[發明專利]基于模糊分區的風電機組變槳系統故障預警識別方法

有效

• 申請號: 202010953736.6
• 申請日: 2020-09-11
• 公開（公告）號: CN112733279B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 曹欣;譚建鑫;白日欣;崔愷;蘇偉;李雪松;尚一斐;王臻;王運方
• 申請（專利權）人: 新天綠色能源股份有限公司;河北建投新能源有限公司
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06Q10/04;G06N3/04;G06F113/06
• 代理公司: 上海驍象知識產權代理有限公司 31315
• 代理人: 趙俊寅

1.基于模糊分區的風電機組變槳系統故障預警識別方法，其特征在于，包括以下步驟：

步驟1)基于梯形模糊分區理論，將風力等級分為小風、中風、大風，超大風四個模糊分區，也稱模糊集合F，并計算模糊集合F的隸屬度函數；

步驟2)將風電場SCADA得到的風速數據按照時間段進行風速等級模糊分區處理，確定各模糊分區處理，確定各模糊分區范圍，通過步驟1所述的隸屬度函數，得到各個分區的隸屬度值，用ε1表示；

步驟3)進行長短型記憶網絡深度學習算法分區預測，得到各個分區的預測值，用LSTM_out1表示，然后將各個分區的預測值LSTM_out1乘以該分區的隸屬度值ε1，再將所有分區εi*LSTM_outi的值相加，得到本風機啟動階段的變槳軸承軸速預測值；

步驟1)中，所述模糊集合F是指對于任意的x∈X，都有一個確定的數εF(x)∈[0,1]與其對應，εF(x)表示x相對與F的隸屬程度，映射：

F的隸屬度函數，所述隸屬度函數選取梯形隸屬度函數：

其中a,b,c,d是梯形的4個頂點位置；

所述步驟2)包括如下步驟：

步驟21)確定無風模糊分區的范圍為0～4m/s、小風模糊分區范圍為2～8m/s、中風模糊分區范圍為6～12m/s、大風模糊分區范圍為11～16m/s、超大風模糊分區范圍為14m/s以上；

步驟22)選取風機啟動階段連續時間內的風速數據V，取該時間段內的風速的算術平均值為該時間段的風速值，將該時間段的風速值V作為模糊分區的依據，即步驟1)所述的公式(1-1)中的x值；各模糊分區的隸屬度函數對應于公式(1-2)(1-3)中，a為該模糊分區的最小風速，b為該模糊分區的風速范圍的期望值，c為該模糊分區的中位數，d為該模糊分區的最大風速，統計風機啟動階段這段時間內每秒鐘的風速值，分別計算這段時間內風速序列的期望值b和中位數c,比較b和c的大小，如果bc，風速模糊分區的隸屬度函數選擇公式(1-2)，如果b≥c,風速模糊分區的隸屬度函數選擇公式(1-3)；

步驟3)包括如下步驟：

有四層神經網絡層以特殊的方式相互作用，而不是單個神經網絡層；

步驟31)利用t-1時刻風機的m個運行狀態數據預測t時刻風機變槳軸速的預測值；輸入t-1時刻變槳系統的N組數據，得到的m個主成分量Xm(t-1)，作為t-1時刻網絡輸入層參數，得到t-1時刻網絡的變槳軸速輸出值h_t-1，以及t-1時刻的網絡記憶狀態C_t-1，同時輸入t時刻的m個風機主成分量Xm(t)，即h_t-1、C_t-1、Xm(t)作為t時刻輸入參數，預測計算得到t時刻網絡的變槳軸速輸出值h_t 和當前時刻記憶狀態C _t ，以此類推；

步驟32)隱含層包含n個按前后時刻連接的同構LSTM單元，C_t-1、h_t-1為前一個LSTM單元的狀態和輸出，計算公式如下所示：

f_t＝σ(W_f·[h_t-1，x_t]+b_f) (2-1)

i_t＝σ(W_i·[h_t-1，x_t]+b_i) (2-2)

其中σ為sigmoid函數；

步驟33)輸出層的計算：

o_t＝σ(W_o[h_t-1，x_t]+b_o) (2-5)

h_t＝o_t*tanh(C_t) (2-6)

式中，ot是輸出門函數，Ct是單元的記憶值，輸出層的輸出值即為輸出門函數與單元的記憶值Ct的正切函數的乘積；

步驟34)經模糊分區和長短型記憶網絡預測后的變槳軸速預測值為：

y＝εA·LSTM_outB+εB·LSTM_outA (2-7)

式中，εA、εB表示該時間段風速隸屬于相應兩個模糊分區的隸屬度值，LSTM_outA、LSTM_outB表示在相應兩個模糊分區下的長短型記憶網絡預測模型的輸出值。