基于局部-全局分层特征建模的风电机组故障诊断方法技术

本发明专利技术提出一种基于局部

【技术实现步骤摘要】
基于局部
‑
全局分层特征建模的风电机组故障诊断方法


[0001]本专利技术属于风力发电机组故障诊断
，具体涉及基于局部
‑
全局分层特征建模的风电机组故障诊断方法。

技术介绍

[0002]随着社会文明的飞速发展，人类对于能源的需求呈逐步递增的趋势，风能作为一种清洁、可再生的能源，近些年已在世界范围内实现大规模开发和利用。然而由于风机安装地点一般地处偏僻，气候恶劣，导致故障频发，给风电场带来了巨大的维修费用和停机损失。因此对风机的数据分析有很大的意义。
[0003]目前有很多的学者提出物理模型分析风机数据，但是物理模型严重依赖专业知识，并且要求较高的数学水平，这制约了物理模型的开发。近年来基于数据驱动的风机研究方法蓬勃发展，各大风场的数据采集与监视控制(Supervisory Control and Data Acquisition，以下简称SCADA)系统给基于数据驱动的分析方法提供了数据支撑。
[0004]目前已有通过处理风力发电机SCADA数据实现数据驱动的风机状态分析方法，但是提出的方法大都偏向分析风机子系统，没有分析各子系统之间的联系，缺少一种分析整机的模型。

技术实现思路

[0005]本专利技术要解决的技术问题在于提供基于局部
‑
全局分层特征建模的风电机组故障诊断方法，从而降低整机建模的难度并解决子系统建模的局部性，提高风电机组子系统及整体故障诊断的精度和可靠性。
[0006]为解决上述技术问题，本专利技术所采用的技术方案是：
[0007]基于局部
‑
全局分层特征建模的风电机组故障诊断方法，包括以下步骤：
[0008]S1、从风电场的数据采集与监测系统中采集风电机组运行数据，并进行数据预处理及数据打标，得到标准化的多变量时间序列；
[0009]S2、针对不同机组系统，将得到标准化的多变量时间序列分组，得到系统级多变量时间序列输入矩阵；
[0010]S3、将S2所述系的系统级多变量时间序列矩阵并行输入到m个卷积特征提取网络，进行多系统时间特征学习，提取不同系统的时间特征，所述m为整数，切m>1；将获取的不同系统的时间特征进行拼接得到一维特征向量；
[0011]S4、将S3得到的一维特征向量输入到空洞因果卷积特征提取网络，以进一步提取空间向量特征，输出整机时空特征；
[0012]S5、S4获取的整机时空特征通过构建的分类层，得到风电机组故障诊断。
[0013]本专利技术技术方案的进一步改进在于：S1具体包括以下步骤：
[0014]S11、采用均值方差归一化方法对获取的原始多变量时间序列进行标准化处理，计算公式如下：
[0015][0016]其中，χ为要归一化的值，χ
scale
为归一化之后的值。μ为样本的平均值，S为样本的标准差。
[0017]本专利技术技术方案的进一步改进在于：S2具体包括以下步骤：
[0018]S21、将标准化的多变量时间序列根据所属系统分成m组，划分为变桨系统，偏航系统，传动系统，发电系统等；
[0019]S22、将分组后的多变量时间序列利用滑动窗技术分割成若干个长度为N的无重叠二维片段，得到n个多变量时间序列输入矩阵。
[0020]本专利技术技术方案的进一步改进在于：S3具体包括以下步骤：
[0021]S31、将步骤2得到的多变量时间序列输入矩阵输入m个具有相同滤波器的卷积网络，并设计每个卷积网络的滤波器只沿着时间轴滑动；
[0022]S32、设置每个卷积特征提取网络模块的层数，每个模块包括三个卷积层、三个批归一化层、三个正则化层和一个全局平均池化层，其中每个全局平均池化层的滤波器大小相同；
[0023]S33、将不同系统的时间特征进行拼接，得到一维特征向量。
[0024]本专利技术技术方案的进一步改进在于：S4具体包括以下步骤：
[0025]S41、定义风电机组故障诊断为一个分类问题；
[0026]S42、设置空洞因果卷积网络层数，包括三个卷积层、三个正则化层以及一个全连接层，每个卷积层空洞率为1,2,3。
[0027]本专利技术技术方案的进一步改进在于：所述分类层的目标函数的计算表达式如下：
[0028][0029]其中，y
i
为标签值，f(x)为模型预测值。
[0030]由于采用了上述技术方案，本专利技术取得的技术进步是：
[0031]本专利技术提出一种基于局部
‑
全局分层特征建模的风电机组故障诊断方法，利用SCADA数据多变量的特点，关注风机不同系统数据的差异性，设计不同的卷积提取模块分别提取系统特征，同时将系统特征合并再提取整机特征以挖掘不同系统间互补的特征，上述技术手段同时关注了风机单独子系统以及整机的数据特征，能够提取更为丰富的SCADA数据特征，与传统的系统卷积网络模型以及整机网络特征提取模型相比，本专利技术能够从子系统出发建立模型，再融合子系统特征建立整机模型，降低了整机建模的冗余并解决了子系统建模的局部性，为风力发电机数据分析提供了新的途径。
附图说明
[0032]图1是本专利技术的一个实施方式的流程图；
[0033]图2是本专利技术的一个实施方式的子系统变量分组图；
[0034]图3是本专利技术的一个实施方式的从子系统到整机的特征提取流程图；
[0035]图4是本专利技术的一个实施方式的整机特征提取流程图。
具体实施方式
[0036]以下，参照附图对本专利技术的实施方式进行说明：
[0037]如图1所示，一种基于局部
‑
全局分层特征建模的风电机组故障诊断方法，包括以下步骤：
[0038]S1：从风电场的数据采集与监测系统中采集风电机组运行数据，并进行数据预处理及数据打标，具体方法如下：
[0039]S11、采用均值方差归一化方法对获取的原始多变量时间序列进行标准化处理，计算公式如下：
[0040][0041]其中，χ为要归一化的值，χ
scale
为归一化之后的值。μ为样本的平均值，S为样本的标准差
[0042]步骤S2：如图2所示，针对不同机组系统，将原始变量分组，得到系统级多变量时间序列输入矩阵，具体方法如下；
[0043]步骤S21、将标准化的多变量时间序列根据所属系统分成m组，划分为变桨系统，偏航系统，传动系统，发电系统等。
[0044]步骤S22、将分组后的多变量时间序列利用滑动窗技术分割成若干个长度为N的无重叠二维片段，得到n个多变量时间序列输入矩阵。
[0045]步骤S3：如图3所示，将步骤2所述系的系统级多变量时间序列矩阵并行输入到m个卷积特征提取网络，进行多系统时间特征学习，提取不同系统的时间特征，所述m为整数，且m>1；将获取的多部件时间向量特征进行拼接得到一维特征向量，具体步骤如下：
[0046]步骤S3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于局部
‑
全局分层特征建模的风电机组故障诊断方法，其特征在于：其包括以下步骤：S1、从风电场的数据采集与监测系统中采集风电机组运行数据，并进行数据预处理及数据打标，得到标准化的多变量时间序列；S2、针对不同机组系统，将标准化的多变量时间序列分组，得到系统级多变量时间序列输入矩阵；S3、将S2所述的系统级多变量时间序列矩阵并行输入到m个卷积特征提取网络，进行多系统时间特征学习，提取不同系统的时间特征，所述m为整数，且m>1；将获取的不同系统的时间特征进行拼接得到一维特征向量；S4、将S3得到的一维特征向量输入到空洞因果卷积特征提取网络，以进一步提取空间向量特征，输出整机时空特征；S5、S4获取的整机时空特征通过构建的分类层，得到风电机组故障诊断。2.根据权利要求1所述的基于局部
‑
全局分层特征建模的风电机组故障诊断方法，其特征在于：S1包括如下具体步骤：S11、采用均值方差归一化方法对获取的原始多变量时间序列进行标准化处理，计算公式如下：其中，χ为要归一化的值，χ
scale
为归一化之后的值。μ为样本的平均值，S为样本的标准差。3.根据权利要求1所述的基于局部
‑
全局分层特征建模的风电机组故障诊断方法，其特征在于：S2包括如下具体步骤：S21、将标准化的多变量时间序列根据所属系统分成m组，包括变桨系统、偏航系统、传动系统和发电系统；S22、将分组后的多变量时间序列利用滑动窗技术分割成若干个长度为N的无重叠二维片段，得到n个多变量时间序列输入...

【专利技术属性】
技术研发人员：江国乾，周俊超，谢平，白佳荣，王霄，何群，
申请(专利权)人：燕山大学，
类型：发明
国别省市：