[發明專利]風力發電機裝置

有效

• 申請號: 202010769749.8
• 申請日: 2020-08-03
• 公開（公告）號: CN111878322B
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 陳奕冰;趙熹;高藝宸;呂彥樂
• 申請（專利權）人: 廣東工業大學
• 主分類號: F03D17/00
• 分類號: F03D17/00;F03D7/04
• 代理公司: 北京惟盛達知識產權代理事務所(普通合伙) 11855
• 代理人: 楊青

1.一種風力發電機裝置，包括：一個或多個轉子葉片、機艙、齒輪箱、輪轂、發電機以及風力發電機控制系統，其中所述控制系統包括數據采集單元、數據分析單元、數據存儲單元和通訊單元，數據采集單元采集風機的實時狀態數據和風機關鍵信息，數據分析單元對信息進行分析，數據存儲單元進行數據存儲，前置機設備通過通訊單元進行通訊；

所述的數據分析單元包括信號特征提取單元、信號分析單元以及決策反饋單元；信號特征提取單元從采集單元采集到的信號中進行特征提取，從而完成對風機運行狀態的評判；信號分析單元通過特征數據對風機的各種數據進行統計分析，決策反饋單元通過信號特征提取單元和信號分析單元的分析結果，計算出用以優化風機運行的各類決策性控制參數，并通過總線通訊單元將控制參數反饋至風機對象；

所述信號分析單元包括風力發電機組能量可利用率計算模塊、風力發電機組故障分析模塊、風力發電機組功率曲線考核模塊、風力發電機組風資源及發電量統計模塊、風力發電機組部件老化預測模塊、風力發電機組整機性能評估模塊；

所述風力發電機組部件老化預測模塊具體包括風力發電機組部件的老化預測方法，所述方法包括以下步驟：

S1：獲取風力發電機組部件的設備數據，設備數據包括測量數據和故障報告；

S2：對設備數據進行數據清洗、標準化和簡化，獲得預處理數據；步驟S2進一步包括步驟：S21：將設備數據中的空缺值利用插值方法填補；S22：將測量數據中的運行狀態參數轉換為指示分類的數值；S23：對當前設備數據按照下面公式進行歸一化，獲得預處理數據：x_i＝(x_i-μ)/σ²；其中，x_i表示第i個設備數據；μ表示均值；σ表示方差；使得均值為0，方差為1；

S3：使用變分自編碼器對預處理數據進行特征提取并分類，獲得分類結果；步驟S3進一步包括步驟：S31：初始化變分自編碼器；S32：設置變分自編碼器的目標函數L：L＝E_z[logh(x|z)]-KL(p(z|x)||h(z|x))；其中，x表示輸入數據，z表示所提取的特征，h(x|z)表示編碼器解碼器部分估計的原始數據概率分布，h(z|x)表示特征z的假設概率分布，p(z|x)表示特征z的條件概率分布，KL(p(z|x)||h(z|x))表示h(z|x)與p(z|x)的KL散度；S33：使用Adam自適應下降法對變分自編碼器進行訓練；S34：利用訓練后的變分自編碼器對預處理數據進行特征提取，獲得特征數據；S35：根據特征數據的均值將特征數據分為多類，獲得分類結果；

S4：將分類結果轉化為One-hot編碼并與設備數據拼接，獲得第一輸入數據；第一輸入數據為三維張量并包括三個維度，包括批、序列長度和變量維度；

S5：將第一輸入數據輸入一序列對序列預測模型的編碼器中，編碼器對第一輸入數據提取高維特征C＝TiRU(XEn)，XEn表示編碼器的輸入部分，TiGRU(XEn)表示編碼器的模型；序列對序列預測模型包括依次連接的編碼器、注意力層和解碼器；編碼器包括至少一雙向門控循環神經網絡；步驟S5進一步包括步驟：S51：通過序列對序列預測模型的全連接層將第一輸入數據的變量維度轉換為雙向門控循環神經網絡的隱藏狀態向量的長度；S52：將轉換后的第一輸入數據輸入一雙向門控循環神經網絡中，獲得高維特征；

S6：對高維特征進行線性疊加形成注意力層；步驟S6進一步包括步驟：S61：通過雙向門控循環神經網絡和softmax函數形成權重

其中，W_aj表示第j個高維特征的權重，C_j表示S5所提取的高維特征；S62：將權重與高維特征線性疊加，形成注意力層，線性疊加公式為：其中，α_ij表示第j個高維特征對第i個注意力元的權重，n表示注意力層的神經元數；注意力層的表達式為：A＝[A₁,A₂,...,A_m]；

其中A表示注意力層，A_m表示第m個注意力神經元；

S7：將注意力層與一待預測序列的數據融合，獲得第二輸入數據；將第二輸入數據輸入序列對序列預測模型的解碼器中，獲得多個預測結果，且每一時刻對應多個不同的預測結果；步驟S7進一步包括步驟：S71：將注意力層與待預測序列的數據融合，獲得融合數據X_De；X_De＝[X_Deo,A]；其中，X_Deo表示待預測序列的數據；S72：將融合數據輸入另一雙向門控循環神經網絡，獲得預測結果；S73：設置當前雙向門控循環神經網絡的目標函數MSE；

其中，R_m表示預測所得剩余壽命，表示真實剩余壽命；S74：使用Adam自適應下降法對當前雙向門控循環神經網絡進行訓練；

S8：利用核密度估計擬合其方差與預測結果分位點的函數關系，獲得最優分位點，并將最優分位點作為最終預測結果。