一种新能源风机设备的故障预警系统技术方案

本发明专利技术涉及新能源风机技术领域，且公开了一种新能源风机设备的故障预警系统，包括风电机组状态监测模块和风电机组预测模块，所述风电机组状态监测模块包括卷积自编码器单元和双向长短期神经网络单元，所述风电机组预测模块包括预测模型建立单元和异常监测单元。该方法通过神经网络正常模型的预测值与实际值进行比较得到误差，将在正常行为模型定义的置信区间之外的误差判断为异常；结果表明通过观察神经网络的预测值与实时数据之间的误差和误差频率的增加来实现故障预警，该方法着力解决故障预警时间和预警精度的矛盾。提出基于SCADA数据的风机部件故障预警方法，通过风机实时数据进行试验、分析，验证所给出的方法在预警时间、精度方面的有效性。精度方面的有效性。精度方面的有效性。

【技术实现步骤摘要】
一种新能源风机设备的故障预警系统


[0001]本专利技术属于新能源风机
，具体为一种新能源风机设备的故障预警系统。

技术介绍

[0002]风能作为一种绿色无污染的新能源，风能越来越受到重视，它将成为人类未来主要的能源资源，受复杂多变的环境因素影响，风电机组各部件性能会在运行中逐渐下降，最终导致部件发生故障，而对风电机组部件进行故障预警则可提前发现隐患，有利于优化维护计划，避免因部件故障延误而导致更加严重的整机故障。
[0003]传统风电机组故障预警方法有振动分析、声学分析、润滑分析等，这些方法需要采集高频率的振动数据或额外安装高成本附加设备或者传感器，导致难以广泛应用于风场中。风机数据采集与监控(Supervisory Control And Data Acquisition，简称SCADA)系统作为风机状态监测的重要组成部分，能够提供监测风机状态与风机部件运行状态的数据，基于SCADA数据驱动的风机部件故障预警方法已经被广泛应用于风场中；通过SCADA数据建立卷积神经网络模型(CNN)，对风机部件进行故障预警不需要对风机组件的机械结构有深入了解；当SCADA数据充足的情况下，能够实现对风机多部件的故障预警；利用CNN对风机组件故障预警的这些优点，使其成为风机关键部件故障预警的重要方法之一。
[0004]但是现有的系统中，缺乏一套准确的预警方法，传统的预警方法，会产生故障预警时间和预警精度之间的矛盾点，难以协调，当出现较长的预警时间时，预警的精度就会变差。

技术实现思路

[0005]有鉴于此，为克服现有技术的缺陷，本专利技术新型提供一种新能源风机设备的故障预警系统，可以着力解决故障预警时间和预警精度的矛盾，有效的解决了风机实时数据进行试验、分析，验证所给出的方法在预警时间、精度方面的有效性的问题。
[0006]本专利技术通过以下技术方案实现:
[0007]一种新能源风机设备的故障预警系统，有效的解决了上述
技术介绍
中提出的问题。
[0008]为实现上述目的，本专利技术提供如下技术方案：一种新能源风机设备的故障预警系统，包括风电机组状态监测模块和风电机组预测模块，所述风电机组状态监测模块包括卷积自编码器单元和双向长短期神经网络(LSTM)单元，所述风电机组预测模块包括预测模型建立单元和异常监测单元，所述风电机组状态监测模块用于提取SCADA数据中的隐藏特征，并建立预测模型，进而监测风电机组的运行状态，通过在CAE(卷积自编码，Convolution AutoEncoder,CAE)层后连接BiLSTM(双向长短期神经网络(Bi
‑
directional Long Short
‑
Term Memory,BiLSTM)层完成时间特征的提取，随后全连接层得到目标参数的预测值。
[0009]优选的，所述卷积自编码器单元包括自动编码器，所述自动编码器是一种典型的无监督神经网络模型，自编码器依据反向传播算法与最优化方法，利用输入数据X本身作为
监督来指导神经网络尝试学习一种映射关系，得到一个重构输出XR，通常算法模型包含两个主要的部分：编码器和解码器，编码器的作用是把高维输入X编码成低维的隐变量h，从而强迫神经网络学习最有信息量的特征；解码器的作用是把隐藏层的隐变量h还原到初始维度，最好的状态就是解码器的输出能够完美或者近似恢复出原来的输入，即XR≈X，卷积自编码器利用CAE层替换了简单自编码器的全连接层，与图像的二维拓扑结构吻合。
[0010]优选的，所述双向长短期神经网络单元，BiLSTM并没有改变LSTM的内部结构,是从正反两个方向利用LSTM对数据建模，将信息拼接在一起，并改善了LSTM因模型结构导致前后数据信息重要程度发生改变，从而造成预测精度下降的问题，同时避免了梯度消失和爆炸，LSTM的计算过程可以概括为：通过遗忘细胞状态中信息和记忆新的信息使得对后续时刻计算有用的信息得以传递，而无用的信息被丢弃，其前向传播可以表示为：
[0011]ft＝σ(Wf
·
[ht
‑
1,xt]+bf)；
[0012]it＝σ(Wi
·
[ht
‑
1,xt]+bi)；
[0013]ot＝σ(Wo[ht
‑
1,xt]+bo)；
[0014]ht＝ot
·
Relu(Ct)。
[0015]优选的，所述预测模型建立单元的预测模型建立具体包括以下步骤：
[0016]S1、对正常运行状态下的SCADA数据进行预处理；首先剔除停机数据以及有功功率小于0kW的数据等无关数据的干扰，通过箱线图法对异常数据进行清洗，之后对正常运行状态下的SCADA数据进行相关性分析，选取与输出相关性较大的参数作为输入参数；
[0017]S2、预测模型的主要结构是CAE层和BiLSTM层，其中CAE层的层数为1，卷积核的大小设置为3，BiLSTM层的层数为2，最后添加了输出维度分别为16和1的全连接层，所有结构的激活函数选择Relu，选择平均绝对误差(MAE)作为模型的损失函数，优化器选择能够使用自适应学习率加快模型收敛速度的Adam；
[0018]S3、将预处理后正常运行状态的SCADA数据输入到预测模型上进行训练，通过验证集和训练集的损失对比判断预测模型是否发生过拟合和欠拟合来确定迭代次数，通过调整超参数和迭代次数使得预测模型能够得到输入参数与目标参数的逻辑映射关系。
[0019]优选的，所述异常监测单元采用的异常监测方法为均方根误差法，该方法可以衡量预测值与真实值之间的偏差，常用来衡量预测结果的准确程度，均方根误差越小，测量精度越高；为了消除预测结果的偶然性，避免报警信息量过大甚至误报导致不能及时发现真正的问题，利用该方法对风电机组运行状态进行监测，当异常状态的SCADA数据输入预测模型时，由于数据偏离训练的正常数据，使得误差增大，该方法将会增大，当残差序列的该方法多次超过设定的安全阈值时，判定风电机组运行状态异常。
[0020]与现有技术相比，本专利技术的有益效果是：
[0021]该方法通过神经网络正常模型的预测值与实际值进行比较得到误差，将在正常行为模型定义的置信区间之外的误差判断为异常；结果表明通过观察神经网络的预测值与实时数据之间的误差和误差频率的增加来实现故障预警，该方法着力解决故障预警时间和预警精度的矛盾。提出基于SCADA数据的风机部件故障预警方法，通过风机实时数据进行试验、分析，验证所给出的方法在预警时间、精度方面的有效性。
附图说明
[0022]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0023]图1为本专利技术基于CAE
‑
BiLSTM的状态监测流程示意图；
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新能源风机设备的故障预警系统，包括风电机组状态监测模块和风电机组预测模块，其特征在于：所述风电机组状态监测模块包括卷积自编码器单元和双向长短期神经网络单元，所述风电机组预测模块包括预测模型建立单元和异常监测单元，所述风电机组状态监测模块用于提取SCADA数据中的隐藏特征，并建立预测模型，进而监测风电机组的运行状态，通过在CAE层后连接BiLSTM层完成时间特征的提取，随后全连接层得到目标参数的预测值。2.根据权利要求1所述的一种新能源风机设备的故障预警系统，其特征在于：所述卷积自编码器单元包括自动编码器，所述自动编码器是一种典型的无监督神经网络模型，自编码器依据反向传播算法与最优化方法，利用输入数据X本身作为监督来指导神经网络尝试学习一种映射关系，得到一个重构输出XR，通常算法模型包含两个主要的部分：编码器和解码器，编码器的作用是把高维输入X编码成低维的隐变量h，从而强迫神经网络学习最有信息量的特征；解码器的作用是把隐藏层的隐变量h还原到初始维度，最好的状态就是解码器的输出能够完美或者近似恢复出原来的输入，即XR≈X，卷积自编码器利用CAE层替换了简单自编码器的全连接层，与图像的二维拓扑结构吻合。3.根据权利要求1所述的一种新能源风机设备的故障预警系统，其特征在于：所述双向长短期神经网络单元，BiLSTM并没有改变LSTM的内部结构,是从正反两个方向利用LSTM对数据建模，将信息拼接在一起，并改善了LSTM因模型结构导致前后数据信息重要程度发生改变，从而造成预测精度下降的问题，同时避免了梯度消失和爆炸，LSTM的计算过程可以概括为：通过遗忘细胞状态中信息和记忆新的信息使得对后续时刻计算有用的信息得以传递，而无用的信息被丢弃，其前向传播可以表示为：ft＝σ(Wf
·
[ht
‑
1,xt]+bf)；it＝σ(Wi
·

【专利技术属性】
技术研发人员：王浩，丁浩，李武洲，李念，田璞，席桂荣，许兆鹏，刘瓦，崔立业，高飞，陈楠，李磊，田宇，
申请(专利权)人：安徽吉电新能源有限公司宿松吉电新能源有限公司漳浦阳光浦照新能源发电有限公司长春吉电能源科技有限公司，
类型：发明
国别省市：