[發明專利]基于長短期記憶模型循環神經網絡的風力發電機故障診斷

在審

• 申請號: 202010031487.5
• 申請日: 2020-01-13
• 公開（公告）號: CN111241748A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 滕婧;楊韜燃;李常玲;馮一展
• 申請（專利權）人: 華北電力大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06N20/00;G06F113/06;G06F119/14
• 代理公司: 北京衛平智業專利代理事務所(普通合伙) 11392
• 代理人: 張新利;謝建玲

本發明涉及一種基于長短期記憶模型循環神經網絡的風力發電機故障診斷方法，包括如下步驟：步驟1：對風機基準系統進行建模，將風機基準系統細分為八種故障，設置故障類型及發生時間。步驟2：對風機基準模型進行仿真，得到實際測量值。步驟3：對步驟2得到的實際測量值進行數據預處理，構造實際測量值的數據樣本集。步驟4：搭建LSTM模型，將步驟3中經過預處理的數據用LSTM模型進行訓練，在訓練過程中不斷調整參數，并使用均分誤差來評價訓練效果，預測得到的值與步驟2得到的傳感器的實際測量值進行比較，設置閾值進行判斷故障發生的時間以及位置。

技術領域

本發明涉及風力發電機故障檢測領域，具體說是一種基于長短期記憶模型循環神經網絡的風力發電機故障診斷。

背景技術

文獻[1]將支持向量機(SVM)用于由三片葉片和一個全轉換器組成的變速水平軸風力機的故障檢測和隔離。支持向量機方法是基于數據的，因此對處理知識具有魯棒性。此外，它基于結構風險最小化，增強了通用性，并允許通過使用靈活的內核來考慮過程非線性。在這項工作中，徑向基函數被用作核。對過程的不同部分進行了研究，包括執行器、傳感器和過程故障。利用雙傳感器，我們可以快速檢測葉片螺距位置、發電機和轉子轉速的傳感器故障(定值故障的2個采樣周期)，但對故障大小有特定的限制。轉換器扭矩故障(執行器)可以在兩個采樣周期內檢測到。無法檢測到俯仰系統執行器中的故障。

SVM等人工智能預測方法通過大量歷史數據建立輸出變量與輸入變量之間的非線性關系，將動態時間建模問題變為靜態空間建模問題。事實上，作為典型的時間序列，風機各類數據不但具有非線性，而且具有動態特性，即系統的輸出不僅與當前時刻的輸入有關，而且與過去的輸入有關。因此，SVM對于風電故障檢測的精度有限。

發明內容

作為一種循環反饋的神經網絡框架，遞歸神經網絡(recurrent neural network，RNN)能夠考慮時間序列的時序相關性，理論上能夠利用任意長度的歷史信息，因此可以更加全面完整地對時間序列進行建模。作為一種特殊的RNN模型，長短期記憶(long short-term memory，LSTM)網絡通過自身特殊的結構設計，有效地規避了常規RNN訓練過程中的梯度消失和梯度爆炸問題，能夠比較有效地被訓練，從而真正有效地利用歷史序列信息，由于網絡自身結構的特點，被廣泛應用于處理和預測高度時間相關、強耦合的事件。LSTM應用領域相當廣泛，例如：Wei Daqian等人將其用于非結構化文本的故障分類。Yuan Mei等人利用LSTM進行航空發動機的故障檢測，從而保證發動機正常運行。針對游客出行，為了使其制定適當的出行路線，Zhao Zheng等人提出采用LSTM進行短期交通狀況預測。Qiaomu Zhu等人利用LSTM進行風電場發電功率的超短期預測，并證明預測精度高于人工神經網絡。DonghuiLi等人基于改進LSTM的深度學習方法,用于冷水機組傳感器偏差故障檢測,所提方法的檢測結果與自動編碼器(Auto encoder)、主元分析法(PCA)、標準的LSTM三種方法的檢測結果進行比較,得出改進LSTM的深度學習方法在冷水機組傳感器偏差故障檢測中檢測效率明顯優于其他三種方法。諸多案例證明利用LSTM進行各類故障檢測是一種可靠而優秀的方法。

為達到以上目的，本發明采取的技術方案是：

基于長短期記憶模型循環神經網絡的風力發電機故障診斷，包括如下步驟：

步驟1：對風機基準系統進行建模，將風機基準系統細分為八種故障，設置故障類型及發生時間。

步驟2：對風機基準模型進行仿真，得到實際測量值。

步驟3：對步驟2得到的實際測量值進行數據預處理，構造實際測量值的數據樣本集。

步驟4：搭建LSTM模型，將步驟3中經過預處理的數據用LSTM模型進行訓練，在訓練過程中不斷調整超參數，并使用均分誤差來評價訓練效果，預測得到的值與步驟2得到的傳感器的實際測量值進行比較，設置閾值進行判斷故障發生的時間以及位置。