[發明專利]一種基于保偏光纖測量和神經網絡分類的風力發電機故障診斷方法

有效

• 申請號: 201710238575.0
• 申請日: 2017-04-13
• 公開（公告）號: CN107132478B
• 公開（公告）日: 2019-06-07
• 發明（設計）人: 張煜東;陸澤櫞;周星星;夏勝利;王水花;吳樂南
• 申請（專利權）人: 南京師范大學
• 主分類號: G01R31/34
• 分類號: G01R31/34;G01R15/24;G06K9/62;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 田凌濤

1.一種基于保偏光纖測量和神經網絡分類的風力發電機故障診斷方法，其特征在于，包括如下步驟：

步驟A.針對風力發電機各指定類型故障工況，以及風力發電機正常工作工況，分別獲得各個工況下纏繞在風力發電機電力傳輸線上保偏光纖測量的偏振角度時間序列；

步驟B.采用含時間遞歸神經網絡隱含層的多層卷積神經網絡，分別針對各個工況下風力發電機電力傳輸線上保偏光纖測量的偏振角度時間序列進行時序特征提取，分別獲得最內層神經元計算結果，分別作為各個工況下風力發電機的第一類特征量；

采用EMD和小波包多層分解方法，分別針對各個工況下風力發電機電力傳輸線上保偏光纖測量的偏振角度時間序列進行處理，分別獲得各個工況下分解結果中含低頻信息和中高頻信息的各層的均方根，分別作為各個工況下風力發電機的第二類特征量；并且分別針對各個工況下纏繞在風力發電機電力傳輸線上保偏光纖測量的偏振角度時間序列，將其中預設指定頻段的幅值作為對應工況下風力發電機的第三類特征量，從而分別獲得各個工況下風力發電機的第三類特征量；

步驟C.基于單隱含層的神經網絡，結合各個工況下風力發電機的第一類特征量、第二類特征量、第三類特征量，分析獲得風力發電機的當前工作狀態。

2.根據權利要求1所述一種基于保偏光纖測量和神經網絡分類的風力發電機故障診斷方法，其特征在于：所述步驟A中，針對風力發電機各指定類型故障工況，以及風力發電機正常工作工況，通過纏繞在電力傳輸線上的電流傳感器，分別獲得各個工況下風力發電機電力傳輸線上保偏光纖測量的偏振角度時間序列；其中，電流傳感器中的光敏感單元為光電二極管；電流傳感器包括光源、保偏光纖、第一保偏光纖耦合器、第二保偏光纖耦合器、光纖偏振器和光敏感單元，光源的輸出端與光纖偏振器輸入端相連，光纖偏振器輸出端與第一保偏光纖耦合器輸入端相連，第一保偏光纖耦合器輸出端與保偏光纖的其中一端相連，保偏光纖繞設在電力傳輸線上，保偏光纖的另一端與第二保偏光纖耦合器的輸入端相連，第二保偏光纖耦合器的輸出端與光敏感單元相連。

3.根據權利要求2所述一種基于保偏光纖測量和神經網絡分類的風力發電機故障診斷方法，其特征在于：所述步驟A中，針對風力發電機各指定類型故障工況，以及風力發電機正常工作工況，通過電力傳輸線上多處位置纏繞設置的電流傳感器，采用多點測量，求取平均值的方式，分別獲得各個工況下纏繞在風力發電機電力傳輸線上保偏光纖測量的偏振角度時間序列。

4.根據權利要求1所述一種基于保偏光纖測量和神經網絡分類的風力發電機故障診斷方法，其特征在于，所述步驟B中，各個工況下風力發電機第一類特征量的獲取，包括如下步驟：

步驟B1-1.根據各個工況下風力發電機電力傳輸線上保偏光纖測量的偏振角度時間序列，多層卷積神經網絡通過反復卷積池化無監督學習的方式逐層訓練獲得基本特征量，并在此基礎上使用LSTM遞歸神經網絡獲取含時序的特征；

步驟B1-2.采用經訓練所獲得的多層卷積神經網路，針對各個工況下風力發電機電力傳輸線上保偏光纖測量的偏振角度時間序列進行特征提取，分別獲得最內層神經元計算結果，分別作為各個工況下風力發電機的第一類特征量。

5.根據權利要求1所述一種基于保偏光纖測量和神經網絡分類的風力發電機故障診斷方法，其特征在于，所述步驟C包括如下步驟：

步驟C-1.針對各個工況下風力發電機的第一類特征量、第二類特征量、第三類特征量，分別采用主成分分析法進行分析，保留對風力發電機故障分類具有顯著影響的特征量，剔除對風力發電機故障分類影響很小的特征量，針對各個工況下風力發電機的第一類特征量、第二類特征量、第三類特征量分別進行更新；

步驟C-2.采用各個工況下風力發電機的第一類特征量、第二類特征量、第三類特征量，通過背向傳播的方式針對單隱含層的神經網絡進行訓練，并確定連接權值和閾值；

步驟C-3.采用經訓練后單隱含層的神經網絡，針對各指定類型故障工況下風力發電機的第一類特征量、第二類特征量、第三類特征量進行分析，獲得風力發電機的當前工作狀態。