基于边缘迁移学习算法风力发电机组故障诊断方法及应用技术

基于边缘迁移学习算法的风力发电机组故障诊断方法，包括如下步骤：建立风力发电机组风轮转速故障模型；面向风电机组的边缘迁移学习算法；基于边缘迁移学习算法的风电机组诊断。本发明专利技术有益效果：将边缘计算与迁移学习算法结合，对风力发电机组运行的实时故障数据进行快速学习并扩充，为准确快速诊断机组故障类型奠定基础，有助于提高风电场效益。有助于提高风电场效益。有助于提高风电场效益。

【技术实现步骤摘要】
基于边缘迁移学习算法风力发电机组故障诊断方法及应用


[0001]本专利技术涉及风力发电机组的故障诊断领域，更具体地，涉及一种基于边缘迁移学习算法的风力发电机组故障诊断方法及其系统。

技术介绍

[0002]风能作为一种可再生的清洁能源，在世界范围内得到了广泛的应用。然而，风力发电机的故障阻碍了风力发电的发展。齿轮箱、发电机、主轴承、叶片、塔架等关键部件发生意外故障，可能会导致计划外停机，对风电场的可用性和效益产生严重影响。为促进更大规模化风力发电机组并入电网缓解电力紧张局面，急需提高机组运行的可靠性和稳定性。建立风电机组的故障诊断系统是降低故障影响的关键。目前的风电机组的故障诊断方法如故障树分析法、基于模型或数据驱动的离线数据分析方法，不能做到实时准确反映机组当前运行状态。边缘计算在当今物联网背景下显得尤为重要，可高效快速解决工业过程数据的分析计算问题。而迁移学习算法可通过找出源领域与目标领域之间共同的特征表示进行数据知识的迁移与复制，已成为扩充关键数据量的最有效方法之一。因此，将边缘计算与迁移学习结合设计风力发电机组的故障诊断系统是一种提高机组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于边缘迁移学习算法的风力发电机组故障诊断方法，其特征为：包括如下步骤：步骤1：建立无故障情况下的风轮系统模型；步骤2：面向风电机组风轮故障数据扩充的迁移学习算法；步骤3：基于边缘迁移学习算法的风电机组诊断。2.根据权利要求1所述的基于边缘迁移学习算法的风力发电机组故障诊断方法，其特征为：所述步骤1进一步包括如下内容：风力发电机组风轮系统的状态空间模型如下：其中，各系数矩阵分别为：其中，各系数矩阵分别为：C＝[0 1 0 0](4)D＝[0](5)其中，J
r
为风轮转动惯量；J
g
为发电机转动惯量；B
g
为高速轴的粘性摩擦系数；B
s
为低速轴的粘性摩擦系数；Trb为低速轴转矩；K
s
为风轮系统扭力弹簧弹性系数；为了对模型进行故障诊断，先将模型离散化，得到：其中，w(k)和v(k)分别是过程噪声和测量噪声，W(k)是测量噪声的系数矩阵，W(k)＝[0Trv/Jr 0 0]'；因此，无故障情况下的风轮系统模型为：3.根据权利要求1所述的基于边缘迁移学习算法的风力发电机组故障诊断方法，其特征为：所述步骤2进一步包括如下内容：风力发电机组故障诊断迁移学习任务表示为环境条件改变设置，数据集包含源域DS和目标域DT，定义如下：D(x)＝{x,p(x)} (8)D(t)＝{xx,pp(x)}(9)
式中，x为源域的目标域,即特征空间，风轮系统故障状态数据xx为系统故障时的扭力弹簧弹性系数、为风轮转动惯量、发电机转动惯量、高速轴的粘性摩擦系数、低速轴的粘性摩擦系数、低速轴转矩；p(x)为样本x的边际概率值。4.根据权利要求3所述的基于边缘迁移学习算法的风力发电机组故障诊断方法，其特征为：所述步骤2进一步包括如下内容：风力发电机组故障诊断迁移学习任务含有源域任务T
S
和目标域任务T
D
，实际应用中，DS≠DT,T
S
≠T
D
...

【专利技术属性】
技术研发人员：郑智强，王维海，王文锋，赵登峰，徐龙，王晓磊，李晖，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：