基于深度自编码模型的风电机组叶片故障监控方法及系统与流程

本发明涉及风电机组故障监控技术领域，特别是涉及一种基于深度自编码模型的风电机组叶片故障监控方法及系统。

背景技术：

风力发电机组是暴露在各种严酷天气和环境中的分布式电力系统。与传统的发电技术相比，风电机组的故障率更高。叶片是风电机组的重要部件，叶片故障会造成严重的经济损失并产生安全隐患。

当前对叶片的监控主要基于通过另外安装传感器采集实时数据进行监控。这种方法有三个缺点：第一，安装传感器增加投资成本；第二，安装传感器增加了风电机组的复杂性，会增加维护成本；第三，传感器随着使用会出现退化，传感器退化会影响信号的准确性，进而影响这种监控方式的可靠性。因此，不依靠另外安装传感器的叶片监控方式是十分有价值的。

监测控制和数据采集(supervisorycontrolanddataacquisition，简称scada)系统被广泛部署于风场。然而，当前的scada系统采集的数据并不包含叶片状况参数，不能直接反应叶片状况，同时目前也没有能从scada系统采集的数据诊断叶片状况的有效方法。

因此，如何创设一种成本低、可靠性高的新的风电机组叶片故障监控方法及系统，是本领域技术人员亟待解决的问题。

技术实现要素：

本发明的目的是提供一种成本低、可靠性高的基于深度自编码模型的风电机组叶片故障监控方法及系统，以克服现有的基于另外安装传感器的叶片监控方法，增加投资成本和运营成本，并且随着传感器老化影响可靠性的问题。

为实现上述目的，本发明采用如下技术方案：

基于深度自编码模型的风电机组叶片故障监控方法，包括如下步骤：步骤一：获取风电机组的scada实时数据；步骤二：将所述实时数据作为原始输入值x输入到深度自编码模型中，通过所述深度自编码模型计算并输出重构输入值；步骤三：计算所述原始输入值x和重构输入值之间的重构误差re；步骤四：通过监视所述重构误差的变化对风电机组叶片状态进行监控。

作为本发明的改进，所述深度自编码模型通过下述步骤构建：a、获取风电场风电机组的scada数据，排除无效数据并合并有效数据来建立训练数据集；b、建立深度自编码模型，所述深度自编码模型为具有输入层、多重隐层和输出层的对称深度神经网络模型；c、用训练数据集的数据对所述深度神经网络模型进行训练；d、验证所述深度神经网络模型是否有效，并在确认有效后存储该模型。

步骤c中训练所述深度神经网络模型包括采用受限玻尔兹曼机的预训练过程和采用反向传播算法的微调过程。

所述重构误差re通过下式计算：

所述步骤四中采用ewma控制图表对所述重构误差的变化进行监视，当ewma值超过阈值时进行叶片故障预警。

基于深度自编码模型的风电机组叶片故障监控系统，包括：数据获取模块，用于获取风电机组的scada实时数据；模型计算模块，用于将所述实时数据作为原始输入值x输入到深度自编码模型中，通过所述深度自编码模型计算并输出重构输入值；重构误差计算模块，用于计算所述原始输入值x和重构输入值之间的重构误差re；监视模块：用于通过监视所述重构误差的变化对风电机组叶片状态进行监控。

作为本发明的改进，还包括深度自编码模型构建模块，用于通过以下步骤构建所述的深度自编码模型：a、获取风电场风电机组的scada数据，排除无效数据并合并有效数据来建立训练数据集；b、建立深度自编码模型，所述深度自编码模型为具有输入层、多重隐层和输出层的对称深度神经网络模型；c、用训练数据集的数据对所述深度神经网络模型进行训练；d、验证所述深度神经网络模型是否有效，并在确认有效后存储该模型。

步骤c中训练所述深度神经网络模型包括采用受限玻尔兹曼机的预训练阶段和采用反向传播算法的微调阶段。

所述重构误差计算模块通过下式计算重构误差re：

所述监视模块，具体用于采用ewma控制图表对所述重构误差的变化进行监视，当ewma值超过阈值时进行叶片故障预警。

由于采用上述技术方案，本发明至少具有以下优点：

(1)该风电机组叶片故障监控预警方法，基于风电机组的scada数据进行预警，不需要重新安装传感器，成本低、可靠性高。

(2)用反向传播的方法训练深度神经网络得到的最优值可能是局最优，通过预训练和微调两个阶段对训练深度神经网络可得到全局最优解。

(3)ewma控制图表在连续监视重构误差值过程中，能够有效识别微小的重构误差值移动，同时能够滤除干扰信号。

附图说明

上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。

图1是本发明风电机组叶片故障监控方法的流程图；

图2是建立深度自编码模型的流程图。

具体实施方式

本发明提供了基于深度自编码模型的风电机组叶片故障监控方法，基于scada数据进行叶片故障预警，不需要重新安装传感器，成本低、可靠性高。

本发明的基于深度自编码模型的风电机组叶片故障监控方法，首先，获取风电机组的监测控制和数据采集(supervisorycontrolanddataacquisition，简称scada)系统的实时数据，然后将所述实时数据作为原始输入值输入到深度自编码(deepautoencoder，简称da)模型计算并得出重构输入值，计算原始输入值和重构输入值之间的重构误差(reconstructionerror，简称re)，最后，通过监视所述重构误差的变化对风电机组叶片状态进行监控。

具体的，如图1所示，本发明的基于深度自编码模型的风电机组叶片故障监控方法的步骤如下：

步骤一：获取风电机组的scada实时数据，所述实时数据例如包括风速、功率、发电机转速、叶轮转速、叶片角度、三相电压电流等25个参数；

步骤二：将所述实时数据的多个参数分别作为原始输入值x，输入到da模型中，通过da模型计算并输出重构输入值，所述重构输入值与所述原始输入值一一对应；

步骤三：分别计算一一对应的原始输入值x和重构输入值之间的重构误差re，re的计算公式如下：

步骤四：在叶片发生故障前一个或多个re会发生变化，利用指数加权移动平均数(exponentiallyweightedmovingaverage,简称ewma)控制图表对步骤三中计算得到的所有re的变化进行监视，指数加权移动平均数qt的计算方法如下：

qt＝λret+(1-λ)qt-1(2)

其中，t为时间索引；λ是用来构建ewma控制图表的历史re的权重，λ∈(0,1]；初始值q0是在某一时间段检测到的风电机组re的平均值。

qt的平均数和方差计算如下：

μqt＝μre(3)

其中，μre是同一个风场中所有re的平均值，σre是re的标准差，ns是样本的大小。

ewma控制图表的上限阈值(ucl)和下限阈值(lcl)的计算公式分别如下：

其中，l为用于调节置信区间的系数，可取3或4。

当任意一个re对应的qt低于下限阈值或高于上限阈值时，对叶片故障进行预警；否则判定叶片正常。ewma控制图表在连续监视re的过程中，能够有效识别re的微小变化，同时能够滤除干扰信号。

需要特殊说明的是，步骤四中也可采用例如平均数与极差控制图或中位数与极差控制图等其他控制图表对re的变化进行监视。

如图2所示，上述深度自编码模型的构建步骤如下：

a、获取风电场所有风电机组的scada数据，排除无效数据并合并有效数据来建立训练数据集。

b、建立深度自编码模型，该da模型是具有输入层、多重隐层和输出层的对称深度神经网络(deepneuralnetwork，简称dnn)模型，该dnn模型通过编码和解码建立。

在编码过程中，训练数据集首先被转化为能产生一半对称深度神经网络模型的一系列特征，受限玻尔兹曼机(restrictedboltzmannmachine，简称rbm)被用作在转化过程中的映射模型。编码后得到编码y：

y＝f(x)(7)

式中，f(·)代表的是x的编码过程。

在解码的过程中，编码y通过rbm被迭代地转化回为重构输入值

式中，g(·)代表的是y的解码过程。

函数s作为该dnn模型的激活函数：

式中，e是自然常数，约为2.71828，是一个无限不循环数。

c、用训练数据集的数据对dnn模型进行训练，以得到尽量减小x和差别的权重和偏差：

式中，wl和bl分别为l层的的权重和偏差；m是该dnn模型的隐藏层层数；n是数据集的样本数。

在训练dnn模型过程中，rbm被用来初始化权重和偏差。训练dnn模型包括预训练阶段和微调阶段，在预训练阶段逐层构建rbm以得到每个隐层的权重和偏差，在微调阶段通过反向传播方法得到全局最优解，避免仅用反向传播方法训练dnn模型出现得到的最优值为局最优的现象。

d、通过数据验证dnn模型是否有效，即通过故障机组数据验证模型是否正确预警，通过正常机组数据验证模型是否误报，并在确认有效后存储该模型。

本发明的基于深度自编码模型的风电机组故障监控预警方法，不需要重新安装传感器，基于现有的scada数据，即可有效的对叶片故障进行监控，有益于节约投资成本和运营成本，可靠性高。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。