一种基于TensorFlow的风电机组发电机温升故障预警方法技术

一种基于TensorFlow的风电机组发电机温升故障预警方法，包括：模型数据处理，模型建立与训练，调参优化，运行模型得出预警结果，加载保存的模型，导入需要预测的数据，通过预测值与实际值的比较来判断故障点。本发明专利技术克服了现有技术的不足，针对风电机组SCADA数据量大、数据维度多的特点，利用TensorFlow快速高效的特性，结合Keras Tuner调参框架，很好的解决了风电机组发电机故障预警建模困难、准确率低的问题。题。题。

【技术实现步骤摘要】
一种基于TensorFlow的风电机组发电机温升故障预警方法


[0001]本专利技术涉及旋风炉
，具体涉及一种基于TensorFlow的风电机组发电机温升故障预警方法。

技术介绍

[0002]发电机是风电机组最重要的零部件之一，发电机高温故障是发电机最常见的故障，如果发电机PT100温度传感器发生漂移或其他方面的损坏，PT100会误报高温情况，会导致发电机频繁启停，造成风机停机从而导致损失发电量。如果发电机PT100温度偏低，会导致出现高温情况而不能及时停机的现象。如果发电机本身发生故障，会导致发电机长时间在高温下运行而加速发电机损坏，造成较大的发电损失，因此对发电机进行预警显得尤为重要。
[0003]风电机组预警方法可以根据机组当前或者历史运行数据判断机组是否存在潜在的故障。根据故障种类的不同，故障数据来源也不同，可以是振动数据、SCADA历史数据、音频数据或图像数据。由于SCADA数据已普遍应用于风电机组，获取方便成本低，从而被广泛用于数据分析，同时也是故障预警过程中普遍采用的数据源，且SCADA数据中有大量与发电机温度相关的数据，因此发电机高温故障可以利用SCADA数据中的测点进行故障预警。
[0004]利用SCADA数据进行故障预警可以通过统计以及设置阈值的方法设计算法，从而达到故障预警的目的，但由于风电机组涉及的参数维度较多，数据量较大，阈值的设定又依赖于工作人员的经验，因此基于传统的统计方法难以设计出高效的算法，且功能单一，误报率较高。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了一种基于TensorFlow的风电机组发电机温升故障预警方法，针对风电机组SCADA数据量大、数据维度多的特点，利用TensorFlow快速高效的特性，结合Keras Tuner调参框架，很好的解决了风电机组发电机故障预警建模困难、准确率低的问题。
[0006]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于TensorFlow的风电机组发电机温升故障预警方法，包括以下步骤：步骤S1：模型数据处理，收集正常风机的SCADA数据并对数据中的异常数据进行清理，并将训练输入、输出数据进行分离；步骤S2：模型建立与训练，导入步骤S1中处理后的模型数据，利用TensorFlow调用Keras框架的API快速建立并训练模型；步骤S3：调参优化，利用Keras Tuner对模型参数优化；步骤S4：运行模型得出预警结果，加载保存的模型，导入需要预测的数据，通过预测值与实际值的比较来判断故障点。
[0007]优选地，所述步骤S1具体包括以下步骤：
步骤S11：收集风机在一段时间内的SCADA历史运行数据；步骤S12：从SCADA历史运行数据中选出与发电机温升相关的数据；步骤S13：对数据中存在的0值、空值和异常值进行清理；步骤S14：针对清理后的数据，将训练输入、输出数据进行分离。
[0008]优选地，所述步骤S2具体包括以下步骤：步骤S21：加载TensorFlow框架，调用Tensorflow的数据集加载接口；步骤S22：导入步骤S1处理后的模型数据，并对数据进行统计计算，使数据归一化；步骤S23：引入Keras模块构建针对目标model对象的Sequential框架；步骤S24：堆叠神经网络层；步骤S25：利用compile方法定义模型数据的训练参数；步骤S26：训练参数定义完成后，使用model对象进行训练；步骤S26：判断model对象训练是否达到迭代次数；若是，则保存训练模型，训练结束，若否，则进行步骤S27；步骤S27：评估模型的准确性在最近一个回合是否提高；若是则返回步骤S26，若否，则保存训练模型，训练结束。
[0009]优选地，所述步骤S3具体包括以下步骤：步骤S31：指定超参模型、要优化的目标和要训练的最大步骤数；步骤S32：创建一个回调，在达到验证损失的某个值后停止训练；步骤S33：执行超级参数搜索；步骤S34：找到最好的epochs，再重新构建hypermodel，用最好的epochs再次训练。
[0010]优选地，所述步骤S4具体包括以下步骤：步骤S41：加载风场SCADA数据或数据库数据；步骤S42：读取步骤S3中保存好的神经网络模型，并读取输入参数计算得出的预测值；步骤S43：通过预测值与实际值做差得到两者的残差；步骤S44：标记残差超过规定值的输入为异常值；步骤S45：统计一定时间段内异常值的数量；步骤S46：判断异常值的数量是否达到规定的数量，若是，则第一次异常值所对应的预警时刻以及此时的温度值。
[0011]本专利技术提供了一种基于TensorFlow的风电机组发电机温升故障预警方法。具备以下有益效果：针对风电机组SCADA数据量大、数据维度多的特点，利用TensorFlow快速高效的特性，结合Keras Tuner调参框架，很好的解决了风电机组发电机故障预警建模困难、准确率低的问题。
附图说明
[0012]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍。
[0013]图1 本专利技术的步骤流程图；图2 本专利技术中基于TensorFlow的神经网络算法训练流程图；
图3 本专利技术中基于TensorFlow的神经网络模型预警流程图；图4 本专利技术中模型优化前训练结果图；图5 本专利技术中模型优化后训练结果图；图6 本专利技术中一个风机的预警结果图。
具体实施方式
[0014]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述。
[0015]如图1所示，一种基于TensorFlow的风电机组发电机温升故障预警方法，包括以下步骤：步骤S1：模型数据处理，收集正常风机的SCADA数据并对数据中的异常数据进行清理，并将训练输入、输出数据进行分离；步骤S2：模型建立与训练，导入步骤S1中处理后的模型数据，利用TensorFlow调用Keras框架的API快速建立并训练模型；步骤S3：调参优化，利用Keras Tuner对模型参数优化；步骤S4：运行模型得出预警结果，加载保存的模型，导入需要预测的数据，通过预测值与实际值的比较来判断故障点。
[0016]进一步地，所述步骤S1具体包括以下步骤：步骤S11：收集风机在一段时间内的SCADA历史运行数据；步骤S12：从SCADA历史运行数据中选出与发电机温升相关的数据；包括环境温度、风速、有功功率、主轴承温度、故障状态、轮毂温度数据；步骤S13：对数据中存在的0值、空值和异常值进行清理；步骤S14：针对清理后的数据，将训练输入、输出数据进行分离。
[0017]进一步地，如图2所示，所述步骤S2具体包括以下步骤：步骤S21：加载TensorFlow框架，调用Tensorflow的数据集加载接口；步骤S22：导入步骤S1处理后的模型数据，并对数据进行统计计算，使数据归一化；步骤S23：引入Keras模块构建针对目标model对象的Sequentia本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TensorFlow的风电机组发电机温升故障预警方法，其特征在于：包括以下步骤：步骤S1：模型数据处理，收集正常风机的SCADA数据并对数据中的异常数据进行清理，并将训练输入、输出数据进行分离；步骤S2：模型建立与训练，导入步骤S1中处理后的模型数据，利用TensorFlow调用Keras框架的API快速建立并训练模型；步骤S3：调参优化，利用Keras Tuner对模型参数优化；步骤S4：运行模型得出预警结果，加载保存的模型，导入需要预测的数据，通过预测值与实际值的比较来判断故障点。2.根据权利要求1所述的一种基于TensorFlow的风电机组发电机温升故障预警方法，其特征在于：所述步骤S1具体包括以下步骤：步骤S11：收集风机在一段时间内的SCADA历史运行数据；步骤S12：从SCADA历史运行数据中选出与发电机温升相关的数据；步骤S13：对数据中存在的0值、空值和异常值进行清理；步骤S14：针对清理后的数据，将训练输入、输出数据进行分离。3.根据权利要求1所述的一种基于TensorFlow的风电机组发电机温升故障预警方法，其特征在于：所述步骤S2具体包括以下步骤：步骤S21：加载TensorFlow框架，调用Tensorflow的数据集加载接口；步骤S22：导入步骤S1处理后的模型数据，并对数据进行统计计算，使数据归一化；步骤S23：引入Keras模块构建针对目标model对象的Sequential框架；步骤S2...

【专利技术属性】
技术研发人员：梅春晓，谭建鑫，李雪松，许宜菲，李琰，尚一斐，马同宽，
申请(专利权)人：新天绿色能源股份有限公司，
类型：发明
国别省市：