基于制造技术

本申请提出一种基于

【技术实现步骤摘要】
基于SCADA数据的风力发电机组的故障诊断系统及其方法


[0001]本申请涉及智能化诊断
，且更为具体地，涉及一种基于
SCADA
数据的风力发电机组的故障诊断系统及其方法
。

技术介绍

[0002]风力发电机组正朝着大功率，高效率的方向发展，因此风力发电机组的意外事故会耗费高昂的维修费用给企业带来巨大的损失，甚至对人民的生命财产造成威胁，因此能够识别和处理故障显得尤为重要
。
[0003]目前风力发电机状态监测的实现是对机械参数进行监测，常用监测对象有油液监测
、
温度监测
、
振动监测等
。
数据采集与监视控制
(Supervisory Control And Data Acquisition
，
SCADA)
系统不断地被引入到风电机组的状态监测中，
SCADA
系统所采集的数据种类较多
(
如
:
速度
、
温度
、
电能和角度等
)、
数量大，因此对其中关键数据进行分析即可实现风电机组的状态监测
。
然而，对于风电机组庞大的
SCADA
数据进行分析和解释非常困难，由于风电机组受到环境及其运行因素的影响，使得数据分析结果可靠性不足
。
[0004]因此，期望一种优化的基于
SCADA
数据的风力发电机组的故障诊断系统，其能够更加准确地对于
SCADA
数据进行分析处理，以实现风电机组的状态监测
。

技术实现思路

[0005]本申请旨在至少在一定程度上解决相关技术中的技术问题之一
。
[0006]为此，本申请的第一个目的在于提出一种基于
SCADA
数据的风力发电机组的故障诊断系统，以能够对于风力发电机组的运行状态进行准确地监测，以对于所述风力发电机组的故障进行智能诊断，进而保证风机的正常运行
。
[0007]本申请的第二个目的在于提出一种基于
SCADA
数据的风力发电机组的故障诊断方法
。
[0008]为达上述目的，本申请第一方面实施例，提供了一种基于
SCADA
数据的风力发电机组的故障诊断系统，包括：
[0009]采集模块，用于采集预定时间段内多个预定时间点的风速值
、
桨距角和发电机功率值；
[0010]转化模块，用于将所述多个预定时间点的风速值
、
桨距角和发电机功率值分别转化为风速输入向量
、
桨距角输入向量和功率输入向量，并将所述风速输入向量的转置向量与所述桨距角输入向量转化为协同作业输入矩阵；
[0011]特征提取模块，用于将所述协同作业输入矩阵输入由多个混合卷积层组成的深度卷积神经网络模型以得到多尺度协同特征向量，并将所述功率输入向量输入包含多个并行的一维卷积层的多尺度邻域特征提取模块以得到多尺度功率特征向量；
[0012]特征校正模块，用于分别对所述多尺度协同特征向量和所述多尺度功率特征向量进行基于信息密度差异的特征补偿以得到校正后多尺度协同特征向量和校正后多尺度功
率特征向量；
[0013]判断模块，用于计算所述校正后多尺度协同特征向量相对于所述多尺度功率特征向量的响应性估计以得到分类特征矩阵，并将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示风力发电机组的状态是否正常
。
[0014]可选地，本申请实施例之中，所述特征提取模块，还包括：使用所述深度卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：
[0015]使用具有第一尺寸的第一卷积核对所述输入数据进行卷积处理以得到第一特征图；
[0016]使用具有第一空洞率的第二卷积核对所述输入数据进行卷积处理以得到第二特征图；
[0017]使用具有第二空洞率的第三卷积核对所述输入数据进行卷积处理以得到第三特征图；
[0018]使用具有第三空洞率的第四卷积核对所述输入数据进行卷积处理以得到第四特征图；
[0019]将所述第一特征图
、
所述第二特征图
、
所述第三特征图和所述第四特征图进行级联聚合以得到卷积特征图；
[0020]对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
[0021]对所述池化特征图进行非线性激活以得到激活特征图；
[0022]其中，所述深度卷积神经网络模型的最后一层的输出为所述多尺度协同特征向量，所述深度卷积神经网络模型的第一层的输入为所述协同作业输入矩阵
。
[0023]可选地，本申请实施例之中，所述特征提取模块，还包括：
[0024]第一尺度功率特征提取单元，用于将所述功率输入向量输入所述包含多个并行的一维卷积层的多尺度邻域特征提取模块的第一卷积层以得到第一尺度功率特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
[0025]第二尺度功率特征提取单元，用于将所述功率输入向量输入所述包含多个并行的一维卷积层的多尺度邻域特征提取模块的第二卷积层以得到第二尺度功率特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
[0026]多尺度级联单元，用于将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述多尺度功率特征向量
。
[0027]可选地，本申请实施例之中，所述第一尺度功率特征提取单元，还包括：使用所述包含多个并行的一维卷积层的多尺度邻域特征提取模块的第一卷积层以公式
(1)
对所述功率输入向量进行一维卷积编码以得到所述第一尺度功率特征向量；
[0028]其中，所述公式
(1)
为：
[0029][0030]其中，
a
为第一卷积核在
x
方向上的宽度
、F(a)
为第一卷积核参数向量
、G(x
‑
a)
为与卷积核函数运算的局部向量矩阵，
w
为第一卷积核的尺寸，
X
表示所述功率输入向量
。
[0031]所述第二尺度功率特征提取单元，进一步用于：使用所述包含多个并行的一维卷积层的多尺度邻域特征提取模块的第二卷积层以公式
(2)
对所述功率输入向量进行一维卷积编码以得到所述第二尺度功率特征向量；
[0032]其中，所述公式
(2)
为：
[0033][0034]其中，
b
为第二卷积核在
x
方向上的宽度
、F(b)
为第二卷积核参数向量
、G(x
‑
b)...

【技术保护点】

【技术特征摘要】
1.
一种基于
SCADA
数据的风力发电机组的故障诊断系统，其特征在于，包括：采集模块，用于采集预定时间段内多个预定时间点的风速值
、
桨距角和发电机功率值；转化模块，用于将所述多个预定时间点的风速值
、
桨距角和发电机功率值分别转化为风速输入向量
、
桨距角输入向量和功率输入向量，并将所述风速输入向量的转置向量与所述桨距角输入向量转化为协同作业输入矩阵；特征提取模块，用于将所述协同作业输入矩阵输入由多个混合卷积层组成的深度卷积神经网络模型以得到多尺度协同特征向量，并将所述功率输入向量输入包含多个并行的一维卷积层的多尺度邻域特征提取模块以得到多尺度功率特征向量；特征校正模块，用于分别对所述多尺度协同特征向量和所述多尺度功率特征向量进行基于信息密度差异的特征补偿以得到校正后多尺度协同特征向量和校正后多尺度功率特征向量；判断模块，用于计算所述校正后多尺度协同特征向量相对于所述多尺度功率特征向量的响应性估计以得到分类特征矩阵，并将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示风力发电机组的状态是否正常
。2.
根据权利要求1所述的基于
SCADA
数据的风力发电机组的故障诊断系统，其特征在于，所述特征提取模块，还包括：使用所述深度卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：使用具有第一尺寸的第一卷积核对所述输入数据进行卷积处理以得到第一特征图；使用具有第一空洞率的第二卷积核对所述输入数据进行卷积处理以得到第二特征图；使用具有第二空洞率的第三卷积核对所述输入数据进行卷积处理以得到第三特征图；使用具有第三空洞率的第四卷积核对所述输入数据进行卷积处理以得到第四特征图；将所述第一特征图
、
所述第二特征图
、
所述第三特征图和所述第四特征图进行级联聚合以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述深度卷积神经网络模型的最后一层的输出为所述多尺度协同特征向量，所述深度卷积神经网络模型的第一层的输入为所述协同作业输入矩阵
。3.
根据权利要求1所述的基于
SCADA
数据的风力发电机组的故障诊断系统，其特征在于，所述特征提取模块，还包括：第一尺度功率特征提取单元，用于将所述功率输入向量输入所述包含多个并行的一维卷积层的多尺度邻域特征提取模块的第一卷积层以得到第一尺度功率特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度功率特征提取单元，用于将所述功率输入向量输入所述包含多个并行的一维卷积层的多尺度邻域特征提取模块的第二卷积层以得到第二尺度功率特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度级联单元，用于将所述第一尺度功率特征向量和所述第二尺度功率特征向量进行级联以得到所述多尺度功率特征向量
。4.
根据权利要求3所述的基于
SCADA
数据的风力发电机组的故障诊断系统，其特征在于，所述第一尺度功率特征提取单元，还包括：使用所述包含多个并行的一维卷积层的多尺
度邻域特征提取模块的第一卷积层以公式
(1)
对所述功率输入向量进行一维卷积编码以得到所述第一尺度功率特征向量；其中，所述公式
(1)
为：其中，
a
为第一卷积核在
x
方向上的宽度
、F(
α
)
为第一卷积核参数向量
、G(x
‑
a)
为与卷积核函数运算的局部向量矩阵，
w
为第一卷积核的尺寸，
X
表示所述功率输入向量
。
所述第二尺度功率特征提取单元，进一步用于：使用所述包含多个并行的一维卷积层的多尺度邻域特征提取模块的第二卷积层以公式
(2)
对所述功率输入向量进行一维卷积编码以得到所述第二尺度功率特征向量；其中，所述公式
(2)
为：其中，
b
为第二卷积核在
x
方向上的宽度
、F(b)
为第二卷积核参数向量
、G(x
‑
b)
为与卷积核函数运算的局部向量矩阵，
m
为第二卷积核的尺寸，
X
表示所述功率输入向量
。5.
根据权利要求1所述的基于
SCADA
数据的风力发电机组的故障诊断系统，其特征在于，所述特征校正模块，还包括：第一高频增强蒸馏因数计算单元，用于以公式
(3)
计算所述多尺度协同特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述多尺度协同特征向量的加权权重；其中，所述公式
(3)
为：其中
v
1i
表示所述多...

【专利技术属性】
技术研发人员：周峰，魏丹，杨政厚，韩健，陈兆圣，王兵，许庆现，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：