1、基于机器学习构建风电机组变频器状态监测模型的方法，其中主要分为分类模型与回归模型。分类模型主要指对变频器的故障类型进行诊断，通过决策树、随机森林等方法构建基于已有故障类型的分类方法识别变频器故障并给与一定程度的状态监测。回归模型主要针对变频器的温度，通过支持向量回归、Xgboost、LightGBM等方法构建回归模型，使用回归模型的预测值与实际值的残差，通过一定的残差处理方法设置置信区间，对变频器的状态进行监测，并通过残差的变化趋势给予预警。
[0005]2、基于深度神经网络的风电机组变频器状态监测方法。主要指通过深度神经网络例如长短期记忆神经网络、卷积神经网络等建立关于变频器温度的回归模型，通过残差来进行风电机组的变频器状态监测与预警。
[0006]但是上述方法根据模型进行预测的精度不够，造成了分析风电机组的健康状况并不准确。

技术实现思路

[0007]为了克服现有技术的不足，本专利技术的目的是提供一种风电机组变频器状态监测方法、系统及电子设备。
[0008]为实现上述目的，本专利技术提供了如下方案：
[0009]一种风电机组变频器状态监测方法，包括：
[0010]获取实际监测数据；
[0011]将所述实际监测数据输入至训练好的状态监测模型中，得到温度预测值；
[0012]基于残差计算和核密度估计方法，根据所述温度预测值和温度实测值确定检测阈值；
[0013]根据检测阈值确定风电机组变频器的运行状态；
[0014]所述状态监测模型的确定方法为：
[0015]构建特征样本数据集，并对所述特征样本数据集进行数据处理，得到处理后的数据集；
[0016]基于注意力机制和长短期记忆神经网络构建神经网络模型，并根据所述处理后的数据集对所述神经网络模型进行训练，得到所述状态监测模型。
[0017]优选地，所述特征样本数据集包括风速、风向、叶轮转速、总有功功率、第一相电流、第二相电流、第三相电流、第一线电压、第二线电压、第三线电压、总有功功率、变频器有功功率、变频器无功功率、变频器转矩给定、变频器转矩反馈、变频器线电流、变频器主电压、变频器水冷温度、变频器水冷水压、变频器温度和电能频率。
[0018]优选地，构建特征样本数据集，并对所述特征样本数据集进行数据处理，得到处理后的数据集，包括：
[0019]对风电机组变频器故障信息进行采样，得到采样数据集；
[0020]对所述采样数据集进行归一化处理，得到第一数据集；
[0021]采用回归随机森林方法构建随机森林回归模型；所述随机森林回归模型的输入为所述第一数据集，所述随机森林回归模型的输出为变频器温度；
[0022]在所述随机森林回归模型的构建过程中，对所述第一数据集中的每个特征进行评分，得到各个特征的重要性得分；
[0023]根据所述重要性得分确定所述处理后的数据集。
[0024]优选地，所述对所述采样数据集进行归一化处理的计算公式为：
[0025][0026]其中，x和分别为所述采样数据集的数据和所述第一数据集的数据，x
max
和x
min
分别为所述采样数据集的最大值和最小值，y
max
和y
min
分别为所述采样数据集的目标范围的最大值和最小值，所述目标范围的数值范围为[
‑
1，1]。
[0027]优选地，所述神经网络模型包括依次连接的输入层、第一LSTM层、第二LSTM层、Attention层、全连接层和输出层。
[0028]优选地，所述根据所述处理后的数据集对所述神经网络模型进行训练，包括：
[0029]获取采样前一个小时的变频器温度数据、变频器水冷温度数据和变频器水冷水压数据；
[0030]将所述变频器温度数据、所述变频器水冷温度数据和所述变频器水冷水压数据加入至所述处理后的数据集中，得到训练数据集；
[0031]根据所述训练数据集对所述神经网络模型进行训练。
[0032]优选地，所述基于残差计算和核密度估计方法，根据所述温度预测值和温度实测值确定检测阈值，包括：
[0033]根据所述温度预测值确定残差矩阵；
[0034]根据所述残差矩阵进行计算，得到均方误差；
[0035]根据所述均方误差和所述残差矩阵确定检测指标；
[0036]采用所述核密度估计方法对所述检测指标进行计算，得到概率密度函数；
[0037]根据所述概率密度函数确定所述检测阈值。
[0038]优选地，确定所述检测指标的计算公式为：
[0039]h
k
＝E
k
‑
MSE；
[0040]其中，h
k
为第k个所述实际监测数据中的所述检测指标，E
k
为第k个所述实际监测数
据中的所述残差矩阵；MSE为所述均方误差。
[0041]一种风电机组变频器状态监测系统，包括：
[0042]获取模块，用于获取实际监测数据；
[0043]预测模块，用于将所述实际监测数据输入至训练好的状态监测模型中，得到温度预测值；
[0044]阈值确定模块，用于基于残差计算和核密度估计方法，根据所述温度预测值和温度实测值确定检测阈值；
[0045]状态确定模块，用于根据检测阈值确定风电机组变频器的运行状态；
[0046]预处理模块，用于构建特征样本数据集，并对所述特征样本数据集进行数据处理，得到处理后的数据集；
[0047]训练模块，用于基于注意力机制和长短期记忆神经网络构建神经网络模型，并根据所述处理后的数据集对所述神经网络模型进行训练，得到所述状态监测模型。
[0048]一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述一种风电机组变频器状态监测方法中的步骤。
[0049]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0050]本专利技术提供了一种风电机组变频器状态监测方法、系统及电子设备，方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组变频器状态监测方法，其特征在于，包括：获取实际监测数据；将所述实际监测数据输入至训练好的状态监测模型中，得到温度预测值；基于残差计算和核密度估计方法，根据所述温度预测值和温度实测值确定检测阈值；根据检测阈值确定风电机组变频器的运行状态；所述状态监测模型的确定方法为：构建特征样本数据集，并对所述特征样本数据集进行数据处理，得到处理后的数据集；基于注意力机制和长短期记忆神经网络构建神经网络模型，并根据所述处理后的数据集对所述神经网络模型进行训练，得到所述状态监测模型。2.根据权利要求1所述的风电机组变频器状态监测方法，其特征在于，所述特征样本数据集包括风速、风向、叶轮转速、总有功功率、第一相电流、第二相电流、第三相电流、第一线电压、第二线电压、第三线电压、总有功功率、变频器有功功率、变频器无功功率、变频器转矩给定、变频器转矩反馈、变频器线电流、变频器主电压、变频器水冷温度、变频器水冷水压、变频器温度和电能频率。3.根据权利要求1所述的风电机组变频器状态监测方法，其特征在于，构建特征样本数据集，并对所述特征样本数据集进行数据处理，得到处理后的数据集，包括：对风电机组变频器故障信息进行采样，得到采样数据集；对所述采样数据集进行归一化处理，得到第一数据集；采用回归随机森林方法构建随机森林回归模型；所述随机森林回归模型的输入为所述第一数据集，所述随机森林回归模型的输出为变频器温度；在所述随机森林回归模型的构建过程中，对所述第一数据集中的每个特征进行评分，得到各个特征的重要性得分；根据所述重要性得分确定所述处理后的数据集。4.根据权利要求3所述的风电机组变频器状态监测方法，其特征在于，所述对所述采样数据集进行归一化处理的计算公式为：其中，x和分别为所述采样数据集的数据和所述第一数据集的数据，x
max
和x
min
分别为所述采样数据集的最大值和最小值，y
max
和y
min
分别为所述采样数据集的目标范围的最大值和最小值，所述目标范围的数值范围为[
‑
1，1]。5.根据权利要求1所述的风电机组变频器状态监测方法，其特征在于，所述神经网络模型包括依次连接的输入层、第一LSTM层、第二LSTM层、Attent...

【专利技术属性】
技术研发人员：陈修高，董得志，胡阳，胡耀宗，孙晓彦，宋羽佳，孙浩，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：