基于深度卷积自编码器的风电机组变频器故障预警方法技术

本发明专利技术公开了一种基于深度卷积自编码器的风电机组变频器故障预警方法，包括：获取风机运行数据并制作为样本数据集，将样本数据集中的训练集导入深度卷积自编码器训练模型进行训练，获得训练参数对深度卷积自编码器训练模型进行优化，并导入验证集对优化后的深度卷积自编码器训练模型进行验证，获得通过验证的深度卷积自编码器训练模型并将测试集导入进行预测输出模型估计值；将模型估计值与目标变量的实际运行值进行计算，获取实时估计残差并与残差阈值进行对比确定设备状态并选择输出预警信息；本发明专利技术实现对风电机组运行状态的实时监测，并通过深度卷积自编码器训练模型实现对风电机组目标变量的精确估计，进行风电机组功率变频器的故障预警。功率变频器的故障预警。功率变频器的故障预警。

【技术实现步骤摘要】
基于深度卷积自编码器的风电机组变频器故障预警方法


[0001]本专利技术属于风电机组
，特别涉及一种基于深度卷积自编码器的风电机组变频器故障预警方法。

技术介绍

[0002]风电机组是由多组件多子系统组成的复杂系统，机组通常运行在远郊平原、山区、临海等偏远地区，运行环境恶劣多变，关键组件的故障会导致整机的停机检修，带来大量的经济损失；因风电机组的所有子系统中，功率变频器是核心组成，其故障导致风电机组停机，带来较大的经济损失；其次在功率变频器子系统中，故障频率最高的是开关短路和开路故障。功率变频器故障会直接导致风机发电性能降低，甚至机组直接停机。
[0003]目前，风电机组的故障统计数据表明，发生故障次数较多的部件主要是变频器、齿轮箱、变桨系统、控制柜、偏航系统等，根据部分风电场的运行数据统计，故障诊断、检修以及风电机组受累停运时间占故障损失运行时间的79％，而定期维护时间仅占12％。对于大部件如果仅采用故障后被动的维修方式，容易造成缺陷扩大，维修时间延长，长期停机，加剧经济损失，对于海上风电机组，海上运输、吊装、维修成本更加高昂。因此，实现功率变频器的故障预警对于减少机组停机时间，减少运维成本具有重大的意义。
[0004]现有的功率变频器的故障预警方案在实际运行过程中，功率变频器的故障样本数据量较少，难以获取足够的样本，故障诊断模型难以准确实现故障的识别和定位，同时故障诊断模型是在事后对故障发生的原因进行分析，无法及时发现和处理变频器的潜在故障，避免故障发生带来的损失。

技术实现思路
r/>[0005]专利技术目的：为了克服现有技术中的不足，本专利技术提供一种基于深度卷积自编码器的风电机组变频器故障预警方法，从风电机组的SCADA记录参数中选取变频器正常运行状态的数据集，实现对风电机组运行状态的实时监测，基于风电机组的运行数据训练深度卷积自编码器训练模型，通过验证后的深度卷积自编码器训练模型实现对目标变量的精确估计，并结合异常特性设计综合性的判别准则进行风电机组功率变频器的故障预警。
[0006]技术方案：第一方面，本专利技术提供一种基于深度卷积自编码器的风电机组变频器故障预警方法，包括：
[0007]获取风机运行数据；
[0008]将风机运行数据制作为样本数据集，其中，风机运行数据基于与变频器工作关联的若干特征参量的变量构造为样本数据集，样本数据集包括：训练集、验证集及测试集，测试集实时更新目标变量的实际运行值；
[0009]将样本数据集中的训练集导入深度卷积自编码器训练模型进行训练，获得训练参数；
[0010]基于训练参数对深度卷积自编码器训练模型进行优化，并导入验证集对优化后的
深度卷积自编码器训练模型进行验证，获得通过验证的深度卷积自编码器训练模型；
[0011]将测试集导入通过验证的深度卷积自编码器训练模型进行预测，输出模型估计值；
[0012]将模型估计值与目标变量的实际运行值进行计算，获取实时估计残差；
[0013]将实时估计残差与残差阈值进行对比，根据对比结果确定设备状态；
[0014]根据确定的设备状态选择输出预警信息；其中，输出的预警信息用于风电机组功率变频器故障预警。
[0015]在进一步的实施例中，所述若干特征参量包括：风速、有功功率、风轮转速、发电机转速、发电机三相电流、发电机三相电压、频率、变频器入口温度、变频器出口温度。
[0016]在进一步的实施例中，所述样本数据集按照50％:30％:20％的比例分别划分为训练集、验证集及测试集。
[0017]在进一步的实施例中，将风机运行数据制作为样本数据集还包括数据预处理，所述数据预处理的方法为：
[0018]对样本数据集中的异常运行状态值，孤立异常点及停机状态值数据进行清洗，获得剔除异常运行状态值，孤立异常点及停机状态值数据的样本数据集；
[0019]对剔除异常运行状态值，孤立异常点及停机状态值数据的样本数据集进行归一化处理用于作为深度卷积自编码器训练模型的输出数据。
[0020]在进一步的实施例中，所述异常运行状态值为不符合风电机组控制策略的数据；确定异常运行状态值的依据为在不同风速下的运行机理，当出现风速大于切入风速，同时输出功率小于功率阈值或风速大于额定风速，同时输出功率小于额定功率减去功率阈值时所关联的风机运行数据点归类为异常运行状态值；
[0021]所述孤立异常点是由传感器记录错误或通信异常导致的记录错误值；所述孤立异常点的判断条件基于变量的正常运行范围，当温度变量值大于150度或小于环境温度值，风速变量值大于机组切出风速或小于机组切入风速，功率变量值大于机组额定功率或为负值时所关联的风机运行数据点归类为孤立异常点；
[0022]所述停机状态值的判断依据为基于机组的运维档案，当机组处于停机检修状态，SCADA系统是否同步停机未知，因此在机组停机期间SCADA系统依然可能存在记录数据，该数据无法表征机组正常运行状态，所关联的风机运行数据点归类为停机状态值。
[0023]在进一步的实施例中，对剔除异常运行状态值，孤立异常点及停机状态值数据的样本数据集进行归一化处理的表达式为：
[0024][0025]式中，x是一个由实数组成的向量，x
max
和x
min
是分别由x在每个维度上的上限值和下限值组成的向量。
[0026]在进一步的实施例中，所述深度卷积自编码器训练模型采用均方误差作为损失函数，自适应矩估计优化算法(ADAM)优化算法作为优化函数；
[0027]其中，深度卷积自编码器的第k层隐含节点的计算公式为：
[0028]h
k
＝σ(x*W
k
+b
k
)
[0029]式中，h
k
为第k层隐含层节点，σ为激活函数，x为k
‑
1层隐含层节点，W
k
为第k层权重
矩阵，b
k
为第k层偏置矩阵；
[0030]自适应矩估计优化算法(ADAM)优化算法的计算公式为：
[0031][0032]式中，表示与x之间的欧几里得距离；损失函数的l2正则化项，是权重系数，λ是修正系数；K表示网络的层数，L表示每一层神经元的个数。
[0033]在进一步的实施例中，将模型估计值与目标变量实际运行值进行计算，获取实时估计残差的方法为：
[0034]将目标变量实际运行值减去模型估计值，获取实时估计残差。
[0035]在进一步的实施例中，残差阈值的获取方法包括：
[0036]将测试集中目标变量实时的实际运行值减去模型的输出模型估计值，获得测试集实时的估计残差；
[0037]按照时间顺序将测试集所有时刻的估计残差汇总为测试集残差序列；
[0038]对测试集残差序列进行计算，获得均值μ及标准差σ，并根据均值μ及标准差σ获得残差阈值的上限值和下限值；
[0039]其中，残本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积自编码器的风电机组变频器故障预警方法，其特征在于，包括：获取风机运行数据；将风机运行数据制作为样本数据集，其中，风机运行数据基于与变频器工作关联的若干特征参量的变量构造为样本数据集，样本数据集包括：训练集、验证集及测试集，测试集实时更新目标变量的实际运行值；将样本数据集中的训练集导入深度卷积自编码器训练模型进行训练，获得训练参数；基于训练参数对深度卷积自编码器训练模型进行优化，并导入验证集对优化后的深度卷积自编码器训练模型进行验证，获得通过验证的深度卷积自编码器训练模型；将测试集导入通过验证的深度卷积自编码器训练模型进行预测，输出模型估计值；将模型估计值与目标变量的实际运行值进行计算，获取实时估计残差；将实时估计残差与残差阈值进行对比，根据对比结果确定设备状态；根据确定的设备状态选择输出预警信息；其中，输出的预警信息用于风电机组功率变频器故障预警。2.根据权利要求1所述的基于深度卷积自编码器的风电机组变频器故障预警方法，其特征在于，所述若干特征参量包括：风速、有功功率、风轮转速、发电机转速、发电机三相电流、发电机三相电压、频率、变频器入口温度、变频器出口温度。3.根据权利要求1所述的基于深度卷积自编码器的风电机组变频器故障预警方法，其特征在于，所述样本数据集按照50％:30％:20％的比例分别划分为训练集、验证集及测试集。4.根据权利要求1所述的基于深度卷积自编码器的风电机组变频器故障预警方法，其特征在于，将风机运行数据制作为样本数据集还包括数据预处理，所述数据预处理的方法为：对样本数据集中的异常运行状态值，孤立异常点及停机状态值数据进行清洗，获得剔除异常运行状态值，孤立异常点及停机状态值数据的样本数据集；对剔除异常运行状态值，孤立异常点及停机状态值数据的样本数据集进行归一化处理用于作为深度卷积自编码器训练模型的输出数据。5.根据权利要求4所述的基于深度卷积自编码器的风电机组变频器故障预警方法，其特征在于，所述异常运行状态值为不符合风电机组控制策略的数据；确定异常运行状态值的依据为在不同风速下的运行机理，当出现风速大于切入风速，同时输出功率小于功率阈值或风速大于额定风速，同时输出功率小于额定功率减去功率阈值时所关联的风机运行数据点归类为异常运行状态值；所述孤立异常点是由传感器记录错误或通信异常导致的记录错误值；所述孤立异常点的判断条件基于变量的正常运行范围，当温度变量值大于150度或小于环境温度值，风速变量值大于机组切出风速或小于机组切入风速，功率变量值大于机组额定功率或为负值时所关...

【专利技术属性】
技术研发人员：钟孝蛟，张世磊，孙达康，张磊，王利，常亮，王立国，王照阳，
申请(专利权)人：南京华盾电力信息安全测评有限公司，
类型：发明
国别省市：