一种风电机组发电机的故障预警方法

1.本发明涉及一种风电机组故障预警技术，具体地说是一种风电机组发电机的故障预警方法。


背景技术：

2.在风电机组的长期运行过程中，随着运行时间的不断增加，以及工作在受力多变、条件艰苦、工况复杂的自然环境中，发电机、齿轮箱、主轴承、偏航系统等主要部件的故障率显著增加。作为风电机组的核心部件，风力发电机故障是造成风电机组停机的主要原因之一，严重影响着整个机组的安全稳定运行。因此，采用精准的检测技术对发电机进行早期故障预警，能够有效降低风电机组故障率，降低风电场的损失。
3.风力发电机是一个内部关联性很强的系统，各部件之间相互影响，故障类型多种多样。目前，针对风力发电机故障的故障诊断，多是在第一时间对初始故障加以判定，或者对严重故障进行短时预测，而不能做到提前预测设备状态并优化维修决策。
4.现有风力发电机的故障诊断，往往是针对温度信号、声发射信号、振动信号、电信号等单一参数所实施的。而这种单一参数的故障诊断，不能深层挖掘数据的抽象特征和设备故障的内在联系，同时，由于这些故障诊断方法所建立的数学模型的精确度较低，预警时间短，因此，在工业实际应用方面还不能得到有效地利用和实施。


技术实现要素：

5.本发明的目的就是提供一种风电机组发电机的故障预警方法，以解决现有故障诊断方法多是针对单一参数，且因所用数学模型的精确度低、预警时间短而不能得到实际应用的问题。
6.本发明是这样实现的：一种风电机组发电机的故障预警方法，包括如下步骤：
7.s1、数据采集：从风电机组配备的scada系统中调取风电机组发电机整个故障演变区间的历史运行数据，包括发电机正常运行、故障形成、故障显现、故障排除、再投运行在内的各个阶段；
8.s2、状态参数选取：选取包括风速、发电机功率、发电机转速、发电机转矩、发电机空冷温度、发电机前轴温度、发电机三个绕组的温度以及主轴叶轮侧温度在内的用于反映发电机运行状态的各参数作为建模变量；
9.s3、数据划分：将上述的数据源划分成训练集、验证集和试验集三部分，其中，训练集占数据源的60％～80％、验证集占数据源的5％～10％，试验集占数据源的10％～35％；
10.s4、数据预处理：对步骤s2中所选取的发电机运行状态参数的数据进行归一化处理，以消除scada数据不同参数之间属性和量纲的影响；
11.s5、dbn网络的建立：通过设置包括隐含层数量、隐含层神经元数目寻优区间、学习率、最大迭代次数以及每批次数据量在内的各参数，构建一个dbn网络；
12.s6、隐含层神经元数目寻优：利用nppso算法对隐含层神经元数目寻优；
13.s7、模型建立：使用步骤s5设置的dbn网络参数和步骤s6寻优得到的最优神经元个数，建立nppso-dbn发电机故障预警模型，所述nppso-dbn发电机故障预警模型包含4层隐含层，1层输入层和1层输出层，输入层和隐含层中的神经元数目与步骤s2中的建模变量的数目一致；
14.s8、预警计算：使用所述nppso-dbn发电机故障预警模型对步骤s2所选取的发电机运行状态参数进行重构，然后计算重构变量与实际变量的重构误差；
15.s9、确定重构误差阈值：计算重构误差的均值μ和均方根误差σ，则重构误差阈值u
th
设定为：u
th
＝μ+3σ；
16.s10、故障预警：当重构误差未超出阈值时，判定为发电机运行状态正常；当重构误差超出阈值时，判定为发电机运行状态异常，并发出故障预警信息。
17.进一步地，步骤s5建模参数设置的具体指标如下：网络模型隐含层的数量设置为4层，网络隐含层神经元数目寻优区间设置为[1，100]；预训练学习率为0.1，每批次数据量为100，最大迭代次数为300；bp反向微调学习率为0.1，每批次数据量为4，最大迭代次数为300。
[0018]
进一步地，步骤s6的对隐含层神经元数目寻优的具体方式如下：
[0019]
s6-1、初始化nppso算法参数，初始参数设置如下：种群规模为20，ω
min
＝0.45，ω
max
＝0.95，c
min
＝0.45，c
max
＝0.95，最大迭代次数为100，权重控制因子为8；
[0020]
s6-2、利用训练集数据采用cd-k算法非监督逐层训练dbn网络中各个rbm的权值和偏置；
[0021]
s6-3、将步骤s6-2训练得到的权值和偏置对应作为bp神经网络的权值和偏置的初始值，然后利用该bp神经网络反向微调dbn网络，得到网络参数达到最优的dbn网络；
[0022]
s6-4、利用步骤s6-3得到的最优dbn网络计算适应度；
[0023]
s6-5、求个体最优值和群体最优值；
[0024]
s6-6、更新粒子的速度和位置；
[0025]
s6-7、当迭代次数未达100时，返回步骤s6-2；当迭代次数达到100时，将作为群体最优解的隐含层最优神经元数目传送给dbn网络。
[0026]
进一步地，步骤s7模型建立的具体方式如下：
[0027]
s7-1、采用cd-k算法非监督逐层训练dbn网络中各个rbm的权值和偏置；
[0028]
s7-2、利用bp神经网络反向微调dbn网络，使整个nppso-dbn发电机故障预警模型的参数达到最优，成为风力发电机故障预警模型；
[0029]
s7-3、保存建立好的风力发电机故障预警模型。
[0030]
进一步地，步骤s9是根据步骤s8所获得的发电机状态参数重构误差，重构误差的均值μ和均方根误差σ的计算公式为：
[0031][0032]
其中，re(i)为第i个数据的重构误差；n为数据集长度即重构误差个数。
[0033]
本发明利用深度置信网络建立风力发电机故障预警模型，该模型能够以更高的精
度重构发电机在不同工作状态下的多个相关状态变量，进一步得到相关变量的重构误差，再以重构误差为监测量，为风电机组发电机的早期故障检测提供判断依据，由此实现了风电机组发电机的故障预警。
附图说明
[0034]
图1是本发明风电机组发电机故障预警方法步骤图。
[0035]
图2是本发明风电机组发电机故障预警方法流程图。
[0036]
图3是风电机组数据源风速-功率趋势对照图，其中，图3a是数据源风速趋势图，图3b是数据源功率趋势图。
[0037]
图4是训练集重构误差序列图。
[0038]
图5是验证集重构误差序列图。
[0039]
图6是测试集重构误差序列图。
具体实施方式
[0040]
为了清楚地体现本发明的发明点所在和将本发明创造的结构特征描述清楚，下面通过具体的实施例，并结合附图，对本发明进行详细说明。
[0041]
如图1、图2所示，本发明风电机组发电机的故障预警方法流程具体包括以下步骤：
[0042]
一、以国家电网公司某风场运行的e15号风电机组为例，使用其运行期间2018年12月23日0︰00到2019年4月23日23︰50的scada数据作为数据源，进行风力发电机故障预警分析。该数据源共包含69种，17567条信息丰富的10分钟采样频率数据，时间范围覆盖发电机整个故障演变区间，包括正常运行、故障形成、故障显现、故障排除、再投运行等阶段，建立了图3所示的数据源的风速-功率趋势对照图。scada系统故障记录显示：e15号风电机组在2019年3月23日8︰00发生发电机前轴超温故障，因此有建模意义的数据区间为2018年12月23日0︰00到2019年3月23日8︰00，共计13009条数据。
[0043]
二、经变量相关性分析，选取风速、发电机功率、发电机转速、发电机转矩、发电机空冷温度、发电机前轴温度a、发电机前轴温度b、发电机绕组u1温度、发电机绕组v1温度、发电机绕组w1温度、主轴叶轮侧温度等11个与发电机状态密切相关的参数作为建模变量。
[0044]
三、将数据源划分成训练集、验证集和测试集三部分，2018年12月23日0︰00到2019年2月26日23︰10时间范围内的9500条数据作为训练集，训练模型；2019年2月26日23︰20到2019年3月5日22︰00时间范围内的1000条数据作为验证集，验证所生成的故障模型；2019年3月5日22︰10到2019年3月23日8︰00时间范围内的2509条数据作为测试集，生成发电机异常工况重构误差序列，将此区间的重构误差序列用于预警策略，验证所提方法是否能实现风力发电机的早期故障检测。其中，训练集有9500条数据，约占全部13009条数据的73％，验证集有1000条数据，约占全部13009条数据的7.7％，试验集有2509条数据，约占全部13009条数据的19.3％。
[0045]
四、对选取出的11个发电机状态参数进行归一化处理，以消除scada数据不同参数之间属性和量纲的影响。
[0046]
参数的归一化处理是按照公式(1)分别进行计算处理：
[0047][0048]
式中，xi为归一化前的数据，为归一化后的数据，x
max
为原始数据的最大值，x
min
为原始数据的最小值。
[0049]
五、通过确定隐含层层数、隐含层神经元数目寻优区间、学习率、最大迭代次数、每批次数据的大小等参数构建dbn网络，其具体设定如下：
[0050]
5-1、dbn网络隐含层设置为4层，隐含层神经元数目寻优区间设置为[1，100]；
[0051]
5-2、预训练学习率为0.1，每批数据大小为100，最大迭代次数为300；
[0052]
5-3、bp反向微调学习率为0.1，以4条数据为一个批次，最大迭代次数为300。
[0053]
六、利用nppso算法对隐含层神经元数目寻优，以提高网络重构精度。具体操作方式如下：
[0054]
6-1、初始化nppso算法参数，初始参数设置如下：种群规模为20，ω
min
＝0.45，ω
max
＝0.95，c
min
＝0.45，c
max
＝0.95，最大迭代次数为100，权重控制因子为8；
[0055]
6-2、利用训练数据采用cd-k算法非监督逐层贪婪地训练网络中各个rbm的权值和偏置；依据公式(2)作为更新准则：
[0056][0057]
式中，ε为学习率；《
·
》
pθ(h|v)
为偏导数在p
θ
(h|v)分布下的期望；《
·
》
recon
为偏导数在重构模型分布下的期望；
[0058]
6-3、将步骤s6-2训练得到的权值和偏置作为bp神经网络的权值和偏置的初始值，然后利用该bp神经网络反向微调dbn网络，得到网络参数达到最优的dbn网络；
[0059]
6-4、利用步骤6-3得到的dbn网络计算适应度，按照公式(3)计算种群中每个粒子的适应度：
[0060][0061]
式中，f
fitness
为适应度；n为数据样本个数；m为每条数据的维度；x
ij
为第i个原始样本的第j维数据，为第i个重构样本的第j维数据；
[0062]
6-5、求个体最优值和群体最优值。具体操作方式如下：
[0063]
6-5-1、比较步骤6-4计算得到的适应度大小，最小值对应的粒子位置为个体最优值；
[0064]
6-5-2、比较由步骤6-5-1得到的当前所有个体最优值，个体最优值最小值对应的粒子位置为群体最优值；
[0065]
6-6、更新粒子的速度和位置。nppso算法在搜索空间中随机生成一批粒子，这些根据自身记忆和群体中其它粒子的信息来更新位置；粒子的速度和位置更新按照公式(4)计
算：
[0066][0067]
式中，p
id
、p
gd
依次为第k次进化中第i个粒子第d维的速度、位置、个体历史最优解以及种群历史最优解；为第k+1次迭代中第i个粒子第d维的速度，为第k+1次迭代中第i个粒子第d维的位置；ω为惯性权重；c1为个体学习因子，c2为种群学习因子；r1，r2为区间[0，1]上的随机数；
[0068]
参数的更新按照公式(5)和公式(6)计算：
[0069][0070]
式中，ω(t)为第t次迭代的惯性权重；ω
max
为最大惯性权重，ω
min
为最小惯性权重；t为最大迭代次数；k为权重控制因子；
[0071][0072]
式中，c
1min
为个体学习因子最小值，c
2min
为种群学习因子最小值；c
1max
为个体学习因子最大值，c
2max
为种群学习因子最大值；
[0073]
6-7、判断得到的群体最优解是否满足条件，即适应度是否为最小值。不满足条件时，返回步骤6-2继续后续步骤；满足条件时，将最为群体最优解的隐含层最优神经元数目传送给网络模型。
[0074]
经过100次迭代获得隐含层最优神经元个数分别为：37、47、77、52。
[0075]
七、使用五设置的dbn网络参数和步骤六寻优得到的最优神经元个数建立nppso-dbn发电机故障预警模型，该模型包含4层隐含层，1层输入层和1层输出层，其中输入层和隐含层神经元数目均为11。具体操作方式如下：
[0076]
7-1、利用训练数据采用cd-k算法非监督逐层训练网络中各个rbm的权值和偏置。更新准则与步骤6-2相同；
[0077]
7-2、利用bp神经网络反向微调dbn网络，使网络的参数达到最优；
[0078]
7-3、保存建立好的风力发电机故障预警模型。
[0079]
八、预警计算，使用建立的nppso-dbn模型对步骤2选取出的11个风电机组发电机状态参数进行重构，计算重构变量与实际变量的重构误差；按照公式(7)计算重构误差：
[0080][0081]
式中，为重构数据向量，x为原始数据向量。
[0082]
九、确定重构误差阈值u
th
，计算重构误差的均值μ和均方根误差σ，设阈值u
th
＝μ+3σ。具体操作方式如下：
[0083]
9-1、根据步骤8所获得的发电机状态参数重构误差，按照公式(8)计算重构误差的均值μ和均方根误差σ：
[0084][0085]
式中，re(i)为第i个验证集数据重构误差；n为数据集长度即重构误差个数；
[0086]
验证集重构误差的均值μ为0.0777，均方根误差σ为0.0362；
[0087]
9-2、计算重构误差阈值u
th
，将均值μ与3倍的均方根误差σ之和作为阈值；按照公式(9)计算重构误差阈值u
th
：
[0088]uth
＝μ+3σ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0089]
验证集重构误差阈值u
th
为0.1862。
[0090]
十、故障预警，当重构误差未超出阈值时，判定为发电机运行状态正常；当重构误差超出阈值时，判定为发电机运行状态异常，并发出故障预警信息。
[0091]
图4、图5、图6分别给出了训练集、验证集和测试集的重构误差结果。从图5中可以看出，正常工况下的发电机重构误差始终在较小范围内波动，并且一直处于重构误差阈值之下。测试集重构误差结果(图6)显示，在第1729个采样点之前重构误差始终保持在阈值范围之内，而且波动的幅度较小。但是，测试集重构误差在第1729个采样点首次超过设定的重构误差阈值，并且在此采样点之后频繁越过预警线，由此可以判定风电机组发电机工作状态异常。