一种风电机组变桨系统故障预警方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115750228A(43)申请公布日2023.03.07(21)申请号202211369319.2(22)申请日2022.10.28(71)申请人燕山大学地址066004河北省秦皇岛市海港区河北大街438号(72)发明人江国乾白佳荣苏楠武鑫谢平李小俚(74)专利代理机构石家庄众志华清知识产权事务所(特殊普通合伙)13123专利代理师张建(51)Int.Cl.F03D17/00(2016.01)F03D7/02(2006.01)F03D7/04(2006.01)权利要求书1页说明书5页附图4页(54)发明名称一种风电机组变桨系统故障预警方法(57)摘要本发明提出一种风电机组变桨系统故障预警方法，属于风电机组故障预警领域，首先，从风电场的数据采集与监测控制(SCADA)系统中选取与变桨系统相关的特征数据；然后，针对SCADA数据中存在的离群点，利用线性回归模型对数据进行清洗。最后，针对风电机组变桨系统的对称结构特点，设计了能够充分提取具有对称特征变量的变桨结构编码网络，通过分组卷积特征学习模块实现对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。本发明所设计的变桨结构编码网络融合了变桨系统的结构信息，能够更加有效的挖掘不同特征变量内在的关联特征，具有早期故障预警能力强、预警误报率低的特点。CN115750228ACN115750228A权利要求书1/1页1.一种风电机组变桨系统故障预警方法，其特征在于，包括以下步骤：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；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；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htrain，利用核密度估计确定htrain的分布情况，得出概率密度函数，并根据此概率密度函数确定模型阈值d；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htest，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。2.根据权利要求1所述的一种风电机组变桨系统故障预警方法，其特征在于，所述步骤2中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，具体包括：针对故障数据存在离群点的情况，根据风速、功率、状态字和限功率状态字约束条件对离群点进行初步剔除；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；针对初步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。3.根据权利要求1所述的一种风电机组变桨系统故障预警方法，其特征在于，所述步骤3中的变桨结构自编网络结构具体包括：将步骤3得到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输出，将输出作为网络的重构层。4.根据权利要求1所述的一种风电机组变桨系统故障预警方法，其特征在于，所述步骤4具体包括：将所述由测试数据集所得的模型监测指标htest与模型阈值d做比较，设定时间内的连续的监测目标htest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。2CN115750228A说明书1/5页一种风电机组变桨系统故障预警方法技术领域[0001]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[0002]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