本发明专利技术公开了一种基于SCADA参量耦合关系图的风电机组状态异常检测方法,主要步骤包括:基于风力发电机组的数据采集与监视控制系统(SCADA)数据,获取历史正常监测数据集并清洗过滤;利用正常监测数据集计算多参量信息传递矩阵,构建耦合关系图作为训练样本;再构建变分图自编码再编码(VGAER)模型,输入训练样本对VGAER训练,并根据重构误差设置健康阈值;采集实时监测数据并构建耦合关系图,输入训练后的VGAER模型计算重构误差并与健康阈值进行比较,最终判定风电机组运行状态是否异常。与传统方法相比,本发明专利技术通过构建多参量耦合关系图对风电机组运行状态进行有效表征,并准确建立风电机组正常状态空间描述的VGAER模型,提高了风电机组状态检测的准确性及对环境工况的鲁棒性,有助于风电机组的预测性维护。
【技术实现步骤摘要】
本专利技术涉及风电机组状态监测与故障诊断,特别是涉及一种基于scada参量耦合关系图的风电机组状态异常检测方法。
技术介绍
1、由于传统化石能源的日渐枯竭且污染排放严重,风能作为一种清洁无害的新型能源得到广泛应用。但风电机组运行环境复杂严峻导致其故障频发,传统的定期检修和人工巡检方法往往难以满足实际需求,且成本高、效率低、准确性差。因此,为了提高风电机组的可靠性和可用性,降低维护成本和停机损失,针对风力发电机组的健康状态监测和早期故障异常的预警及检测受到越来越多的关注。
2、目前,数据采集与监视控制系统(scada)数据驱动的故障检测方法是近年来风电机组状态检测的研究热点,技术方法大致主要分为聚类分析法、模型重构法、监测参量关系法等。聚类分析法对工况稳定性要求较高、对监测数据的规整性依赖较强,难以适应强时变工况、高随机性运行环境。模型重构法监测精度的高低主要取决于风电机组正常状态模型的准确建立,否则会增加虚警的风险。监测参量关系法以多参量间的模型为基础,根据关系模型的参数变化或者偏差来辨识异常状态,但却容易缺乏对各个参量变化的相互影响关系的综合考虑。因此,如何准确建立风电机组正常状态描述模型并对scada数据蕴含的状态信息有效提取显得格外重要。
技术实现思路
1、本专利技术所要解决的技术问题在于针对上述技术中的不足,提供一种基于scada参量耦合关系图的风电机组状态异常检测方法,用于实现风电机组的健康状态检测和早期故障异常的预警,提高故障诊断的准确性和可靠性。
<
p>2、为了达到上述目的,本专利技术采取的技术方案为:3、一种基于scada参量耦合关系图的风电机组状态异常检测方法,包括以下步骤:
4、步骤s1:从scada系统中获取风电机组历史健康数据,进行清洗过滤处理,剔除其中的空值以及停机阶段的数据,对清洗后的p个监测参量的时间序列,采用数据长度为n,步长为w的时间滑动窗进行截断处理,构建如式(1)所示的k个数据子集:
5、
6、其中k=1,2,…,k,sp,t(p=1,2,…,p;1≤t≤n)表示为风电机数据子集的第p个监测参量第t个监测值,表示第p个监测序列,即dk中行向量。
7、步骤s2:计算健康状态数据集的多参量信息传递矩阵,构建参量耦合关系图;
8、步骤s201:对数据集dk中的每一个监测参量时间序列sp进行相空间重构,得到相空间重构矩阵
9、
10、其中,m为嵌入维数,τ为延迟时间,并按照式(3)对进行符号化编码,得到对应符号化矩阵
11、
12、其中,为重构相空间矩阵中的每一个m维行向量中所有相邻数据差值的均方根值,将的每个m维行向量对应的码字作为的符号编码字符即,得到符号编码后的时间序列则dk对应的符号化编码矩阵为
13、步骤s202:根据内第p个与第q个监测参量的符号化编码时间序列与中每个符号在整个时间序列中出现的概率,按照式(4)计算两个参量间传递熵:
14、
15、步骤s203:计算内任意两个符号化序列与之间的传递熵将两者的差值作为sp与sq间的符号传递熵按照式(5)计算dk的多参量信息传递矩阵ak,
16、
17、步骤s204:构建风电机组scada参量耦合关系图
18、步骤s3:构建变分图自编码再编码(variational graph auto-encoders andrecode,vgaer)模型,以健康状态下的多参量耦合关系图作为训练样本对vgaer进行训练,并根据模型重构误差进行健康评估指数构建与健康阈值设置;
19、步骤s301:采用变分图自编码对gk进行编码重构,得到潜在向量z与重构耦合关系图并采用两层图卷积网络对图进行二次编码,得到重构潜在向量
20、步骤s302:构建风电机组健康评估指数h,具体公式如下:
21、
22、步骤s303:采用支持向量回归法对hk进行拟合,得到拟合值计算hk的向上波动序列hkup与向下波动序列hkdown,计算公式如下:
23、
24、
25、风电机组在k时刻的健康阈值的设置公式为:
26、
27、其中,αkup,cvkup分别为hkup的均值与变异系数,αkdown,cvkdown分别为hkdown的均值与变异系数。
28、步骤s4:采集风电机组实时监测数据,构建实时数据的参量耦合关系图,输入到训练后的vgaer模型计算重构误差,构建实时健康评估指数并与健康阈值进行比较,最终判定风电机组运行状态是否异常。
29、本专利技术相比于现有技术,具有以下有益效果:
30、1、基于符号传递熵的时间序列间信息传递分析方法,构建多参量信息传递矩阵并将参量数值本身信息考虑进来,得到有效表征风电机组运行状态的耦合关系图;
31、2、构建vgaer模型挖掘耦合关系图的非结构化图数据信息,并通过两层编码器学习机制,提高模型对正常样本数据的表征能力,降低漏警率;
32、3、考虑工况环境及相关因素的变化,设置基于svr回归与健康评估指数h序列波动的自适应动态更新健康阈值,克服了传统故障阈值人为设置的主观性,降低复杂工况下风电机组运行状态的误警率和漏警率。
本文档来自技高网...
【技术保护点】
1.一种基于SCADA参量耦合关系图的风电机组状态异常检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于SCADA参量耦合关系图的风电机组状态异常检测方法,其特征在于,所述步骤S2的过程为:
3.根据权利要求1所述的一种基于SCADA参量耦合关系图的风电机组状态异常检测方法,其特征在于,所述步骤S3的过程为;
【技术特征摘要】
1.一种基于scada参量耦合关系图的风电机组状态异常检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于scada参量耦合关系图的风电机组状态异常...
【专利技术属性】
技术研发人员:刘小峰,李俊锋,柏林,
申请(专利权)人:重庆大学,
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。