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
<br/>[0003]本专利技术的目的在于解决现有技术中
SCADA
参数反映故障慢，运维难的问题，提供一种基于
AVAE_SDL
的风电机组
SCADA
故障预警与定位方法
、
系统
、
装置及介质
。
[0004]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0005]基于
AVAE_SDL
的风电机组
SCADA
故障预警与定位方法，包括：
[0006]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；
[0007]构建
AVAE_SDL
模型；
[0008]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；
[0009]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；
[0010]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
。
[0011]本专利技术的进一步改进在于：
[0012]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：
[0013][0014]式中，
Pow
为有功功率，
v
为发电机转速，
θ
为变桨角度；
[0015]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：
[0016]X'
＝
(X
‑
X
min
)/(X
max
‑
X
min
)
ꢀꢀ
(2)
[0017]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
。
[0018]进一步的，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：
[0019][0020]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；
[0021]更新字典的损失函数为：
[0022]L
SDL
＝
||Z
S
‑
Dic
·
A||2+
λ
A||1ꢀꢀ
(4)
[0023]其中，
||
·
||2为2阶范数，
||
·
||1为1阶范数；
[0024]Z
I
与
Z
S
共同输入到判别器中进行对抗判别，如公式
(5)
所示：
[0025][0026]三次更新交替进行，直到收敛到指定的误差阈值之下
。
[0027]进一步的，获取风电机组故障程度的异常评分，具体为：采用
score
i
代表风电机组故障程度的异常评分，计算方法为：
[0028][0029]其中，数据
X
和有
N
行和
n
列，
i
代表行数；
score
i
由两部分组成，第一项是对抗变分自动编码器的重构误差，另一项是稀疏字典学习的误差；
ζ
为常数，设定为
0.1
；
k
为
SCADA
数据的参数数量
。
[0030]进一步的，故障阈值的上限和下限为：
[0031][0032]其中，
...

【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：