[發明專利]基于雙重注意力機制的風機葉片結冰故障預測方法

在審

• 申請號: 202010551118.9
• 申請日: 2020-06-16
• 公開（公告）號: CN111680454A
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 朱玉婷;于海陽;楊震;鄭忠斌;王朝棟
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;F03D80/40
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 吳蔭芳

本發明涉及一種基于雙重注意力機制的風機葉片結冰故障預測方法，利用CNN+LSTM網絡結合雙重注意力機制，用于解決現有技術難以預測風機結冰狀態的問題，具體為：獲取風機結冰原始數據集；對原始數據集進行預處理，獲取訓練集和測試集；CNN網絡結合注意力機制進行特征提取；使用LSTM網絡結合注意力機制進一步提取時間信息并預測風機結冰狀態；利用訓練好的模型進行風機葉片結冰預測。而本發明的方法利用SCADA系統采集到的大量時序檢測變量，來預測風機葉片結冰現象，能夠在葉片結冰以前，就預測到何時會發生結冰，以提前做好保護措施防止葉片的結冰，對風力發電系統的安全可靠持續運營起到更大的作用。

技術領域

本發明涉及一種基于雙重注意力機制的風機葉片結冰故障預測方法，屬于工業系統故障預測領域。

背景技術

風力發電是目前最成熟、最具發展潛力的可再生能源技術。中國的風電發展舉世矚目。但風能獲取的特殊性決定了大量風機需布置在高緯度、高海拔的寒冷地區。而工作在寒冷地區的風機受霜冰、雨凇和濕雪等氣象條件影響，極易發生葉片結冰現象，進而引發一系列后果。導致風能捕獲能力下降，發電功率損耗，風機葉片斷裂，甚至造成安全事故。

所以，及時預測并預防葉片結冰故障對于延長風電設備使用壽命、預防重大安全事故具有重要意義。在實際運行中，嚴重的結冰一般能夠被輕易檢測到，并通過風機除冰系統自動除冰。但嚴重結冰一旦形成，對葉片性能就會產生不可逆的影響。目前主要的方法一種是利用傳感器采集葉片溫度數據來判斷葉片是否有早期結冰的現象，再通過除冰系統進行處理，但這個方法有兩個明顯的缺點：一是需要額外布置傳感器導致成本飛升，二是當檢測到葉片結冰的時候往往已經對葉片造成損傷，能夠一定程度延長葉片壽命但是作用有限。另外也有基于數據驅動的方法，應用機器學習以及深度學習算法模型，通常利用SCADA系統采集到的工業設備運行數據來提取工業設備信號之間復雜的非線性關系，尋找異常測量值來對結冰的風機葉片進行診斷，這種基于數據的診斷方法除了能夠對結冰葉片進行有效檢測，也大大降低了風場成本。盡管可以準確的檢測到風機葉片的早期結冰現象從而對葉片進行維護，但是結冰仍然會影響風機葉片的物理參數，對風機發電設備造成一定的影響。而本發明的方法利用SCADA系統采集到的大量時序檢測變量，基于CNN+LSTM網絡結合雙重注意力機制，來預測風機葉片結冰現象，能夠在葉片結冰以前，就預測到何時會發生結冰，以提前做好保護措施防止葉片的結冰，對風力發電系統的安全可靠持續運營起到更大的作用。

發明內容

本發明的目的在于提出一種基于雙重注意力機制的風機葉片結冰故障預測方法，創新點在于使用兩種不同的注意力機制分別提取數據中時間和通道維度的特征，同時提出一個準確率較高的故障預測模型用來解決常用的基于數據驅動的葉片結冰診斷方法中，只能在葉片結冰后進行檢測，不能提前防止葉片結冰，從而影響葉片和風力發電機的物理性能。本方法首先將預處理后的數據輸入CNN網絡，通過CNN學習到局部特征，加入注意力層幫助CNN網絡重點關注數據中局部信息的重要程度，CNN網絡輸出的高維特征再經過LSTM網絡，通過LSTM神經網絡學習序列數據各個時間之間的依賴關系，再通過注意力層衡量對應時間段的數據在預測結冰時的重要性，最后通過歷史時間的數據信息預測出下一個時間段的風機葉片結冰與否。本方法能夠自適應地從SCADA系統采集的原始數據中提取故障特征和時序信息，能夠自適應的關注到風機葉片數據中時間和通道維度的特征，能夠對風機葉片結冰狀態進行較為準確的預測。

為實現上述目的，本發明采用的技術方案為基于雙重注意力機制的風機葉片結冰故障預測方法：如圖1所示，該方法的實現步驟如下：

步驟(1)：獲取風機結冰原始數據集

原始數據集來自《第一屆中國工業大數據競賽》風機結冰數據集，該數據采集自工業SCADA系統，總長度為2個月，包含了約58萬條數據，每條數據包含28個維度，包含風速、發電機轉速、網側有功功率、風向角、各葉片角度、變槳電機溫度等特征維度，數據經過標準化處理。數據集中的時間以分鐘為最小時間單位，每分鐘大約包含6～10組測量值。