基于可解释性图神经网络的风电机组异常检测与定位方法技术

本发明专利技术公开了基于可解释性图神经网络的风电机组异常检测与定位方法，属于风电机组状态监测领域，所述方法包括S1、筛选多变量时间序列SCADA数据；S2、协变量预处理及谱域图卷积网络模型初始化；S3、将协变量预处理之后的健康数据输入谱域图卷积网络，提取特征；S4、根据训练集设置阈值；S5、通过检测与定位模块进行异常检测和异常定位；S6、通过事后可解释性模块进行异常检测和定位；S7、将检测与定位模块和决策可解释性模块综合评估，对机组健康状态进行科学性的评估和指导。本发明专利技术实现了对机组故障的早期预警，实现了对机组故障的精准定位，有利于在亚健康时及时对机组进行处理和维护，避免机组及关键部件的深度伤害。避免机组及关键部件的深度伤害。避免机组及关键部件的深度伤害。

【技术实现步骤摘要】
基于可解释性图神经网络的风电机组异常检测与定位方法


[0001]本专利技术涉及风电机组状态监测领域，尤其是基于可解释性图神经网络的风电机组异常检测与定位方法。

技术介绍

[0002]近年来，深度学习技术获得发展，图神经网络(Graph neural network，简称GNN)作为深度学习技术中处于风口的新兴技术，由于其能捕获学习到非欧几里得数据及其关联性因此得到了飞速的发展和众多专家学者的关注，在图像检测和识别、分类等领域已经取得了大量重要的成果。然而，GNN备受青睐的同时，也存在许多悬而未决难题，其中一个重要的难题就是深度学习模型的可解释性。研究可解释性的目的是希望能够阐述深度学习的运行机理、并探究深度学习模型可靠性的解释，进而寻找指导修改网络的方法，对已训练网络存在的缺陷进行检测与修复，同时对论证结果进行解释性较强的呈现。
[0003]传统非图网络的可解释性方法包括两种：第一种是制定简单的替代模型的完整神经网络。这可以用一种模型不可知论的方式来完成，通常是通过学习关于预测的局部置信度逼近，例如通过线性模型或规则集来表示预测的充分条本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可解释性图神经网络的风电机组异常检测与定位方法，其特征在于，包括以下步骤：S1、获取并筛选多变量时间序列SCADA数据：从风电场SCADA系统中获取风电机组多变量时间序列历史数据，进行数据清洗去除缺失值和异常数据，并筛选实验变量和协变量；S2、消除环境变量及工况变化对实验变量的影响，并获得协变量预处理之后的温度传感器数据，构建基于贝叶斯优化算法的随机森林多输入
‑
多输出回归模型并进行谱域图卷积网络模型初始化；S3、将协变量预处理之后的健康数据输入谱域图卷积网络，学习关联特征：构建基于谱域图卷积网络的预测模型，首先利用自注意力机制提取协变量预处理之后的状态变量时间序列数据中不同传感器变量之间的空间相关特征，计算得到表示传感器空间相关性的邻接矩阵；同时，将协变量预处理之后的状态变量时间序列数据输入谱域图卷积模块，提取时间维度的特征，并将其与邻接矩阵一起输入图卷积模块，提取空间维度的特征；利用训练集对基于谱域图卷积网络的预测模型进行训练；S4、根据训练集设定阀值：将训练集输入到待训练的基于谱域图卷积网络的预测模型，计算训练集中所有变量的预测值和真实值的均方根误差，根据核密度估计的方法，设计阈值；S5、将在线SCADA测试数据输入模型，并通过检测与定位模块根据阈值判断是否产生异常，并进行误报点采集和故障定位：从风电机组获取在线实时监测多变量时间数据，将其先输入到随机森林多输入
‑
多输出回归模型，计算得到协变量预处理后的温度状态数据，然后再将其输入到训练好的基于谱域图卷积网络的预测模型，通过检测与定位模块根据预测值与真实值之间的均方根误差，将其与预先设定的阈值进行比较；当均方根误差大于阈值时，则对风机部件发出故障预警；同时将测试数据的均方根误差按天和按小时降采样，由检测与定位模块进行定位，最后根据验证集和阈值设定判断误报情况；S6、将在线SCADA测试数据输入基于谱域图卷积网络的预测模型，根据数据相关性自适应设置阈值，通过决策可解释性模块，将结果模型可视化，实现故障预警和故障定位，并依据结果优化方法优化模型参数结构；S7、将检测与定位模块和决策可解释性模块综合评估，对风电机组健康状态进行科学性的评估和指导。2.根据权利要求1所述的一种基于可解释性图神经网络的风电机组异常检测与定位方法，其特征在于：S1中，具体包括以下步骤：S11、使用基于密度的离群因子检测算法对原始SCADA数据进行离群点检测，去除不符合物理意义的数据以及缺失值；S12、筛选与实验相关的温度状态变量以及影响温度的协变量进行下一步建模。3.根据权利要求1所述的一种基于可解释性图神经网络的风电机组异常检测与定位方法，其特征在于：S2中，具体包括以下步骤：S21、将整个实验数据划分为训练集、验证集和测试集，其中测试集数据为实验数据；训练集中将协变量作为自变量，温度状态变量作为因变量，根据传感器数量构建基于贝叶斯优化算法的随机森林多输入
‑
多输出回归模型，计算得到的回归模型残差作为协变量处理
的温度状态变量；S22、使用滑动窗口对协变量预处理之后的温度状态变量建立固定窗大小的时间序列数据，根据不同的机组的不同故障，选取合适的数据并按照训练集：验证集：测试集＝7:2:1的比例划分数据，并进行谱域图卷积网络模型初始化。4.根据权利要求1所述的一种基于可解释性图神经网络的风电机组异常检测与定位方法，其特征在于：S3中，具体包括以下步骤：S31、将训练集数据X∈R
S
×
N
输入门控线性单元GLU，其中S为滑动窗口大小，N为温度状态变量的传感器数目，该层按照顺序计算每个窗口S对应的隐藏状态，同时使用最后一个隐藏状态R作为整个时间序列的表示，并且通过自注意力机制计算权值矩阵W，根据权值矩阵W计算传感器空间耦合图的领接矩阵A，其中A＝0.5*W*W
T
，即构成一个基于每个固定时间窗的固定图结构G,G＝(X,W)；S32、将S31中生...

【专利技术属性】
技术研发人员：江国乾，易子宸，谢平，何群，武鑫，李小俚，
申请(专利权)人：燕山大学，
类型：发明
国别省市：