【技术实现步骤摘要】
基于AVAE_SDL的风电机组SCADA故障预警与定位方法、系统、装置及介质
[0001]本专利技术属于风力发电机组故障检测
,涉及一种基于
AVAE_SDL
的风电机组
SCADA
故障预警与定位方法
、
系统
、
装置及介质
。
技术介绍
[0002]风电机组早期故障识别有利于避免灾难性后果,降低风电场的运维成本
。
风电机组的监控和数据采集系统
(SCADA)
监测参数丰富,涵盖了风电机组各个主要部件,为风电机组设备的可靠运行提供过程数据和状态数据,如风速
、
转速
、
振动
、
电流
、
电压等
。SCADA
数据已广泛应用于风电机组的趋势分析和早期故障检测
。
随着人工智能技术的发展,将深度学习应用于基于
SCADA
数据的风电机组状态监测中,能够有效提升故障早期预警效果
、
提高机组运行可靠性
。SCADA
数据量大
、
参数多,如何有效挖掘关键信息是故障预警的关键
。
由于
SCADA
的参数多为温度等信息,反映故障比较慢,给运维增加了难度
。
基于
SCADA
数据实现风电机组故障的提前预警
、
尽早预警具有重要的工程意义
。
技术实现思路
<
【技术保护点】
【技术特征摘要】
1.
基于
AVAE_SDL
的风电机组
SCADA
故障预警与定位方法,其特征在于,包括:采集风电机组齿轮箱的
SCADA
数据,并对采集到的数据进行预处理,然后将预处理后的数据划分训练集和测试集;构建
AVAE_SDL
模型;将训练集输入至
AVAE_SDL
模型中进行训练,获取最优化模型和风电机组故障程度的异常评分,并确定故障阈值;基于测试集和最优化模型,获取优化模型的预测数据,并绘制故障预警图;基于
SCADA
数据中各输入参数与优化模型的预测数据的残余误差,以及故障预警图,确定风电机组齿轮箱的故障位置
。2.
根据权利要求1所述的基于
AVAE_SDL
的风电机组
SCADA
故障预警与定位方法,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;所述数据清洗对收集到的数据进行异常值剔除;对变桨角度和有功功率进行异常值剔除,如公式
(1)
所示:式中,
Pow
为有功功率,
v
为发电机转速,
θ
为变桨角度;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
)
ꢀꢀꢀꢀꢀꢀ
(2)
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
。3.
根据权利要求2所述的基于
AVAE_SDL
的风电机组
SCADA
故障预警与定位方法,其特征在于,所述将训练集输入至
AVAE_SDL
模型中进行训练,获取最优化的模型,具体为:更新
AVAE_SDL
模型的编码器
/
解码器
、
更新字典和更新判别器;训练集
X
输入变分自动编码器
/
解码器中,编码器输出均值
μ
和方差
σ
,方差乘以随机噪声加上均值得到
Z
I
,
Z
I
输入解码器得到中间潜在编码
Z
S
和输出结果
X
’
,中间潜在编码
Z
S
输入到字典学习中得到稀疏系数矩阵
A
和字典矩阵
Dic
,更新编码器
/
解码器的损失函数为:其中,为编码器
/
解码器的重构误差,是
KL
散度,
||Z
S
‑
Dic
·
A||2+
λ
||A||1是字典学习中的损失函数;
N
为数据的大小,
X
为模型的输入样本,
X
’
为模型的输出样本,即重构样本,
μ
和
σ
分别为变分自动编码器
VAE
的输出均值和方差,即中间变量;更新字典的损失函数为:
L
SDL
=
||Z
S
‑
Dic
·
A||2+
λ
||A||1ꢀꢀꢀꢀ
(4)
其中,
||
·
||2为2阶范数,
||
·
||1为1阶范数;
Z
I
与
Z
S
共同输入到判别器中进行...
【专利技术属性】
技术研发人员:刘潇波,沙德生,张庆,李芊,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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。