[發明專利]一種風電機組的故障狀態智能監測與診斷方法

有效

• 申請號: 201811351945.2
• 申請日: 2018-11-14
• 公開（公告）號: CN109444740B
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 于文新;黃守道;趙延明;吳軒
• 申請（專利權）人: 湖南大學
• 主分類號: G01R31/34
• 分類號: G01R31/34
• 代理公司: 湘潭市匯智專利事務所(普通合伙) 43108
• 代理人: 顏昌偉

1.一種風電機組的故障狀態智能監測與診斷方法，包括以下步驟：

步驟一：利用偏最小二乘法建立風電機組非線性模型；

步驟一具體步驟為：

1-1)采集風電機組輸出功率、輪轂轉速、葉片變槳角度、變槳電機電流、發電機電流、發電機轉矩、發電機定子溫度、主軸承溫度正常的特征數據作為歷史數據,記為x₁,x₂,…,x_q,y；其中x_q表示第q個特征參數，x₁,x₂,…,x_q組成自變量矩陣x，y表示風力發電機的輸出功率，作為因變量；

1-2)將自變量矩陣_x與因變量y進行標準化處理，得到標準化變量矩陣E₀和標準化列向量f₀，具體公式為：

其中n為矩陣E₀的行數，為矩陣E₀的第i行第j列數據誤差，x_ij為矩陣E₀的第i行第j列數據；為矩陣E₀的第j列數據平均值；y^*為矩陣f₀的數據誤差，為矩陣f₀的第i個數據誤差，y_i為矩陣f₀的第i個數據，為矩陣f₀數據的平均值，

1-3)從E₀提取第一個成分t₁:

其中w₁為中間變量；

進行E₀和f₀在t₁上的回歸:

E₁和f₁為第一個成分回歸的殘差矩陣和向量，p₁和r₁為在t₁上的回歸變量；

1-4)對E₁和f₁繼續提取第二個成分t₂，進行在t₂上的回歸:

其中，w₂為中間變量，E₂和f₂為第二個成分回歸的殘差矩陣和向量，p₂、r₂為在t₂上的回歸變量；

1-5)繼續對E₂和f₂進行上述成分提取，至m步，設得到m個成分t₁,t₂,…,t_m實施f₀對t₁,t₂,…,t_m的回歸:

是標準化列向量f₀的成分提取向量；

為了方便，將上式改寫成如下形式：

其中：

w_k為第k+1次成分提取的中間變量，為中間變量，為的第ξ個分量，p_ζ為在t_ξ上的回歸變量，表示中間變量，I是單位向量；

步驟二：結合極限學習機、混沌映射和螢火蟲算法構建故障預測模型；

步驟二具體步驟為：

2-1)初始化螢火蟲算法的參數，設置數量Ω，隨機參數α，初始化吸引力β_o，光吸收系數γ，應用1-1)中選取的特征數據x₁,x₂,…,x_q作為極限學習機的輸入；

2-2)在隱含層中設置極限學習機神經元數并在隱含層神經元中設置搜索間隔，構造ELM網絡拓撲；

2-3)根據優化目標，連接輸入層和隱含層之間的權值矩陣ω，確定螢火蟲SizePop的大?。?/p>

SizePop＝l×n_κ+l

n_κ是輸入層中神經元的個數，l表示隱含層神經元個數；

2-4)應用螢火蟲算法更新螢火蟲位置：

x_d(t)表示第d只螢火蟲在t時刻的位置，x_d(t+1)表示第d只螢火蟲在t+1時刻的位置，表示第只螢火蟲在t時刻的位置，β表示吸引度，rand表示[0,1]的隨機數；

2-5)計算第d只螢火蟲的亮度I_d：

這里e表示自然指數，表示第d只螢火蟲和第只螢火蟲的距離；

2-6)應用Logistic映射對步驟2-4)中的第d只螢火蟲的位置x_d進行混沌迭代；這里表示x_d經過N次迭代后的位置，表示x_d經過N+1次迭代后的位置，μ是一個常數；

2-7)代入極限學習機生成輸入層與隱含層之間的連接權矩陣，應用公式計算權矩陣B，其中，Y表示極限學習機輸出量，是輸出矩陣H的Moore-Penrose廣義逆；

2-8)根據ω，b和B求取輸出訓練樣本的預測值其中ω為輸入層和隱含層之間的權值矩陣，b為隱層單元的偏置值；

2-9)計算預測值和真實值之間的均方誤差RESM：

其中u是輸出訓練樣本的個數，ν表示輸出訓練樣本的序號，是第ν個輸出訓練樣本的預測值，F_ν是第ν個輸出訓練樣本的實際值，ν＝1,2...u；

2-10)如果迭代次數小于迭代最大次數，返回到步驟2-3)繼續進行迭代，同時更新隱含層神經元個數為l＝l+1，否則退出螢火蟲算法并獲得優化后的極限學習機權值ω_best和偏置值b_best；

2-11)通過公式計算B_best，b_ε為第ε個隱層單元的偏置值，應用ω_best、b_best和B_best構建預測模型，其中g(·)為激活函數，為輸出矩陣第列對第ε個隱層單元的輸出向量，表示連接輸入層和隱含層之間的權值矩陣中的第列，為第個輸入量；

步驟三：通過深度信念學習結合極限學習機建立故障診斷模型；

步驟三具體步驟為：

3-1)選取1-1)中的特征數據x₁,x₂,…,x_q作為樣本數據，記為x；

3-2)對樣本數據進行標準化處理后分為訓練集和測試集；

3-3)對風電機組狀態進行編碼；

3-4)初始化可見層單元的初始狀態v₀＝x，初始化W,為服從高斯分布的隨機較小數值，設定各層RBM最大訓練迭代次數；W,分別為可見單元與隱單元之間的連接權重，可見單元偏置和隱單元偏置；

3-5)對所有隱單元計算P(·)表示概率符號，從條件分布中抽取h₀～P(h₀|v₀)，表示在v₀條件下的概率，表示在v₀條件下的概率，h₀～P(h₀|v₀)表示h₀服從P(h₀|v₀)的v₀條件下h₀的概率分布，σ(·)為sigmoid函數；

3-6)對所有可見單元，計算從條件分布中抽取v₁～P(v₁|h₀)；這里表示在h₀條件下的概率為表示在h₀條件下的概率，v₁～P(v₁|h₀)表示v₁服從P(v₁|h₀)的h₀條件下v₁的概率分布；

3-7)對所有隱單元計算這里表示在v₀條件下的概率為

3-8)按照下面的公式更新參數：

(1)

這里利用新的可見單元與隱單元之間的連接權重取代原有的連接權重W；

(2)

這里利用新的可見單元偏置取代原有的可見單元偏置

(3)

這里利用新的隱單元偏置取代原有的隱單元偏置

3-9)將DBN網絡的隱層1之后的網絡去除，以極限學習機作為輸出層，這樣第1個隱層到第2隱層以及第2個隱層到輸出層的權重和偏置則是由ELM算法確定，則該網絡表示為：

式中：為輸入層到第2個隱層的權重，為輸入層到第1個隱層的第個偏置向量，為第1個隱層到第2隱層的第個輸出權重，v₁為步驟3-6)的輸出數組，為激活函數；為隱層1節點的個數；

對于深度信念網DBN，目標是最小化輸出的誤差，表示為

式中：為第期望輸出；

3-10)保存上述訓練好的網絡，當風電機組出現故障時可立刻進行故障診斷和定位；

步驟四：通過計算非線性數學模型與預測模型之間的殘差對機組進行狀態監測，當殘差超過容差范圍，判斷風電機組發生故障，系統啟動故障診斷模型對故障進行診斷和定位。