基于AVAE_SDL的风电机组SCADA故障预警与定位方法、系统、装置及介质与流程

本发明属于风力发电机组故障检测，涉及一种基于avae_sdl的风电机组scada故障预警与定位方法、系统、装置及介质。

背景技术：

1、风电机组早期故障识别有利于避免灾难性后果，降低风电场的运维成本。风电机组的监控和数据采集系统(scada)监测参数丰富，涵盖了风电机组各个主要部件，为风电机组设备的可靠运行提供过程数据和状态数据，如风速、转速、振动、电流、电压等。scada数据已广泛应用于风电机组的趋势分析和早期故障检测。随着人工智能技术的发展，将深度学习应用于基于scada数据的风电机组状态监测中，能够有效提升故障早期预警效果、提高机组运行可靠性。scada数据量大、参数多，如何有效挖掘关键信息是故障预警的关键。由于scada的参数多为温度等信息，反映故障比较慢，给运维增加了难度。基于scada数据实现风电机组故障的提前预警、尽早预警具有重要的工程意义。

技术实现思路

1、本发明的目的在于解决现有技术中scada参数反映故障慢，运维难的问题，提供一种基于avae_sdl的风电机组scada故障预警与定位方法、系统、装置及介质。

2、为达到上述目的，本发明采用以下技术方案予以实现：

3、基于avae_sdl的风电机组scada故障预警与定位方法，包括：

4、采集风电机组齿轮箱的scada数据，并对采集到的数据进行预处理，然后将预处理后的数据划分训练集和测试集；

5、构建avae_sdl模型；

6、将训练集输入至avae_sdl模型中进行训练，获取最优化模型和风电机组故障程度的异常评分，并确定故障阈值；

7、基于测试集和最优化模型，获取优化模型的预测数据，并绘制故障预警图；

8、基于scada数据中各输入参数与优化模型的预测数据的残余误差，以及故障预警图，确定风电机组齿轮箱的故障位置。

9、本发明的进一步改进在于：

10、进一步的，对采集到的数据进行预处理，具体为：数据清洗和归一化预处理；所述数据清洗对收集到的数据进行异常值剔除；对变桨角度和有功功率进行异常值剔除，如公式(1)所示：

11、

12、式中，pow为有功功率，v为发电机转速，θ为变桨角度；

13、所述归一化预处理，具体为：对清洗过的数据进行线性变换，使结果映射到[0，1]的范围；归一化公式为：

14、x'＝(x-xmin)/(xmax-xmin)  (2)

15、其中，x为原始数据，xmax和xmin分别为原始数据集的最大值和最小值。

16、进一步的，将训练集输入至avae_sdl模型中进行训练，获取最优化的模型，具体为：更新avae_sdl模型的编码器/解码器、更新字典和更新判别器；训练集x输入变分自动编码器/解码器中，编码器输出均值μ和方差σ，方差乘以随机噪声加上均值得到zi，zi输入解码器得到中间潜在编码zs和输出结果x’，中间潜在编码zs输入到字典学习中得到稀疏系数矩阵a和字典矩阵dic，更新编码器/解码器的损失函数为：

17、

18、其中，为编码器/解码器的重构误差，是kl散度，||zs-dic·a||2+λa||1是字典学习中的损失函数；n为数据的大小，x为模型的输入样本，x’为模型的输出样本，即重构样本，μ和σ分别为变分自动编码器vae的输出均值和方差，即中间变量；

19、更新字典的损失函数为：

20、lsdl＝||zs-dic·a||2+λa||1  (4)

21、其中，||·||2为2阶范数，||·||1为1阶范数；

22、zi与zs共同输入到判别器中进行对抗判别，如公式(5)所示：

23、

24、三次更新交替进行，直到收敛到指定的误差阈值之下。

25、进一步的，获取风电机组故障程度的异常评分，具体为：采用scorei代表风电机组故障程度的异常评分，计算方法为：

26、

27、其中，数据x和有n行和n列，i代表行数；scorei由两部分组成，第一项是对抗变分自动编码器的重构误差，另一项是稀疏字典学习的误差；ζ为常数，设定为0.1；k为scada数据的参数数量。

28、进一步的，故障阈值的上限和下限为：

29、

30、其中，μ和ε是训练数据集分数的平均值和标准偏差，k为常数，是训练集最大异常评分的1.25倍。

31、进一步的，基于测试集和最优化模型，获取优化模型的预测数据，并绘制故障预警图，具体为：

32、测试集数据x输入最优化模型中，得到最优化模型的预测输出以及最优化模型的中间变量zs、a、dic，并计算测试数据的评分，绘制指数加权移动平均控制图ewma，即故障预警图，当图中数据超出故障阈值，则判断风电机组出现故障、实现预警。

33、进一步的，基于scada数据中各输入参数与优化模型的预测数据的残余误差，以及故障预警图，确定风电机组齿轮箱的故障位置，具体为：

34、计算每一个时间点测试集数据与优化模型的预测数据的残余误差，判断残余误差是否超出故障预警图的故障阈值，若超过，则对超过的测试集数据进行检查；

35、在avae_sdl模型中，残余误差为：

36、

37、根据残余误差error实现定位，风电机组的scada数据包含多个参数，公式(8)中的残余误差error是各参数实际值与预测值的偏差。

38、基于avae_sdl的风电机组scada故障预警与定位系统，包括：

39、预处理模块，所述预处理模块采集风电机组齿轮箱的scada数据，并对采集到的数据进行预处理，然后将预处理后的数据划分训练集和测试集；

40、构建模块，所述构建模块构建avae_sdl模型；

41、训练模块，所述训练模块将训练集输入至avae_sdl模型中进行训练，获取最优化模型和风电机组故障程度的异常评分，并确定故障阈值；

42、获取模块，所述获取模块基于测试集和最优化模型，获取优化模型的预测数据，并绘制故障预警图；

43、确定模块，所述确定模块基于scada数据中各输入参数与优化模型的预测数据的残余误差，以及故障预警图，确定风电机组齿轮箱的故障位置。

44、一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。

45、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。

46、与现有技术相比，本发明具有以下有益效果：

47、本发明通过将训练集输入至avae_sdl模型中进行训练，获取最优化模型和风电机组故障程度的异常评分，并确定故障阈值；基于测试集和最优化模型，获取优化模型的预测数据，并绘制故障预警图；基于scada数据中各输入参数与优化模型的预测数据的残余误差，以及故障预警图，确定风电机组齿轮箱的故障位置。本发明结合字典学习和对抗变分自动编码器，提升了预警模型的稳定性；同时本发明采用残余误差实现scada数据故障定位的方法；本发明能够显著提高scada故障预警准确率，实现尽早提前预警，并能实现风力发电机组的故障定位。