一种风电机组变桨系统故障预警方法

1.本发明属于风电机组状态监测和故障诊断领域，具体涉及一种风电机组变桨系统故障预警方法。


背景技术：

2.风电机组作为风力发电的重要装备，其结构复杂，包含叶片转子系统、变桨系统、传动系统和发电系统等多个子系统。其中，变桨系统是风电机组控制和保护的重要执行装置，对机组安全、稳定、高效运行具有十分重要的作用。然而，由于风电机组通常安装在偏远地区和近海海域，运行环境恶劣，工况复杂多变，极易发生故障。据统计，变桨系统故障比例高达21.29％，造成机组停机时间占比高达23.32％。因此，研究准确可靠的变桨系统故障预警方法，实现故障的早发现和早诊断，对提高机组运行可靠性，降低故障发生率和运行维护成本意义重大。
3.目前，针对变桨系统的状态监测和故障诊断研究工作大致可以分为两类：基于模型的方法和基于数据驱动的方法。其中，基于模型的方法主要是通过建立变桨系统的物理或数学模型，通过计算理想参考模型和实际模型的差值来判断变桨系统是否发生故障。此类方法对系统模型机理和物理特性要求较高，难以建模复杂的实际运行工况，存在较大的应用局限。而数据驱动方法主要利用机组的历史运行数据，通过统计学习和机器学习等方法从数据中自动挖掘和建模其内在结构特征和关联关系。目前，各大风电场都装备了数据采集与监视控制(supervisory control and data acquisition，以下简称scada)系统，它用于监测整个机组及其关键部件和子系统的运行性能和健康状况，提供了全面的状态信息、历史报警记录和故障日志，给基于数据驱动的风电机组故障预警提供了数据支撑。
4.目前，已有学者研究基于scada数据的风电机组变桨系统故障预警与诊断方法。然而，现有工作很少有关注风电机组变桨系统特有的独立变桨和特征变量空间强对称关系的特点，从而导致现有的基于scada数据的风电机组变桨系统故障预警方法很难深入提取故障的有效特征，不能达到理想的故障预警效果。


技术实现要素：

5.本发明要解决的技术问题在于提出一种风电机组变桨系统故障预警方法，实现对变桨系统进行可靠和准确故障预警。
6.为了实现上述技术目的，本发明的技术方案为：
7.一种风电机组变桨系统故障预警方法，其包括以下步骤：
8.步骤1：从风电场的数据采集与监测控制(scada)系统中获取与风电机组变桨系统相关的特征变量数据；
9.步骤2：将获取的风电机组变桨系统相关的特征变量数据通过线性回归模型进行预处理，得到预处理后的变桨系统的数据，并划分成训练数据集和测试数据集。
10.步骤3：将所述预处理后的训练数据集按照特征变量的对称性特点，分组并行输入
到一维卷积层中，进行空间结构特征的提取，并将所述空间结构特征在特征维度进行融合，将融合的特征经过特征注意力模块，并将所得结果做展平处理，以上共同构成变桨结构自编码网络的编码器结构；将所述编码器结构的结果输入到由多个全连接层组成的解码器中进行解码，得到变桨结构自编码网络的重构层，并使用马氏距离对特征变量的重构残差进行计算得到训练数据集下模型监测指标h
train
，利用核密度估计确定h
train
的分布情况，得出概率密度函数，并根据此概率密度确定模型阈值d；
11.步骤4：将所述测试数据集输入到变桨结构自编码网络中计算得到测试数据集下模型监测指标h
test
，并与模型阈值d做比较，得到最终的风电机组变桨系统故障预警结果。
12.优选地，所述将获取的风电机组变桨系相关的特征变量统数据通过线性回归模型进行预处理，具体包括：
13.针对scada数据存在离群点的情况，根据风速、功率、状态字、限功率状态字等约束条件对离群点进行初步剔除；
14.针对初步剔除之后依旧存在的离群点，利用原始机组数据的风速-功率曲线，依据线性回归模型，将剩余离群点进行再次剔除；
15.针对初步剔除和再次剔除之后剩余的数据各特征变量量纲的不同，利用特征变量的均值和方差，对数据进行标准化操作。
16.优选地，所述构建变桨结构自编码网络，包括：
17.将所述预处理后的训练数据集分组并行输入到滤波器个数为k，卷积核大小为m，卷积步长为s的一维卷积层中，得到各自的空间结构特征图。将得到的空间结构特征图在特征维度通过concatenate层融合在一起，将融合后的特征图经过特征注意力层处理后，通过flatten层将带有注意力的融合特征进行展平处理，其结果为变桨结构自编码网络的中间层；将得到的中间层输入到由多个全连接层组成的解码结构中，得到变桨结构自编码网络的编码器输出，将输出作为网络的重构层。
18.优选地，所述将由测试数据集所得的模型监测指标h
test
与模型阈值d做比较，得到最终的风电机组变桨系统故障预警结果，包括：
19.将所述由测试数据集计算得到的模型监测指标h
test
与模型阈值d做比较，设定时间内的连续的监测指标h
test
均超过阈值时，确定连续的第一个时间点位为故障预警点，以此来获得故障预警结果。
20.与现有技术相比，本发明的优点和取得的有效效果如下：
21.本发明针对风电机组变桨系统内部特征变量的对称性特点，提出了一种新的变桨结构自编码网络，与现有深度学习网络不同，该网络的设计有效结合了变桨系统的结构信息。该网络通过分组卷积特征学习模块实现对不同变桨特征变量的分组编码学习，进一步利用特征注意力机制自动提取重要的特征信息，实现了不同特征变量的动态融合提取。而且，本发明方法能够充分提取对称性特征变量的空间维度信息和故障信息，克服了scada数据空间上关联性特征难以提取的问题，与自编码器网络、卷积自编码器网络、循环自编码器网络、卷积-门限单元网络等提取空间特征、时空特征网络相比，具有更早的故障预警时间和更少的预警误报，为风电机组故障诊断领域提供了新的技术解决方法。
附图说明
22.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
23.图1是本发明实施例的方法实施流程图；
24.图2是本发明实施例的方法机组数据原始风速-功率曲线图；
25.图3是本发明实施例的方法机组数据清洗后的风速-功率曲线图；
26.图4是本发明实施例的特征注意力结构图；
27.图5是本发明实施例的变桨结构编码网络结构图；
28.图6是本发明实施例的对比结果图。
具体实施方式
29.以下，参照附图对本发明的实施方式进行说明：
30.本发明实施例使用的是一台2.5兆瓦风力发电机的scada数据。数据记录了从2020年6月9日到2020年9月8日的数据，采样间隔为7s，故障时间为2020年9月8日。该数据由scada操作数据，运行状态数据和警告数据组成。本实例共用到22个特征变量，包括风速，功率，状态字，限功率状态字，变桨电机温度、变桨逆变器温度，变桨桨距角，变桨速度，变桨电容器温度，变桨控制柜温度等。
31.参见图1，其示出了本发明实施例中一种风电机组变桨系统故障预警方法的流程图。该方法利用编码解码的广义对称性网络模型进行风电机组变桨系统故障预警，该方法包括的具体步骤如下：
32.步骤1、数据采集
33.从风电场的scada系统中收集风电机组变桨系统特征变量从2020年6月9日到2020年9月8日的运行数据。
34.步骤2、数据预处理
35.将得到的变桨系统特征变量数据进行数据预处理，具体包括：
36.步骤2.1、数据离群点初处理：从风场获得的原始数据中存在离群点，根据状态字和限功率状态字对数据离群点进行剔除；依据风速条件，筛选切入风速到切出风速之间的数据；依据功率条件，筛选功率》10kw的数据。
37.步骤2.2、数据离群点最终处理：依据风速-功率曲线，采用线性回归模型，对数据离群点初处理后的数据进行清洗。最终清洗结果如图3所示。
38.步骤2.3、针对数据各特征变量量纲的不同，利用特征变量的均值和方差，对数据进行标准化操作，计算公式如下；
[0039][0040]
式中，和xi分别为训练集中第i个变量归一化前和归一化后的值，μ和σ分别为训练集样本的均值和标准差。
[0041]
步骤2.4、将数据划分为训练集和测试集；
[0042]
步骤3、模型搭建与阈值的确定
[0043]
图5给出了本发明实施例中的变桨结构自编码网络模型的示意图。
[0044]
首先将步骤2得到的预处理后的训练数据集按照特征变量的对称性特点，分组并行输入到滤波器个数为32，卷积核大小为3，卷积步长为1的一维卷积层中，得到各自的空间结构特征图。
[0045]
其次，将得到的空间结构特征图在特征维度通过concatenate层融合在一起，将融合的特征图经过特征注意力层处理后，经flatten层将融合的特征图进行展平处理，得到变桨结构自编码网络的中间层。
[0046]
特征注意力层处理特征图的步骤为：分组将输入特征图经过全局平均池化，特征图从[h,w]的矩阵变成[h,1]的向量；计算得到自适应的一维卷积核大小k；将k用于一维卷积中，得到对于特征图的每个通道的权重；将归一化权重和原输入特征图逐通道相乘，生成加权后的特征图。
[0047]
最后，所述将中间层通过由3个全连接层组成的解码器结构进行解码，得到变桨结构自编码网络的重构层，并使用马氏距离替代传统的均方误差作为训练数据集下模型监测指标h
train
，利用核密度估计确定h
train
的分布情况，得出概率密度函数，并根据此函数确定模型阈值d。常见的方法是根据已知的分布函数如卡方分布、高斯分布等确定阈值。但是由于监测指标h
train
并不一定服从以上分布，得到的结果也就误差较大，因此，使用非参数估计的方法得到h
train
的概率密度函数(probability density function,pdf)，然后再根据pdf确定监测阈值d。在这里，使用核密度估计来确定重构残差的概率分布。
[0048]
对于样本数据其概率密度估计计算公式如下：
[0049][0050]
式中，σ是核函数宽带系数，k(
·
)为核函数。根据多次实验确定σ的取值，并使用高斯核作为核函数，高斯核如式(3)所示。
[0051][0052]
最后，根据以上求得的概率密度分布，由式(4)得到监测阈值d。
[0053][0054]
式中，α表示置信水平。
[0055]
步骤4、模型预警结果
[0056]
将步骤2得到的测试数据集经过步骤3，得到由测试数据集所得的模型监测指标h
test
，并将其与阈值d进行比较，设定时间内的连续的监测指标h
test
均超过阈值时，确定连续的第一个时间点位为故障预警点，以此来获得故障预警结果。
[0057]
将本发明方法与自编码器网络(ae)、卷积自编码器网络(cae)、循环自编码器网络(lstm-ae)，卷积-门限单元网络(cnn-gru)等提取空间特征、时空特征网络方法相比，结果如图6所示，可以看出，本发明提出的变桨结构自编码网路方法能够更提前预警故障的发生，而且误报率更低，因此，本发明方法为风电机组故障诊断领域提供了新的技术解决方
法。
[0058]
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。