一种用于数据平衡的风电机组变桨系统故障诊断方法

本发明属于风电机组故障诊断，涉及一种用于数据平衡的风电机组变桨系统故障诊断方法。

背景技术：

1、风能作为一种无污染、储量大和分布广的可再生清洁能源，在世界各国的电能供应占比也不断提高。然而，风电机组作为发电的载体长期运行在恶劣的环境中，加上风速和风向的随机性以及负荷的不确定性，导致风电机组发生故障的频率较高。

2、变桨系统作为风电机组控制和保护的重要执行装置，通过调节风机叶片桨距角来控制风轮转速和其功率输出，对风电机组安全、稳定、高效运行具有十分重要的作用。由于变桨系统子部件间的强耦合性以及恶劣的运行环境等影响，加之气动效应引起的负载扰动、变桨距开关的频繁动作以及大质量叶轮的负载惯性，使其成为风电机组中故障率较高的部件之一。根据最近对风电项目的调查，变桨系统故障比例高达21.29％，造成风电机组停机时间占比高达23.32％。若不能及时发现变桨距系统的故障并采取有效的措施进行处理，将会引发连锁反应，造成系统停机，严重时则可能发生风电机组失控和桨叶扫塔等灾难性事故。此外，一旦风电机组发生故障，由于其所处位置一般是在人迹罕至的地方，且机组变桨系统安装位置距离地面较高。存在着交通不便利和辅助维修设备缺乏等诸多不利因素，使得维修人员不能及时对风电机组进行修复，造成风电场极大的发电损失。因此，对风电机组变桨系统进行故障诊断研究具有重要的学术价值和工程实用意义。

3、近年来，随着计算机硬件运算能力的不断提升和人工智能技术的快速发展，基于深度学习和数据驱动的方法已逐渐成为风电机组故障诊断研究的主流方法。早期leahy等人应用分类技术，根据监控与数据采集(scada)数据识别爱尔兰东南部风电机组的故障和无故障运行状态。之后xiang等人将卷积神经网络(cnn)与长短期记忆(lstm)模型相结合，构建级联式深度学习故障诊断模型，对风电机组关键部件进行异常检测，实现了部件早期故障特征的捕捉和不同故障类型的识别。acho等人则提出了一种迭代学习算法，用于传感器信号融合和变桨系统执行器故障检测。在此基础上，qin等人融合了多个时间序列信号，利用多通道注意机制改进长短时记忆网络，提出了基于多通道注意机制的mca-lstm风电机组变桨系统故障诊断模型，可以有效检测到变桨轴承和轮毂的故障。针对漂浮式风电机组，cho等人提出了一种漂浮式风电机组变桨距系统故障诊断方法，其中采用卡尔曼滤波器估计变桨系统的叶片桨距角和阀芯位置，人工神经网络模型用于诊断故障类型。此外，kong等人融合scada时空数据，使用cnn提取数据的空间特征，并通过门控递归单元(gru)融合空间特征中的时间信息，最后使用指数加权移动平均(ewma)控制图识别风电机组的健康状态，经过实际风场测试验证了该模型的有效性。

4、由于scada数据具有高维变量相关性、动态变异性和时间相关性的特性，且与故障无关的特征参数较多。导致风电机组变桨系统在运行过程中出现紧急故障时，难以快速准确定位故障和诊断出故障类型。因此，筛选出敏感的故障特征，减少输入数据之间的冗余，是提高变桨系统故障诊断准确率的一个重要前提。此外可有效提升模型的诊断效率，以适应风电场的日常运维。liu等人基于scada数据提取风机变桨系统的运行特征，并对相关特征数据进行统计分析，揭示了变桨系统的运行控制逻辑，分析了其故障产生机理，为故障诊断方法的构建提供了理论依据。li等人则分析了变桨系统故障漏报与误报的主要原因，采用relief方法挖掘特征，提高了故障诊断的准确性。在此基础上，wen等人提出了一种基于relieff-pca和深度神经网络(dnn)的混合故障诊断方法，使用relieff方法筛选故障特征并降低数据维度。其次，采用pca算法对数据进行进一步降维，最后通过深度神经网络对故障进行诊断，该方法解决了数据之间的冗余并提高了故障诊断的准确率。

5、上述故障诊断方法的准确率及性能都依赖于一个关键假设，即不同类别训练样本的数量是均衡的。然而，风电机组在实际的运行中，不同类型故障发生的概率存在较大差异，导致不同状况下故障训练数据的不平衡。此外，出于安全因素的考虑，发生故障的风电机组不允许长时间持续运行，致使变桨系统故障数据量少且与健康数据的数量比例极其不平衡。在基于深度学习的模型训练中，损失函数的梯度更新时往往倾向于多数类，不平衡的数据样本将减少对少数类数据的学习注意力。因此训练的模型缺乏对少数故障类的关注度和灵敏度，难以准确诊断出故障和满足风电场日常运维的需求。为解决训练数据不平衡的难题，通常采用重采样和重加权的方法。重采样方法通过增强少数类别数据或减少多数类别数据，达到平衡不同类别训练样本的目的。jiang等人使用改进的合成重采样技术，对不平衡数据下风电机组主要故障进行检测和定位，有效缓解了不平衡数据集造成的少数类误诊率高的问题。重加权方法则是根据不同类别训练样本数量的差异来赋予相应的权重，提高对少数类的关注度以实现模型训练时各样本之间的平衡。he等人提出了一种基于scada数据不平衡的风电机组故障诊断的时空多尺度神经网络(stmnn)方法，其中特征模块用于提取数据的多尺度时空特征，用焦点损失替换交叉熵损失作为损失函数，在scada数据不平衡的情况下提供了一种端到端的故障诊断解决方案。

6、然而，不恰当的数据重采样将生成低质量或无效的样本数据，容易导致训练模型过拟合，难以在测试与实际应用中取得较好结果。此外，目前所采用重加权策略大多通过削弱多数类的权重，削弱模型对其的关注度，以保证模型训练的均衡性。在这种情况下，大多数类别的样本识别的有效性受到过拟合和注意不足的限制，且不恰当的权重赋予机制将影响模型的泛化能力，降低了故障诊断结果的准确性。因此，现有的方法对于不平衡数据的风电机组故障诊断是不足的，其中针对内部结构复杂的变桨系统故障研究更是严重不足的，亟需探索更先进的故障诊断模型来提高不平衡数据下变桨系统故障的诊断性能。

技术实现思路

1、本发明提供一种用于数据平衡的风电机组变桨系统故障诊断方法，有效提高了不平衡数据下风电机组变桨系统故障的诊断精度与性能。

2、本发明所采用的技术方案为：

3、一种用于数据平衡的风电机组变桨系统故障诊断方法，具体包括以下步骤：

4、步骤1：数据获取，通过风电场配备的scada系统获取风电机组的运行数据和故障数据；

5、步骤2：数据预处理，剔除与变桨系统无关的特征；剔除特征值恒定不变的无效特征，计算剩余特征的标准差，将标准差为0的无效特征剔除；剔除风速小于切入风速或大于切出风速的异常数据，并对缺失值使用持续法进行填充；将有功功率超出额定发电功率的数据用额定功率值替换，将有功功率为负的数据用零值替换；将剩余的特征数据按标准化处理，以消除不同特征之间量纲的影响；

6、步骤3：特征筛选，通过relieff算法筛选出与变桨系统故障相关的敏感特征，降低数据样本维数并减少冗余信息的输入，其中样本抽样次数为100，最近邻样本数为5，平均值作为特征权重的阈值；

7、步骤4：dbfdformer数据平衡故障诊断模型构建与训练，首先根据数量关系为各类别样本分配初始动态平衡因子，用于平衡模型训练时对各类别样本的关注度，以减少多数类样本的影响；其次将动态平衡因子引入基于双transformer的dualformer多级故障诊断模型中，构建dbfdformer数据平衡故障诊断模型；然后通过雪消融优化算法(sao)完成平衡因子的动态更新和模型超参数的寻优；最后对dbfdformer模型进行训练和变桨系统故障诊断。

8、进一步的：

9、步骤4中所述动态平衡因子dbf的设置过程为：

10、1)根据健康样本与故障样本之间的数量关系，设置样本初始平衡因子α，根据不同故障类别样本之间的数量关系，设置故障初始平衡因子β，各初始平衡因子计算如公式(18)-(19)所示：

11、

12、其中，h为总的样本类别数，nmax表示最多的类别样本数，nh表示第h个类别样本数；

13、2)以二进制交叉熵损失binary cross-entropy loss,bceloss函数为基础，如公式(20)，使用样本初始平衡因子α构建第一阶段的损失函数l′fl，如公式(21)，用于健康与故障诊断模型的训练；

14、

15、其中，n代表总样本数，yi表示第i个样本的真是类别，yi∈{0,1}，yi′是第i个样本的模型预测概率，yi′∈[0,1]；

16、3)使用故障初始平衡因子β构建第二阶段的损失函数l′f′l，如公式(22)，用于故障类型诊断模型的训练；

17、

18、其中，βh表示第h个类别样本的平衡因子。

19、4)根据第一、二阶段诊断模型每次迭代训练的损失值，采用sao算法动态更新平衡因子，以确保模型训练时各类别样本达到最佳平衡状态，从而增强故障诊断模型的泛化能力并提高诊断精度。

20、所述dbfdformer数据平衡故障诊断模型主要由健康与故障诊断、诊断控制和故障类型诊断三个模块组成；

21、所述健康与故障诊断模块主要用于识别变桨系统的健康与故障两种状态，即诊断是否存在故障：首先采用自适应最大池化层来降低输入特征数据的维度，合并相邻区域的关键特征信息，以降低模型的复杂度并提高计算效率；其次由transformer编码器对输入特征进行全域学习，利用内部的多头自注意力机制捕获各特征与变桨系统状态之间的依赖关系；最后通过全连接层与argmax层完成变桨系统的健康与故障诊断；

22、所述诊断控制模块主要用于控制执行不同的故障诊断模块，即是否进行具体故障类型的诊断；该诊断控制模块分为第一阶段，即健康与故障诊断、第二阶段，即故障类型诊断两个阶段，由第一阶段诊断的诊断结果来判定是否进行第二阶段诊断，若第一阶段诊断结果为健康，则直接作为模型结果输出，若为故障则进入第二阶段，由故障类型诊断模块识别故障的具体类型；

23、所述故障类型诊断模块主要用于快速准确的识别出变桨系统的具体故障类型；该模块首先采用conv1d层获取局域特征信息，捕捉输入数据的细节特征，并将信息映射到高维空间；然后利用bn&prelu层控制模型训练梯度的传递，避免梯度的爆炸与消失并加快模型训练的收敛速度；其次由transformer编码器对提取的特征信息进行全域学习，以获得各特征与不同类型故障之间的非线性关联关系；最后通过全连接层与argmax层输出诊断的具体故障类型，完成第二阶段的故障诊断。

24、本发明有效提高了不平衡数据下风电机组变桨系统故障的诊断精度与性能。具有优异的泛化能力和鲁棒性，为不平衡数据样本下的风电机组变桨系统的故障诊断提供了新思路，有助于提高风能的利用率。具体如下：

25、(1)引入了reliff特征提取算法，筛选与变桨系统故障相关的关键特征数据，对数据降维的同时减少特征数据之间的冗余信息，有效提高了故障诊断模型的训练效率与诊断精度。

26、(2)设计了样本动态平衡因子，用于平衡模型训练时对各类别样本的关注度，以减少多数类样本的影响，并引入sao优化算法根据训练结果动态更新各类别的平衡因子，以确保模型训练时各类别样本达到最佳平衡状态，从而增强故障诊断模型的泛化能力并提高诊断精度。

27、(3)提出了基于双transformer的多级故障诊断模型dualformer，并引入诊断控制模块将故障诊断分为了健康与故障和故障类型两个阶段，有效缩短了故障诊断模型诊断时间，同时提高了模型的诊断效率和可靠性。