一种基于遗传算法的风电机组叶片故障诊断方法与流程

本发明涉及故障诊断方法领域，具体地说，特别涉及到一种基于遗传算法的风电机组叶片故障诊断方法。

背景技术：

近年来，环境污染和能源危机的态势已经愈演愈烈，急需一种绿色环保新能源的出现。风电作为一种可再生、无排放的新能源，已经越来越受到全球各国的重视，这也使得风力发电技术在近些年来得到了蓬勃发展。在我国，风电场的大量建立和投入使用，将是响应政府改善能源结构、应对气候变化的号召，实现传统能源向新能源逐步过渡的具体体现。

除了可再生、无污染以外，风力发电在我国还具有资源丰富，占地面积广，单机容量小等优点。但是，由于风电场通常都建设在偏远地区，还存在技术条件差，环境恶劣等问题。同时，大规模风电机组的投入应用也使其安全稳定性得到了人们的高度重视。由于风电机组长期工作在恶劣的自然环境中，使得风场风况复杂多变，容易引发各种故障的产生。

因此，故障诊断环节是必不可少的。而风机的叶片作为风能捕捉的主要组件之一，除了受到恶劣自然环境的影响，还容易受到因负荷波动和快速变化而产生的疲劳损伤，叶轮偏载等故障，从而导致捕风效率下降，严重者甚至无法继续投入使用。

目前，对于叶片故障诊断，大多采用神经网络的方法。虽然神经网络算法具有准确度高,并行分布处理能力强,分布存储及学习能力强，能充分逼近复杂的非线性关系等优点，但是同时也存在着明显的劣势，如需要提前设定大量阈值和权值，学习时间过长，样本数量庞大时网络过于复杂等。

技术实现要素：

本发明的目的在于针对现有技术中的不足，提供一种简单易行，成本低廉，过程时间短的新型风电机组叶片故障诊断方法，即基于遗传算法的可变K均值风电机组叶片故障诊断方法，从而使故障诊断的过程变得简单可行提高风电机组叶片的安全、可靠性。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种基于遗传算法的风电机组叶片故障诊断方法，包括如下步骤：

1)采集风电机组叶片的故障数据，然后对采集到的风电机组叶片的故障数据进行预处理，得到故障特征信息，并对故障特征信息进行标准化处理；

2)运用主成分分析法PCA对标准化处理后的故障特征信息进行分析，提取出导致风电机组叶片故障的主要特征信息；

3)将提取出的主要特征信息，利用基于遗传算法的可变K均值聚类算法，对要特征信息进行聚类分析，获得风电故障分析结果；

4)将上述风电故障分析结果与故障数据库或专家知识库进行比对，得到最终故障类型的分析结果，最后将分析结果显示在人机交互界面上。

进一步的，所述主成分分析法PCA的步骤如下：

a1)数据标准化，公式为其中则新的输入变量的数据矩阵为

a2)求相关系数矩阵，

其中，r_ij(i，j＝1，2，......，p)为标准化后变量与的相关系数，其计算公式为

a3)求系数矩阵R的特征值和特征向量，记为λ_i＝(i＝1，2，...，p)，对应特征向量为e_i(i＝1，2，...，p)；

a4)计算主成份贡献率、累计贡献率并确定主成分个数。总方差中属于第i个主成分z_i的比例称为贡献率：前i个主成分的贡献率之和称为w₁，w₂，......，w_i的累计贡献率一般取累计贡献率达到85％至95％的特征值所对应的λ₁，λ₂，...，λ_m的第1主成分，第2主成分，……第m(m≤p)个主成分。

a5)计算基于主成分的输入变量数据矩阵z，

进一步的，所述聚类分析的步骤如下：

b1)利用遗传算法的过程，生成初始种群，设定终止条件，即遗传算法迭代次数；

b2)利用K均值算法对筛选出来的个体进行优化，并用优化后的个体取代原来的个体；

b3)对种群中的个体进行选择、交叉、变异操作，并在完成后重新计算K值；

b4)重复步骤b2)和b3)至满足终止条件。

与现有技术相比，本发明的有益效果如下：

1、对采集的风电机组叶片故障数据进行标准化预处理，减少了故障特征信息数值上的差异，使聚类分析的过程变得简便。

2、通过PCA来提取故障信息中的主要特征信息，降低了数据的复杂度，实现了数据不相关和模型简化。

3、使用基于遗传算法的可变K均值聚类算法，提高了故障特征信息聚类分析的有效性，可行性和效率。

附图说明

图1为本发明所述的风电机组叶片故障诊断方法流程示意图。

图2为本发明所述的可变K均值算法的流程示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参见图1和图2，本发明所述的yiz基于遗传算法的可变K均值风电机组叶片故障诊断方法，具体实施过程如下：

步骤一为故障数据监测与采集，即先进行数据采集与标准化，即针对典型的故障情况，对风电机组叶片故障数据进行监测和采集，并对故障数据进行标准化和初步预处理，得到故障特征信息。

步骤二为运用PCA，即主成分分析，提取出导致风电机组叶片故障的主要特征信息。PCA具体操作步骤为：

数据标准化，公式为其中

则新的输入变量的数据矩阵为

(2)求相关系数矩阵，

其中r_ij(i，j＝1，2，......，p)为标准化后变量与的相关系数，其计算公式为

(3)求系数矩阵R的特征值和特征向量，记为λ_i＝(i＝1，2，...，p)，对应特征向量为e_i(i＝1，2，...，p)

(4)计算主成份贡献率、累计贡献率并确定主成分个数。总方差中属于第i个主成分z_i的比例称为贡献率：前i个主成分的贡献率之和称为w₁，w₂，……，w_i的累计贡献率一般取累计贡献率达到85％至95％的特征值所对应的λ₁，λ₂，...，λ_m的第1主成分，第2主成分，……第m(m≤p)个主成分。

(5)计算基于主成分的输入变量数据矩阵z，

步骤三为运用故障聚类模型，即利用基于遗传算法的可变K均值算法进行聚类分析。

步骤四为故障解释机制，即将风电故障分析结果与故障数据库或专家知识库进行比对，得到最终故障类型的分析结果。

步骤五为将结果显示在人机交互界面上。

上述过程为对故障数据聚类分析主过程。

图2是故障信息聚类分析模型，即基于遗传算法的可变K均值算法具体操作图。步骤如下：

步骤一为用PCA进行故障信息的数据预处理。

步骤二为进行染色体编码设计和适应度函数设计。由于风电机组叶片故障具有多维度，数量大的特点，因此，为结合实际情况，本发明采用基于聚类中心的浮点数编码。染色体结构为其中K为基因的长度，为随机产生的聚类中心的个数，为染色体第l+1位的基因，它有n个维度。x_l∈(1,2,...,c),l＝1,2,...,K。适应度函数是用来评价个体，区别个体优劣的标准。本发明的适应度函数采用聚类中的目标函数。

步骤三为初始化信息设定，包括种群生成和终止条件设定。其中，终止条件设定即为规定遗传算法迭代次数，超过即终止。

步骤四为进行选择，交叉和变异操作，并结合K均值算法进行聚类分析。

(1)选择。为了保证适应度函数越大的染色体保留到下一代的概率越大，本文采用了遗传算法中经典的轮盘赌算法选择算子。具体做法如下：

1)进行K均值操作，更新染色体；

2)根据适应度函数，计算当前种群染色体的适应度，并记录其中适应度最大的个体；

3)再根据个体的适应度值来计算各个体的选择概率。

(2)交叉。随机从种群中选择M/2对染色体作为父代，对每对染色体，产生随机数P(0＜P＜1)，当＜P_c时，在两个染色体i,j中随机产生交叉点，对交叉点后的基因进行交叉运算，并重新计算交叉后的染色体长度，直到所有个体进行过交叉为止。

(3)变异。对每一个个体，每一个基因位，产生随机数P，当P＜P_m时，对该基因位进行随机变异运算，生成下一代种群。(其中P_m为交叉概率)。

步骤五为检查染色体长度，当染色体长度大于最大聚类个数时，将这条染色体从种群中删去，否则执行步骤七。

步骤六为以变异并通过检查后产生的染色体基因为中心，重新确K值，进行K均值聚类，然后用K均值聚类的结果来取代原来的染色体中的基因。同时，判断是否满足终止条件，即是否达到预先设定的遗传算法迭代次数。若未达到，则重复到步骤四进行选择，交叉和变异，用K均值优化个体。若到达，输出结果。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。