【技术实现步骤摘要】
本申请涉及风机发电机，尤其涉及一种风电场故障智能诊断方法、装置及存储介质。
技术介绍
1、风机发电机是风机最重要部件之一，识别风机发电机是否故障运行，是维护风机的重要内容。通常，风机发电机的每相绕组都有温度传感器，传动轴承的驱动端和非驱动端也有温度传感器，通过温度传感器可以采集温度，对高温采取保护措施，以最大限度的保护绕组，保证风机发电机的运行安全。
2、当风机发电机的绕组出现高温时，有可能是风机发电机存在故障，为了避免风机发电机带故障运行，往往需要将风机发电机停机后进行故障检查。但是，引起风机发电机的绕组出现高温的因素有很多，比如在满负荷发电情况下，通过的电流制热也会导致绕组高温，同时受到环境温度影响，导致绕组温度在不同季节不同时段有较大变化。采用高温报警并停机检查的方式不利于风能的充分利用，降低了发电效率，浪费风力资源。
3、专利公开号cn105527573a提供了一种风电场风机发电机故障识别方法，其先根据风机发电机的三相绕组实时温度、三相实时发电功率、传动轴承实时温度及风机发电机的额定功率，计算出风机发电机的三相故障计算值，再从风机发电机的三相故障计算值中选取一个最大值作为风机发电机的故障判定值，然后再根据风机发电机的故障判定值对风机发电机进行故障识别。
4、虽然上述技术方案能够进行风机发电机故障识别，但在实际运行测试过程中，发现其识别准确率较低。因此，期待一种优化的风电场故障智能诊断方案。
技术实现思路
1、本申请提供了一种风电场故障智能
2、第一方面，本申请实施例提供了一种风电场故障智能诊断方法，包括：
3、获取预定时间段内多个预定时间点的风机发动机的三相绕组的实时温度值和发电功率值以及传动轴的实时温度值；
4、通过第一卷积神经网络提取所述预定时间段内多个预定时间点的三相绕组的实时温度值在时间维度上的温度关联特征，得到绕组温度特征矩阵；
5、通过第二卷积神经网络提取所述预定时间段内多个预定时间点的三相绕组的发电功率值在时间维度上的隐含关联特征，得到绕组功率特征矩阵；
6、通过多尺度邻域特征提取模块所述预定时间段内多个预定时间点的传动轴的实时温度值在时间维度上的动态多尺度邻域关联特征，得到传动轴承温度特征向量；
7、融合所述传动轴承温度特征向量和所述绕组温度特征矩阵，得到温度特征向量；并获取所述温度特征向量相对于所述绕组功率特征矩阵的转移向量；
8、将所述转移向量作为分类特征向量，并根据所述分类特征向量识别所述风机发电机是否存在故障。
9、在一些实现方式中，所述通过第一卷积神经网络提取所述预定时间段内多个预定时间点的三相绕组的实时温度值在时间维度上的温度关联特征，得到绕组温度特征矩阵，包括：
10、按照绕组样本维度和时间维度，将所述预定时间段内多个预定时间点的三相绕组的实时温度值排列为绕组温度输入矩阵；
11、将所述绕组温度输入矩阵输入所述第一卷积神经网络，得到所述绕组温度特征矩阵。
12、在一些实现方式中，所述通过第二卷积神经网络提取所述预定时间段内多个预定时间点的三相绕组的发电功率值在时间维度上的隐含关联特征，得到绕组功率特征矩阵，包括：
13、按照绕组样本维度和时间维度，将所述预定时间段内多个预定时间点的三相绕组的发电功率值排列为绕组功率输入矩阵；
14、将所述绕组功率输入矩阵输入所述第二卷积神经网络，得到所述绕组功率特征矩阵。
15、在一些实现方式中，所述通过多尺度邻域特征提取模块提取所述预定时间段内多个预定时间点的传动轴的实时温度值在时间维度上的动态多尺度邻域关联特征，得到传动轴承温度特征向量，包括：
16、按照时间维度，将所述预定时间段内多个预定时间点的传动轴的实时温度值排列为温度输入向量；
17、将所述温度输入向量输入所述多尺度邻域特征提取模块，得到所述传动轴承温度特征向量。
18、在一些实现方式中，所述根据所述分类特征向量识别所述风机发电机是否存在故障之前，还包括：
19、对所述分类特征向量进行分类偏差的可微算子转换优化；
20、根据所述优化后的分类特征向量，识别所述风机发电机是否存在故障。
21、在一些实现方式中，所述对所述分类特征向量进行分类偏差的可微算子转换优化，包括：
22、通过第一公式对所述分类特征向量进行分类偏差的可微算子转换优化，所述第一公式表示如下：
23、
24、其中，vi是分类特征向量的每个位置的特征值，vi′表示所述优化分类特征向量的每个位置的特征值，log表示以2为底的对数。
25、在一些实现方式中，所述根据所述分类特征向量识别所述风机发电机是否存在故障，包括：
26、将所述分类特征向量输入分类器，识别所述风机发电机是否存在故障。
27、第二方面，本申请实施例提供了一种风电场故障智能诊断装置，包括：
28、风电数据获取模块，用于获取预定时间段内多个预定时间点的风机发动机的三相绕组的实时温度值和发电功率值以及传动轴的实时温度值；
29、绕组温度特征提取模块，用于通过第一卷积神经网络提取所述预定时间段内多个预定时间点的三相绕组的实时温度值在时间维度上的温度关联特征，得到绕组温度特征矩阵；
30、绕组功率特征提取模块，用于通过第二卷积神经网络提取所述预定时间段内多个预定时间点的三相绕组的发电功率值在时间维度上的隐含关联特征，得到绕组功率特征矩阵；
31、传动轴温度特征提取模块，用于通过多尺度邻域特征提取模块所述预定时间段内多个预定时间点的传动轴的实时温度值在时间维度上的动态多尺度邻域关联特征，得到传动轴承温度特征向量；
32、特征融合转移模块，用于融合所述传动轴承温度特征向量和所述绕组温度特征矩阵，得到温度特征向量；并获取所述温度特征向量相对于所述绕组功率特征矩阵的转移向量；
33、故障分类识别模块，用于将所述转移向量作为分类特征向量，并根据所述分类特征向量识别所述风机发电机是否存在故障。
34、在一些实现方式中，所述绕组温度特征提取模块，具体用于：
35、按照绕组样本维度和时间维度，将所述预定时间段内多个预定时间点的三相绕组的实时温度值排列为绕组温度输入矩阵；
36、将所述绕组温度输入矩阵输入所述第一卷积神经网络，得到所述绕组温度特征矩阵。
37、在一些实现方式中，绕组功率特征提取模块，具体用于：
38、按照绕组样本维度和时间维度，将所述预定时间段内多个预定时间点的三相绕组的发电功率值排列为绕组功率输入矩阵；
39、将所述绕组功率输入矩阵输入所述第二卷积神经网络，得到所述绕组功率特征矩阵。
40、在一些实本文档来自技高网...
【技术保护点】
1.一种风电场故障智能诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述通过第一卷积神经网络提取所述预定时间段内多个预定时间点的三相绕组的实时温度值在时间维度上的温度关联特征，得到绕组温度特征矩阵，包括：
3.根据权利要求1所述的方法，其特征在于，所述通过第二卷积神经网络提取所述预定时间段内多个预定时间点的三相绕组的发电功率值在时间维度上的隐含关联特征，得到绕组功率特征矩阵，包括：
4.根据权利要求1所述的方法，其特征在于，所述通过多尺度邻域特征提取模块提取所述预定时间段内多个预定时间点的传动轴的实时温度值在时间维度上的动态多尺度邻域关联特征，得到传动轴承温度特征向量，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述分类特征向量识别所述风机发电机是否存在故障之前，还包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述分类特征向量进行分类偏差的可微算子转换优化，包括：
7.根据权利要求1或5所述的方法，其特征在于，所述根据所述分类特征向量识别所述风机发电机是否存在
8.一种风电场故障智能诊断装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1至7中任一项所述的风电场故障智能诊断方法。
...【技术特征摘要】
1.一种风电场故障智能诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述通过第一卷积神经网络提取所述预定时间段内多个预定时间点的三相绕组的实时温度值在时间维度上的温度关联特征，得到绕组温度特征矩阵，包括：
3.根据权利要求1所述的方法，其特征在于，所述通过第二卷积神经网络提取所述预定时间段内多个预定时间点的三相绕组的发电功率值在时间维度上的隐含关联特征，得到绕组功率特征矩阵，包括：
4.根据权利要求1所述的方法，其特征在于，所述通过多尺度邻域特征提取模块提取所述预定时间段内多个预定时间点的传动轴的实时温度值在时间维度上的动态多尺度邻域关联特征，得到传动轴承温度特征向量，包括：...
【专利技术属性】
技术研发人员：岳红轩，韩健，周峰，崔杰，张琪，田长凤，武立国，
申请(专利权)人：北京华能新锐控制技术有限公司，
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。