一种风电机组结冰故障诊断方法、系统、设备及存储介质

本发明涉及风电机组结冰故障诊断领域，特别是涉及一种风电机组结冰故障诊断方法、系统、设备及存储介质。

背景技术：

1、以光伏和风电为主体的新能源不断发展，装机容量逐年上升。但在海上、高山地区建设的大型风电机组所处环境恶劣，设备故障问题频发。其中，风机桨叶覆冰是主要故障之一，严重时将发生叶片断裂、抛冰伤人等一系列危害。

2、目前，针对风电机组结冰故障的诊断研究方法主要分为两大类：基于结冰机理分析方法和数据驱动方法。传统结冰机理分析法主要通过传感器和结冰内部机制构建覆冰数学模型进行结冰诊断，但该方法诊断精度不高，计算能力差、计算速度较慢；且传感器造价和维护费用较高，过度依赖经验建立模型，普适性较差。

3、随着监控和数据采集(supervisory control and data acquisition，scada)系统在风电场中广泛应用，大量包含异常运行状态的数据变得易于获取，许多通过神经网络使用scada历史数据构建风机模型的诊断方法被提出，实现了对风机的覆冰故障检测的经济性优势，但忽视了不同风机的特征分布差异，导致在不同风机测试集上泛化能力不足，重新训练模型耗时过长，难以构建多风机检测模型。

4、从上述研究可知，传统的风机结冰故障诊断方法主要存在两个问题：(1)为建立精确覆冰数学模型需安装多个传感器，这将增添额外的生产和维护成本；(2)实际场景中，不同风机监测数据差异性较大，这导致即使是通过同型号风机数据训练得到的模型，也很难在其他风机的数据上取得可靠的诊断结果，所建立模型难以拓展到多风机场景，缺乏鲁棒性。

5、近年来，深度学习发展迅速，其中迁移学习在处理异质性数据、提高模型泛化能力方面效果显著，可以把已训练好的模型参数迁移到新的模型来帮助新模型训练。但现有研究中建立的迁移学习模型，其网络计算速度较慢，模型建立时间较长，图像数据获取与处理难度较大，难以适用于多风机结冰诊断模型的建立。

6、传统lenet-5神经网络层数较浅，在使用scada数据训练过程中拟合程度较低。上述迁移学习方法虽然比传统风机结冰故障诊断方法取得了泛化性的优势，但仍有进一步提升空间。

技术实现思路

1、本发明的目的是提供一种风电机组结冰故障诊断方法、系统、设备及存储介质，以提高网络模型对故障特征的提取能力，加强模型的泛化性，在保证快速性的同时提高模型的准确性，能够有效地实现风机结冰的快速准确诊断。

2、为实现上述目的，本发明提供了如下方案：

3、一种风电机组结冰故障诊断方法，包括：

4、获取风电机组的监控数据和结冰情况；

5、根据所述监控数据和结冰情况确定训练集并将所述训练集划分为第一训练集和第二训练集；

6、利用所述第一训练集对lenet5like网络进行训练，得到预训练网络；

7、采用迁移学习算法利用所述第二训练集对所述预训练网络进行网络参数微调，得到结冰故障诊断模型；

8、根据待检测的风电机组的监控数据利用所述结冰故障诊断模型进行故障诊断，得到结冰故障诊断结果。

9、可选地，在获取风电机组的监控数据和结冰情况之后，还包括：对所述监控数据和结冰情况进行预处理，所述预处理包括归一化处理以及数据删除。

10、可选地，所述lenet5like网络包括依次连接的第一卷积层、第一批归一化层、第一relu层、第一池化层、第一失活层、第二卷积层、第二批归一化层、第二relu层、第二池化层、第三卷积层、第三批归一化层、第三relu层、第三池化层和两层线性层。

11、可选地，网络参数微调的优化目标函数表达式为：

12、

13、其中，yt为真实故障情况数字化表示，yp为网络诊断故障情况数字化表示，ck为k层已提取特征参数，ck-1为k-1层已提取特征参数，x为训练集数据次序。

14、本发明还提供一种风电机组结冰故障诊断系统，包括：

15、获取模块，用于获取风电机组的监控数据和结冰情况；

16、划分模块，用于根据所述监控数据和结冰情况确定训练集并将所述训练集划分为第一训练集和第二训练集；

17、训练模块，用于利用所述第一训练集对lenet5like网络进行训练，得到预训练网络；

18、网络参数微调模块，用于采用迁移学习算法利用所述第二训练集对所述预训练网络进行网络参数微调，得到结冰故障诊断模型；

19、故障诊断模块，用于根据待检测的风电机组的监控数据利用所述结冰故障诊断模型进行故障诊断，得到结冰故障诊断结果。

20、可选地，所述lenet5like网络包括依次连接的第一卷积层、第一批归一化层、第一relu层、第一池化层、第一失活层、第二卷积层、第二批归一化层、第二relu层、第二池化层、第三卷积层、第三批归一化层、第三relu层、第三池化层和两层线性层。

21、本发明还提供一种电子设备，包括：

22、一个或多个处理器；

23、存储装置，其上存储有一个或多个程序；

24、当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如所述的方法。

25、本发明还提供一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如所述的方法。

26、根据本发明提供的具体实施例，本发明公开了以下技术效果：

27、本发明获取风电机组的监控数据和结冰情况；根据所述监控数据和结冰情况确定训练集并将所述训练集划分为第一训练集和第二训练集；利用所述第一训练集对lenet5like网络进行训练，得到预训练网络；采用迁移学习算法利用所述第二训练集对所述预训练网络进行网络参数微调，得到结冰故障诊断模型；根据待检测的风电机组的监控数据利用所述结冰故障诊断模型进行故障诊断，得到结冰故障诊断结果。本发明利用lenet5like网络和迁移学习算法能提高网络模型对故障特征的提取能力，加强模型的泛化性，在保证快速性的同时提高模型的准确性，能够有效地实现风机结冰的快速准确诊断。

技术特征：

1.一种风电机组结冰故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的风电机组结冰故障诊断方法，其特征在于，在获取风电机组的监控数据和结冰情况之后，还包括：对所述监控数据和结冰情况进行预处理，所述预处理包括归一化处理以及数据删除。

3.根据权利要求1所述的风电机组结冰故障诊断方法，其特征在于，所述lenet5like网络包括依次连接的第一卷积层、第一批归一化层、第一relu层、第一池化层、第一失活层、第二卷积层、第二批归一化层、第二relu层、第二池化层、第三卷积层、第三批归一化层、第三relu层、第三池化层和两层线性层。

4.根据权利要求1所述的风电机组结冰故障诊断方法，其特征在于，网络参数微调的优化目标函数表达式为：

5.一种风电机组结冰故障诊断系统，其特征在于，包括：

6.根据权利要求5所述的风电机组结冰故障诊断系统，其特征在于，所述lenet5like网络包括依次连接的第一卷积层、第一批归一化层、第一relu层、第一池化层、第一失活层、第二卷积层、第二批归一化层、第二relu层、第二池化层、第三卷积层、第三批归一化层、第三relu层、第三池化层和两层线性层。

7.一种电子设备，其特征在于，包括：

8.一种计算机存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的方法。

技术总结
本发明公开一种风电机组结冰故障诊断方法、系统、设备及存储介质，涉及风电机组结冰故障诊断领域，方法包括获取风电机组的监控数据和结冰情况；根据所述监控数据和结冰情况确定训练集并将所述训练集划分为第一训练集和第二训练集；利用所述第一训练集对LeNet5like网络进行训练，得到预训练网络；采用迁移学习算法利用所述第二训练集对所述预训练网络进行网络参数微调，得到结冰故障诊断模型；根据待检测的风电机组的监控数据利用所述结冰故障诊断模型进行故障诊断，得到结冰故障诊断结果。本发明能有效地实现风机结冰的快速准确诊断。

技术研发人员：吕游,封烁,郑茜,宋子仪
受保护的技术使用者：华北电力大学
技术研发日：
技术公布日：2024/1/15