[發明專利]基于稀疏自編碼與極限學習機的風電機組故障診斷方法

有效

• 申請號: 202011313196.1
• 申請日: 2020-11-20
• 公開（公告）號: CN112393934B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 王欣;秦斌;吳天霞
• 申請（專利權）人: 湖南工業大學
• 主分類號: G01M99/00
• 分類號: G01M99/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 曾志鵬

本發明針對風力發電系統故障檢測問題，提出了一種基于稀疏自編碼深度神經網絡與極限學習機相結合的風力發電系統故障檢測方法。包括兩個階段：第一階段訓練稀疏自編碼神經網絡，作為特征提取器；第二階段利用極限學習機進行分類。具體有以下步驟：提取風力發電系統的數據作為稀疏自編碼神經網絡的輸入數據，采用稀疏自編碼器輸入數據進行特征值提取，得到能高度表達原始數據的特征值；利用極限學習機網絡作為分類器，實現對風電系統運行狀態進行分類得到故障診斷結果。本發明能對風電機組傳感器與執行器的故障進行有效診斷，可提高系統的穩定性，對提高風電場運行經濟效益具有重要意義。

技術領域

本發明涉及風機故障診斷領域，具體地說，涉及稀疏自編碼與極限學習機的風機故障診斷方法。

背景技術

隨著風力發電技術的飛速發展，風電機組單機裝機容量的不斷增加，其結構復雜性和控制方法的多樣性使得故障的發生率也隨之增加。這使得我們在發展風力發電技術的同時，除了要考慮系統的經濟性、功能性還需要考慮系統的可靠性。分析系統可靠性時需要采集于分析系統的數據，研究故障機理，進而對風力發電系統進行故障檢測與容錯控制。傳感器、執行器是風力發電系統中的重要元件，種類繁多，分布于系統各處，在系統的各類故障中傳感器與執行器故障發生的概率是最大的。傳感器在系統中多安裝在反饋通道中，起數據傳送的作用。若傳感器發生故障，故障信息被輸入到系統控制器中，很微小的故障也有可能導致系統性能降低，甚至破壞系統的穩定性。因此，快速有效地診斷風電機組傳感器、執行器故障是提高風電場經濟效益的有效措施。

目前，應用于風電機組故障診斷的人工智能方法主要有反向傳播神經網絡(BPNN)、支持向量機(SVM)和最小二乘支持向量機(LS-SVM)。BPNN算法可以實現非線性復雜映射，并且具有良好的自適應能力；然而該算法的隱含層數目難以確定，且存在“過擬合”，收斂速度慢，容易陷入局部最優的問題，影響模型的預測能力；SVM算法不存在BPNN算法的問題；但是需要借助二次規劃獲得支持向量，且約束條件為不等式約束，影響分類精度；LS-SVM算法在SVM算法的基礎上有所改進，將最小二乘線性系統作為損失函數，代替二次規劃，且用等式約束代替不等式約束；但是LS-SVM模型不具有稀疏性，對于未知樣本的分類需要將所有訓練樣本都作為支持向量，導致該算法的訓練速度較慢。

發明內容

為快速有效地對風電機組發電機傳感器與執行器故障進行診斷，提出了一種基于稀疏自編碼器(Sparse Auto Encoder,SAE)與極限學習機(Extreme Learning Machine,ELM)結合的風機故障診斷方法，解決了現有故障診斷方法的準確率低、耗時長等問題，同時減少不必要的停機時間，提高風電場的經濟效益。

為了達到上述目的，其過程如下：

總共可以分為兩個階段：第一階段：用SAE進行特征值提取；第二階段：對提取的特征值進行應用(用于ELM故障分類)

步驟1：隨機選取不同運行狀態下風力發電機組的動態運行數據：槳距角β、風輪轉子轉速ω_t、風電機組輸出功率P、發電機轉速ω_g、發電機轉矩T_g作為數據樣本輸入集，將風力發電系統狀態細化為正常、傳感器恒偏差故障、傳感器恒增益故障、執行器恒偏差故障、執行器恒增益故障,輸出依次用{0,1,2,3,4}表示；

步驟2：為消除量綱和單位不同對網絡學習的影響，保證網絡神經元的非線性作用及較快的學習速度，避免因凈輸入絕對值過大造成神經元的輸出飽和，應將神經網絡的樣本數據進行歸一化處理。按照將樣本數據歸一化到[0,1]區間。

步驟3：將歸一化后的樣本數據集{β、ω_t、P、ω_g、T_g}作為稀疏自編碼神經網絡的輸入數據，用SAE對輸入數據進行特征提取。得到能高度表達原始數據的特征向量{β'、ω_t'、P'、ω_g'、T_g'}作為ELM分類器的輸入；