[發明專利]一種基于時空特征提取的風電機組故障預警方法

在審

• 申請號: 202111477655.4
• 申請日: 2021-12-06
• 公開（公告）號: CN114429238A
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 李春楊;夏博;王宇
• 申請（專利權）人: 石河子大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q10/00;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于時空特征提取的風電機組故障預警方法，步驟如下：先通過風電機組監控和數據采集系統來獲取風電機組數據集，進行數據預處理，檢測并剔除異常點；再利用主成分分析方法對風電機組運行數據進行降維處理；然后將數據集分割為多變量的輸入層和單變量的輸出層，保留數據的時序相關性和空間相關性，進行風電機組監控和數據采集系統數據預測神經網絡模型搭建與訓練；最后使用平均絕對百分比誤差指標衡量模型對數據的擬合程度，保留最優模型，設定模型閾值，得到故障預警模型。本發明綜合考慮了風電機組數據的時間特征和空間特征，更加全面、準確的反映風電機組的潛在狀態，提高了對風電機組故障預警能力。

技術領域

本發明提供一種基于時空特征提取的風電機組故障預警方法，屬于質量監測領域。

背景技術

風能作為重要的可再生能源，近幾十年來，全球風能使用規模迅速增長，陸上和海上風力發電機組發電容量的不斷增加，由于風力發電機組潛在故障的維修成本巨大，因此必須開發有效且可靠的風力發電機組故障預警方法，以便降低風電場的運營和維護成本。然而傳統的風力機故障預警技術大多只使用單一類型的信號作為故障特征，其性能可能受到此類信號特征的限制。為解決這一問題，設計了一種基于時空特征提取的風電機組故障預警方法，從而更加全面、準確的反映風電機組的潛在狀態，提高對風電機組故障預警能力。

發明內容

本發明針對傳統風電機組故障預警技術故障特征單一的問題，設計了一種基于時空特征提取的風電機組故障預警方法。

為實現上述目的，本發明型采用以下五個步驟，如附圖1所示。

步驟1：風電機組監控和數據采集系統數據預處理, 在切入風速和切出風速之間劃出若干個風速區間，將所有數據點按照其風速大小歸入各個風速區間，然后對各區間內的數據點進行統計分析，得到風速和功率的期望值，對風電機組風速-功率曲線進行擬合，根據風機運行數據統計差值分布的標準差??，以3??劃分標準，對異常點進行檢測和剔除。

步驟2：風電機組監控和數據采集系統數據降維處理，為提高模型的計算效率，需要對風電機組運行數據進行降維處理，采用主成分分析方法，將風電機組數據參數通過正交變換為一組線性不相關的變量，保證降維后的信息貢獻率在95%以上。

步驟3：風電機組監控和數據采集系統數據預測神經網絡模型搭建，首先在數據處理層面保留時序相關性，然后將數據分割為多變量的輸入層和單變量的輸出層，根據輸入層的大小確定滑窗的寬度，進而保留數據層的空間相關性。將2維數據轉變為4維，其中包含輸入層，輸出層，卷積核和步長。模型的卷積層為32層，選擇ReLU為激活函數，池化層為最大池化層，然后展平為線性層，線性層的隨機丟棄率為0.5，最后的輸出層為1。

步驟4：訓練風電機組監控和數據采集系統數據預測神經網絡模型，將數據分為60%的訓練集和40%的驗證集。用訓練集訓練模型，用驗證集判斷模型的好壞，確定最優模型。最終確定為選用Xavier初始化方法初始化模型的參數，選用Adam優化器對模型的參數進行更新，確定損失函數為平方損失函數，采用小批量梯度下降法，批量大小為64，迭代50個周期，學習率為0.001。

步驟5：使用平均絕對百分比誤差指標衡量模型對數據的擬合程度，通過調整模型結構和超參數使模型得到最佳的效果，最后使用指數加權移動平均值方法對誤差進行平滑處理，設定模型閾值，得到故障預警模型。

其中，在步驟1中所述的“3??劃分標準”如附圖2所示。是指根據擬合曲線確定3??區間，對數據進行擴充，不保證風電機組運行數據的準確性。

其中，在步驟2中所述的“主成分分析方法”，具體方法如下：

2-1：對原始數據進行標準化處理，將各指標值轉換成標準化指標。

其中,。

即，分別為第個指標的樣本均值和標準差。

2-2：計算相關系數矩陣。