基于协整分析的风力发电机状态监测系统及其方法与流程

本发明涉及新能源领域，且更为具体的涉及一种基于协整分析的风力发电机状态监测系统及其方法。

背景技术：

1、风力发电机组正朝着大功率，高效率的方向发展，因此风力发电机组的意外事故会耗费高昂的维修费用给企业带来巨大的损失，甚至对人民的生命财产造成威胁，因此能够早期识别和处理故障显得尤为重要。

2、目前风力发电机状态监测的实现是对机械参数进行监测，常用监测对象有油液监测、温度监测、振动监测等。数据采集与监视控制(supervisory control and dataacquisition，scada)系统不断地被引入到风电机组的状态监测中，scada系统所采集的数据种类多(如:速度、温度、电能和角度等)、数量大，因此对其中关键数据进行分析即可实现风电机组的状态监测。然而，对于风电机组庞大的scada数据进行分析和解释非常困难，由于风电机组受到环境及其运行因素的影响，使得数据分析结果可靠性不足。

3、因此，期待一种优化的风力发电机状态监测系统，以基于所述风电机组的运行情况和外界因素来综合对于所述风力发电机的异常状态进行监测。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于协整分析的风力发电机状态监测系统及其方法，其通过多尺度邻域特征提取模块对获取到的多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率进行处理以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量，并分别计算对应的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵，接着将其排列为三维输入张量后通过卷积神经网络后沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，再通过分类器就能得到用于表示风力发电机的状态是否正常的分类结果。这样，挖掘外部环境要素和海上风机内部因素的关联特征，提高检测判断准确性和可靠性。

2、根据本技术的一个方面，提供了一种基于协整分析的风力发电机状态监测系统，其包括：

3、数据采集与监视控制模块，用于获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率；

4、向量化模块，用于将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量；

5、多尺度时序特征提取模块，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入多尺度邻域特征提取模块以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量；

6、协整分析模块，用于分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵；

7、关联特征提取模块，用于将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量后通过相邻层使用互为转置的卷积核的卷积神经网络以得到分类特征图；

8、校正模块，用于基于参考特征向量，对所述分类特征图的沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，其中，所述参考特征向量为计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值得到的通道特征向量；以及

9、状态监测结果生成模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示风力发电机的状态是否正常。

10、在上述基于协整分析的风力发电机状态监测系统中，所述多尺度时序特征提取模块，包括：第一卷积编码单元，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度风速关联特征向量、第一邻域尺度叶轮转速关联特征向量、第一邻域尺度发电机转速关联特征向量和第一邻域尺度功率关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二卷积编码单元，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度风速关联特征向量、第二邻域尺度叶轮转速关联特征向量、第二邻域尺度发电机转速关联特征向量和第二邻域尺度功率关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，级联单元，用于将所述第一邻域尺度风速关联特征向量和所述第二邻域尺度风速关联特征向量进行级联以得到所述多尺度风速特征向量，将所述第一邻域尺度叶轮转速关联特征向量和所述第二邻域尺度叶轮转速关联特征向量进行级联以得到所述多尺度叶轮转速特征向量，将所述第一邻域尺度发电机转速关联特征向量和所述第二邻域尺度发电机转速关联特征向量进行级联以得到所述多尺度发电机转速特征向量，将所述第一邻域尺度功率关联特征向量和所述第二邻域尺度功率关联特征向量进行级联以得到所述多尺度功率特征向量。

11、在上述基于协整分析的风力发电机状态监测系统中，所述协整分析模块，进一步用于：以如下公式分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵；其中，所述公式为：

12、mi＝mj*m1

13、其中mi分别表示所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量，m1表示所述多尺度风速特征向量，m分别表示所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵。

14、在上述基于协整分析的风力发电机状态监测系统中，所述校正模块，包括：参考特征向量生成单元，用于计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值以得到所述参考特征向量；优化因数计算单元，用于基于所述参考特征向量中所有位置的特征值集合的均值和方差，计算所述参考特征向量中各个位置的特征值对应的优化因数；以及，校正单元，用于以所述参考特征向量中各个位置的特征值对应的优化因数作为权重分别对所述分类特征图中对应的特征矩阵进行加权以得到所述校正后分类特征图。

15、在上述基于协整分析的风力发电机状态监测系统中，所述优化因数计算单元，进一步用于：基于所述参考特征向量中所有位置的特征值集合的均值和方差，以如下公式计算所述参考特征向量中各个位置的特征值对应的所述优化因数；其中，所述公式为：

16、

17、其中vi表示所述参考特征向量的第i个位置的特征值，且μ和σ分别表示所述参考特征向量中所有位置的特征值集合的均值和方差，exp(·)表示特征值的指数运算，所述特征值的指数运算表示计算以特征值为幂的自然指数函数值。

18、根据本技术的另一方面，还提供了一种基于协整分析的风力发电机状态监测方法，其包括：

19、获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率；

20、将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量；

21、将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入多尺度邻域特征提取模块以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量；

22、分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵；

23、将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量后通过相邻层使用互为转置的卷积核的卷积神经网络以得到分类特征图；

24、基于参考特征向量，对所述分类特征图的沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，其中，所述参考特征向量为计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值得到的通道特征向量；以及

25、将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示风力发电机的状态是否正常。

26、与现有技术相比，本技术提供的基于协整分析的风力发电机状态监测系统及其方法，其通过多尺度邻域特征提取模块对获取到的多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率进行处理以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量，并分别计算对应的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵，接着将其排列为三维输入张量后通过卷积神经网络后沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，再通过分类器就能得到用于表示风力发电机的状态是否正常的分类结果。这样，挖掘外部环境要素和海上风机内部因素的关联特征，提高检测判断准确性和可靠性。