基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于SCADA参数相关性和DNN的风电机组故障溯源方法及系统


[0001]本专利技术属于风力发电
，涉及一种基于
SCADA
参数相关性和
DNN
的风电机组故障溯源方法及系统
。

技术介绍

[0002]风电机组运行在极端
、
多变的天气条件下，存在结构复杂
、
变速变载
、
维护维修困难的问题，这使得风电机组的故障率高
、
停机时间长
、
维修费用居高不下
。
对风电机组进行状态监测和故障诊断，在故障发生前及时预警，提早发现微弱故障，能有效避免严重故障的发生，可以有效降低风电机组的运维成本
、
提高机组可靠性
。
[0003]监控与数据采集
(Supervisory Control And Data Acquisition
，
SCADA)
系统作为风电机组的标准配置，主要用于风电机组各监测参数的采集
、
监测与控制
。
其提供的几十种甚至上百种监测参量为风电机组的健康状态评估提供了数据平台
。
但
SCADA
数据均为温度
、
电流
、
电压
、
转速
、
风速和功率等监测数据以及超阈值后的报警记录，数据反应故障慢；相反，频发的故障误报警给维护人员带来了极大的困扰
。

技术实现思路

[0004]本专利技术的目的在于解决现有技术中数据反应故障慢，故障误报警频发的问题，提供一种基于
SCADA
参数相关性和
DNN
的风电机组故障溯源方法及系统
。
[0005]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]基于
SCADA
参数相关性和
DNN
的风电机组故障溯源方法，包括：
[0007]采集风电机组历史的
SCADA
数据，并对采集到的数据进行预处理，作为训练集；
[0008]基于故障位置确定深度神经网络的输出参数，得到输出参数与训练集中
SCADA
各参数的相关性；选取若干个与输出参数相关性排名靠前的参数作为深度神经网络模型的输入；
[0009]基于所选取的参数对深度神经网络进行训练，获取最优化的深度神经网络模型和预测输出参数；
[0010]基于输出参数的实际值与深度神经网络的预测值，确定故障阈值；
[0011]采集风电机组的实时
SCADA
数据，作为测试集；基于测试集和最优化的深度神经网络模型，获取优化模型的预测数据；
[0012]基于优化模型的预测数据
、
测试集和故障阈值，获取数据预警图，确定风电机组是否发生故障并获取具体故障部位
。
[0013]本专利技术的进一步改进在于：
[0014]进一步的，对采集到的数据进行预处理，具体为：数据清洗和归一化预处理；所述数据清洗为基于四分法对采集的风电机组的历史
SCADA
数据进行筛选，异常值的剔除为通过风速
v
w
和输出有功功率
Pow
g
进行的，剔除原理如公式
(1)
所示：
[0015][0016]其中，
[0017]IQR
＝
Q3‑
Q1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0018]其中，
Q3是上四分位；
Q1是下四分位
。
[0019]进一步的，归一化预处理，具体为：对清洗过的数据进行线性变换，使结果映射到
[0
，
1]的范围；归一化公式为：
[0020]X'
＝
(X
‑
X
min
)/(X
max
‑
X
min
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0021]其中，
X
为原始数据，
Xmax
和
Xmin
分别为原始数据集的最大值和最小值
。
[0022]进一步的，得到输出参数与训练集中
SCADA
各参数的相关性，具体为：通过皮尔逊相关系数对输出参数与训练集中
SCADA
各参数进行处理，得到输出参数与训练集中
SCADA
各参数的相关性排序
。
[0023]进一步的，基于输出参数的实际值与深度神经网络的预测值，确定故障阈值，具体为：
[0024]基于输出参数的实际值与深度神经网络的预测值的均方误差，对风电机组故障程度进行异常评分；
[0025]基于指数加权移动平均控制图对异常评分进行平滑处理，进而确认故障阈值
。
[0026]进一步的，基于输出参数的实际值与深度神经网络的预测值的均方误差，对风电机组故障程度进行异常评分；具体为：
[0027][0028]其中，数据
X
和有
n
行，其中
i
代表行数
。
[0029]进一步的，基于指数加权移动平均控制图对异常评分进行平滑处理，进而确认故障阈值；具体为：
[0030]Se
t
＝
λ
·
score
t
+(1
‑
λ
)
·
Se
t
‑1ꢀꢀꢀꢀꢀꢀꢀ
(5)
[0031]其中，
Se
t
为平滑参数；
t
是时间指数，
Se
t
‑1是
t
‑1时刻的历史得分，
λ
∈(0,1)
是
Se
t
‑1对
Se
t
的贡献权重，
Se0是历史分数的平均值；
[0032]所述指数加权移动平均控制图的上限和下限，即故障阈值，的计算公式为：
[0033][0034]其中，
μ
和
ε
是训练集中的平均值和标准偏差，
K
为常数，是训练集最大异常评分的
1.25
倍
。
[0035]进一步的，基于优化模型的预测数据
、
测试集和故障阈值，获取数据预警图，确定风电机组是否发生故障并获取具体故障部位，具体为：将测试集输入到最优化的深度神经网络模型中，获取测试集的数据评分，绘制指数加权移动平均控制图判断风电机组的故障
原因，并依据
SCADA
数据输入到每一类的故障模型中进行预警，根据所有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
SCADA
参数相关性和
DNN
的风电机组故障溯源方法，其特征在于，包括：采集风电机组历史的
SCADA
数据，并对采集到的数据进行预处理，作为训练集；基于故障位置确定深度神经网络的输出参数，得到输出参数与训练集中
SCADA
各参数的相关性；选取若干个与输出参数相关性排名靠前的参数作为深度神经网络模型的输入；基于所选取的参数对深度神经网络进行训练，获取最优化的深度神经网络模型和预测输出参数；基于输出参数的实际值与深度神经网络的预测值，确定故障阈值；采集风电机组的实时
SCADA
数据，作为测试集；基于测试集和最优化的深度神经网络模型，获取优化模型的预测数据；基于优化模型的预测数据
、
测试集和故障阈值，获取数据预警图，确定风电机组是否发生故障并获取具体故障部位
。2.
根据权利要求1所述的基于
SCADA
参数相关性和
DNN
的风电机组故障溯源方法，其特征在于，所述对采集到的数据进行预处理，具体为：数据清洗和归一化预处理；所述数据清洗为基于四分法对采集的风电机组的历史
SCADA
数据进行筛选，异常值的剔除为通过风速
v
w
和输出有功功率
Pow
g
进行的，剔除原理如公式
(1)
所示：其中，
IQR
＝
Q3‑
Q1ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
其中，
Q3是上四分位；
Q1是下四分位
。3.
根据权利要求2所述的基于
SCADA
参数相关性和
DNN
的风电机组故障溯源方法，其特征在于，所述归一化预处理，具体为：对清洗过的数据进行线性变换，使结果映射到
[0
，
1]
的范围；归一化公式为：
X'
＝
(X
‑
X
min
)/(X
max
‑
X
min
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
其中，
X
为原始数据，
Xmax
和
Xmin
分别为原始数据集的最大值和最小值
。4.
根据权利要求3所述的基于
SCADA
参数相关性和
DNN
的风电机组故障溯源方法，其特征在于，所述得到输出参数与训练集中
SCADA
各参数的相关性，具体为：通过皮尔逊相关系数对输出参数与训练集中
SCADA
各参数进行处理，得到输出参数与训练集中
SCADA
各参数的相关性排序
。5.
根据权利要求4所述的基于
SCADA
参数相关性和
DNN
的风电机组故障溯源方法，其特征在于，所述基于输出参数的实际值与深度神经网络的预测值，确定故障阈值，具体为：基于输出参数的实际值与深度神经网络的预测值的均方误差，对风电机组故障程度进行异常评分；基于指数加权移动平均控制图对异常评分进行平滑处理，进而确认故障阈值
。6.
根据权利要求...

【专利技术属性】
技术研发人员：刘潇波，沙德生，李芊，张庆，邹歆，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：