1.本发明涉及风力发电的技术领域，尤其是涉及一种基于改进栈式自编码的风电机组发电机健康评估方法。
背景技术：
2.风电机组发电机结构复杂，在运行中会受风速、机械等复杂因素的影响，导致其内部承受的压力较大，故障率高，不便于维修。由发电机及其相关设备造成的停机时间占风电机组总故障停机时间的23.2％，这已经成为影响发电机组经济性的重要因素。
3.对即将发生的故障进行预警，采用预见性维护模式进行风电机组发电机维护是一种高效的、节约成本的方式。目前的风机部分状态建模主要采用2种方法，基于物理模型的方法与基于数据驱动的方法。与基于物理模型的方法相比，基于数据驱动的方法限制较少，不用深入了解故障过程。通过数据采集技术，风场的运营维护人员可以得到大量的风机运行数据，这为基于数据驱动的风机状态分析提供了基础。
4.在基于数据驱动的各种状态监测方法中，通过采用监视控制和数据采集系统中的风机运行数据来训练预测模型，进而对风机部件进行实时状态监测已被证明是一种高效的方式。wang等是k近邻、岭回归、支持向量机、浅层神经网络、深度神经网络作为故障诊断，经过比较各模型的残差，证明了深度神经网络的诊断精度最高，说明了深度神经网络在处理风电数据上的优越性。然而，上述模型虽然达到了诊断的目的，但模型的构建过程繁琐，并且只利用单一的变量残差来评估部件的健康程度，不能达到全面评估的效果。
5.栈式自编码器作为一种实现简单的深度神经网络，可在多维数据中提取隐含特征。zhao等使用栈式自编码器第风机scada数据进行分析，通过多维数据提取风机运行特征，根据重构误差及各变量残差的走势推断出风电机组的潜在故障位置，诊断结果更加全面。上述方法验证了栈式自编码器处理风电数据的可能性，但只是通过设定阈值来识别故障，不能够得到故障的发生概率，并且阈值的设定直接影响了诊断效果，风场运维人员无法很好地把握。
技术实现要素：
6.本发明的目的在于克服上述现有技术存在的缺陷，提供了一种基于改进栈式自编码的风电机组发电机健康评估方法，本发明的健康评估模型更加灵敏直观，能够在故障发生前检测出故障趋势。
7.本发明提供一种基于改进栈式自编码的风电机组发电机健康评估方法，采用如下的技术方案：
8.s1：获取训练数据集：
9.对风电机组发电机运行数据进行清洗后再进行线性归一化处理，得到有效的训练数据和测试数据，然后对栈式自编码模型进行训练、测试，
10.s2：构建多个栈式自编码器模型：
11.s3：对每个栈式自编码器模型进行训练；
12.s4：集成提取训练数据集的深度特征；
13.s5：将训练好的基准模型作为发电机在线状态检测器，并将册数数据输入到基准模型中，得到每个时间段内风电机组发电机的健康度并输出。
14.可选的，风电机组发电机运行数据为风机scada数据。
15.可选的，所述线性归一化处理公式如下：
[0016][0017]
其中，z'是归一化后的标准数据，z为归一化前的原始数据，z
min
和z
max
分别为原始数据集中的最小值和最大值。
[0018]
可选的，构建多个栈式自编码器模型具体为：构建n个栈式自编码器模型，其中，第n个栈式自编码器模型中自编码器模型的个数为ln，第k个自编码器的编号为隐含层为n≥2，n＝1，2，
···
，n,ln≥2,k＝1，2，
···
，ln[0019]
可选的，对每个栈式自编码器模型进行训练具体为：
[0020]
(3.1)令n＝1，k＝1；
[0021]
(3.2)将训练数据集作为第n个栈式自编码器模型编号为的自编码器模型的输入，对编号为的自编码器模型进行训练，得到隐含层为的自编码器模型；
[0022]
(3.3)将编号为的自编码器模型的隐含层作为编号为的自动编码器模型的输入，对编号为的自编码器模型进行训练，得到训练后的编号为的自动编码器；
[0023]
(3.4)将作为编号为的自编码器模型的隐含层，并令重复执行步骤(3.3)-(3.4)，直到k＝n+1,重复步骤(3.2)-(3.4)，知道n＝n,得到n个训练后的栈式自编码器模型。
[0024]
可选的，集成提取训练数据集的深度特征具体为：
[0025]
(4.1)将n个训练后的栈式自编码器模型中编号为的自编码器模型的隐含层作为从训练数据集中所学习到的性能特征，将n组性能特征进行合并，构成风电机组发电机退化混合特征集合；
[0026]
(4.2)对性能退化混合特征集合中的性能特征进行聚类，得到各类性能特征的聚类簇心；
[0027]
(4.3)根据相关性计算公式，计算风电机组发电机性能退化混合特征集合中每个性能特征与其所属类的聚类簇心之间的相关系数，并将相关系数大于预先设置阈值的性能特征作为训练数据集的深度特征
[0028]
综上所述，本发明包括以下至少一种有益效果：第一，本发明在提取风电机组发电机深度特征时，通过构建多个不同的堆栈式自编码器模型，从多个角度提取风电机组发电
机的性能特征，并通过对性能特征进行聚类，剔除不相关特征和冗余特征，筛选出更具代表性的深度特征子集，从而有效地提高了模型的泛化能力，在保证健康评估结果客观性的前提下提高了准确性。
[0029]
第二，本发明采用多个栈式自编码器模型提取风电机组发电机的性能特征，该过程中，自编码器模型通过对输入数据反复地执行编码、解码等重构过程，自适应地学习数据的隐含信息，并将提取的特征保留在隐含层中，栈式自编码器模型通过对自编码器模型进行堆叠，自适应地学习风电机组发电机性能的深度特征，健康评估模型更加灵敏直观、能够再故障发生前检测出故障趋势。
具体实施方式
[0030]
实施例一：
[0031]
本发明实施例一公开一种基于改进栈式自编码的风电机组发电机健康评估方法，包括以下步骤：
[0032]
s1：获取训练数据集：
[0033]
对风电机组发电机运行数据进行清洗后再进行线性归一化处理，风电机组发电机运行数据为风机scada数据。所述线性归一化处理公式如下：
[0034][0035]
其中，z'是归一化后的标准数据，z为归一化前的原始数据，z
min
和z
max
分别为原始数据集中的最小值和最大值。
[0036]
得到有效的训练数据和测试数据，然后对栈式自编码模型进行训练、测试，
[0037]
s2：构建多个栈式自编码器模型；
[0038]
构建多个栈式自编码器模型具体为：构建n个栈式自编码器模型，其中，第n个栈式自编码器模型中自编码器模型的个数为ln，第k个自编码器的编号为隐含层为n≥2，n＝1，2，
···
，n,ln≥2,k＝1，2，
···
，ln。
[0039]
s3：对每个栈式自编码器模型进行训练；
[0040]
(3.1)令n＝1，k＝1；
[0041]
(3.2)将训练数据集作为第n个栈式自编码器模型编号为的自编码器模型的输入，对编号为的自编码器模型进行训练，得到隐含层为的自编码器模型；
[0042]
(3.3)将编号为的自编码器模型的隐含层作为编号为的自动编码器模型的输入，对编号为的自编码器模型进行训练，得到训练后的编号为的自动编码器；
[0043]
(3.4)将作为编号为的自编码器模型的隐含层，并令重复执行步骤(3.3)-(3.4)，直到k＝n+1,重复步骤(3.2)-(3.4)，知道n＝n,得到n个训练后的栈式自编码器模型。
[0044]
s4：集成提取训练数据集的深度特征；
[0045]
(4.1)将n个训练后的栈式自编码器模型中编号为的自编码器模型的隐含层作为从训练数据集中所学习到的性能特征，将n组性能特征进行合并，构成风电机组发电机退化混合特征集合；
[0046]
(4.2)对性能退化混合特征集合中的性能特征进行聚类，得到各类性能特征的聚类簇心；
[0047]
(4.3)根据相关性计算公式，计算风电机组发电机性能退化混合特征集合中每个性能特征与其所属类的聚类簇心之间的相关系数，并将相关系数大于预先设置阈值的性能特征作为训练数据集的深度特征。
[0048]
s5：将训练好的基准模型作为发电机在线状态检测器，并将册数数据输入到基准模型中，得到每个时间段内风电机组发电机的健康度并输出。
[0049]
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。