[發(fā)明專利]一種基于壓縮感知的風(fēng)力發(fā)電機(jī)組異常檢測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410160284.0
• 申請(qǐng)日: 2014-04-16
• 公開（公告）號(hào): CN104265577B
• 公開（公告）日: 2017-05-10
• 發(fā)明（設(shè)計(jì)）人: 羅光明;李婷煜;田淑娟;李哲濤;朱更明
• 申請(qǐng)（專利權(quán)）人: 湘潭大學(xué)
• 主分類號(hào): F03D17/00
• 分類號(hào): F03D17/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于壓縮感知的風(fēng)力發(fā)電機(jī)組異常檢測方法，其特征在于，對(duì)風(fēng)機(jī)機(jī)組出現(xiàn)異常時(shí)各種傳感器采集的歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，獲得測量矩陣的過程，所述方法至少包括以下步驟：

1)將各傳感器在每τ秒內(nèi)采集的實(shí)時(shí)數(shù)據(jù)取平均值作為一組測量值Y∈R^m，m為傳感器的種類個(gè)數(shù)，即測量值Y的長度；

2)將機(jī)組模塊中的器件狀態(tài)良好設(shè)為0值，狀態(tài)異常設(shè)為非0值，對(duì)應(yīng)出現(xiàn)異常時(shí)各個(gè)器件的狀態(tài)組成集合X∈R^N，N為可能出現(xiàn)異常的器件個(gè)數(shù)，即稀疏信號(hào)長度；

3)將多組測量值Y∈R^m和稀疏信號(hào)X∈R^N，代入Y＝ΦX可得出測量矩陣Φ∈R^m×N；

4)將測量矩陣Φ進(jìn)行優(yōu)化，作為風(fēng)力發(fā)電機(jī)組異常檢測的經(jīng)驗(yàn)矩陣。

2.根據(jù)權(quán)利要求1所述的一種基于壓縮感知的風(fēng)力發(fā)電機(jī)組異常檢測方法，其特征在于，將經(jīng)驗(yàn)矩陣和各個(gè)傳感器采集到的數(shù)據(jù)組，應(yīng)用壓縮感知重構(gòu)算法，檢測出現(xiàn)異常器件，所述方法至少還包括以下過程：

1)將風(fēng)力機(jī)組中各個(gè)傳感器采集到的標(biāo)量和矢量數(shù)據(jù)作為測量值Y∈R^m；

2)將風(fēng)力機(jī)組的模塊中各個(gè)器件的狀態(tài)組成信號(hào)X∈R^N；

3)利用m維向量Y和經(jīng)驗(yàn)矩陣Φ，通過正交匹配追蹤(OMP)算法，重構(gòu)稀疏信號(hào)X，步驟如下：

①初始化數(shù)據(jù)：殘差初始值R₀為機(jī)組傳感器采集的數(shù)據(jù)組Y，即R₀＝Y(jié)，記錄異常器件地點(diǎn)的支撐集初始值設(shè)置最高迭代次數(shù)為m，其中m為測量值長度，迭代初始值t＝1，初始支撐測量矩陣

②計(jì)算殘差R和經(jīng)驗(yàn)矩陣列向量的內(nèi)積，并找到其最大值所對(duì)應(yīng)的下標(biāo)λ_l：

③更新支撐集Λ_t＝Λ_t-1∪{λ_t}，記錄傳感矩陣中重建原子集合

④采用最小二乘法估計(jì)表示器件狀態(tài)的稀疏信號(hào)中非零值

${\tilde{X}}_t=\arg \min \left|\right|Y-{\mathrm{\Φ}}_t\tilde{X}\left|\right|;$

⑤更新殘差迭代次數(shù)t＝t+1；

⑥判斷迭代次數(shù)：若t≤m跳至步驟②繼續(xù)計(jì)算，否則輸出器件狀態(tài)信號(hào)并結(jié)束過程。

3.根據(jù)權(quán)利要求1所述的一種基于壓縮感知的風(fēng)力發(fā)電機(jī)組異常檢測方法，其特征在于，還包括優(yōu)化測量矩陣Φ得出經(jīng)驗(yàn)矩陣的過程：

1)輸入各傳感器采集的數(shù)據(jù)組作為測量值Y∈R^m和表示器件狀態(tài)的稀疏信號(hào)X∈R^N；

2)通過多組測量值數(shù)據(jù)與稀疏信號(hào)數(shù)據(jù)得出測量矩陣Φ∈R^m×N；

3)將測量矩陣進(jìn)行優(yōu)化，其優(yōu)化過程如下；

①定義參數(shù)：相干性閾值Th∈R，稀疏基矩陣D∈R^N×m，測量值Y的長度m∈R，微小化因子γ∈R，迭代次數(shù)Iter∈R；

②輸入上述得到的測量矩陣Φ∈R^m×N作為初始經(jīng)驗(yàn)矩陣Φ₀，設(shè)置最高迭代次數(shù)C，C∈Z，初始化Iter＝1，k＝0，k∈Z；

③標(biāo)準(zhǔn)化矩陣中的列向量，并通過計(jì)算Gram矩陣G_k；

④設(shè)定閾值并做收縮操作：設(shè)置固定的閾值Th，通過以下公式更新Gram矩陣并得到

$g_{ij}=\left\{\begin{array}{c}{\mathrm{\γg}}_{ij},\left|g_{ij}\right|\≥Th\\ \mathrm{\γ}Th\·sign\left(g_{ij}\right),Th\>\left|g_{ij}\right|\≥\mathrm{\γ}Th\\ g_{ij},\mathrm{\γ}Tj\>\left|g_{ij}\right|\end{array}\right.;$

⑤應(yīng)用SVD(奇異值分解)，使得的秩為m，令求G_k的均方根S_k，其中S_k∈R^m×N；

⑥更新Φ：賦值Φ_k+1為滿足最小化的誤差的Φ，并令k＝k+1，迭代次數(shù)Iter＝Iter+1；

⑦判斷迭代次數(shù)：若Iter≤C則返回③繼續(xù)執(zhí)行，否則輸出經(jīng)驗(yàn)矩陣并結(jié)束過程；

4)將優(yōu)化后的測量矩陣作為經(jīng)驗(yàn)矩陣進(jìn)行后續(xù)異常檢測。