一种风力发电机三相转子电流微故障诊断方法与流程
本发明涉及一种电流故障诊断方法，特别涉及一种风力发电机三相转子电流微故障诊断方法。
背景技术：
风力发电机组长期以来一直采用计划维修的方式，这种维修方式无法全面、及时地了解设备的运行状况；而事后维修则由于事先的准备不够充分，造成维修工作耗时长、损失严重。近年来，国内外学者对风力发电机的显著故障诊断进行了广泛的研究并取得了良好的效果，但由于正常运行的风电系统也会产生一定程度的波动，导致在系统中发生的微小故障往往会因其征兆较小、信号较微弱而被淹没在噪声或征兆显著的大故障中。这使得传统诊断方法对混有微弱故障的信号处理起来比较困难，因此必须对现有的诊断方法进行有效地改进或建立新的方法才有望实现对微故障的诊断。
技术实现要素：
为了解决上述技术问题，本发明提供一种诊断效率高、诊断精确度高的风力发电机三相转子电流微故障诊断方法。
本发明解决上述问题的技术方案是：一种风力发电机三相转子电流微故障诊断方法，包括以下步骤：
步骤一：基于深度信念网络进行三相转子电流故障信息提取，得到训练数据集、确认数据集和测试数据集；
步骤二：以稀疏贝叶斯极限学习机为基础，增加与输出层相连接的权重模块层，构造双层稀疏贝叶斯极限学习机模型；
步骤三：将配对策略引入多标签分类方法中，创建配对多标签分类方法，并结合双层稀疏贝叶斯极限学习机构建基于微故障诊断算法模型的分类器集；
步骤四：利用训练数据集对微故障诊断算法模型进行训练，并通过确认数据集以及萤火虫算法进行动态寻优迭代，最终确定最优参数，完成微故障诊断算法模型；
步骤五：将测试数据集输入到微故障诊断算法模型中，得到微故障的诊断结果。
上述风力发电机三相转子电流微故障诊断方法，所述步骤一中，用霍尔电流传感器测量风力发电机的三相转子电流，电流信号进行信号调制及模数转换后送入pc终端，pc终端接收到信号后进行深度信念网络故障信息提取，通过模糊聚类和模糊神经元网络将提取的故障信息分为两类，一类为显著故障数据，一类为微小故障数据；将微小故障数据进行分类，分为训练数据集，定义为d1；确认数据集，定义为d2；测试数据集，定义为d3。
上述风力发电机三相转子电流微故障诊断方法，所述步骤二中，具有d个隐含层节点的双层稀疏贝叶斯极限学习机模型为：
其中n为隐含层个数，w为隐含层权值，β为输出层权值，h(θ,xn,j)＝[1,h1(θ1,xn,j),…,hd(θd,xn,j)]t为第j个隐含层节点相对于输入样本xn,j的输出，输入样本xn,j属于训练数据集，hn为输入xn,j的隐含层输出矩阵。
上述风力发电机三相转子电流微故障诊断方法，所述步骤三中，令故障类型集为m，故障模式数目为d个，微故障诊断算法模型的分类器集为c＝(c1,c2,…,cd)，每个分类器cl(l＝1,2,…,d)包括d-1个子分类器cls，其中s≠l,s＝1,2,…,d，cls代表第l种故障模式和第s种故障模式的样本进行训练，由于cls和csl的等效性，故c中子分类器总数为d(d-1)/2，pl表示第l种故障模式的发生概率，定义为：
pls为子分类器cls输出的结果，xls为训练数据集中属于第l种故障模式和第s种故障模式的样本。
上述风力发电机三相转子电流微故障诊断方法，所述步骤四中，利用训练数据集对微故障诊断算法模型进行训练，接下来通过性能评价公式来评价诊断算法；在判断故障发生的概率时，引入判断阈值，在大于该阈值，则判断为发生了故障，否则，判断没有发生该故障；为了得到最优的诊断阈值εj、隐含层权值wj，输出层权值βj，将参数(εj,wj,βj)通过萤火虫算法迭代公式：
上述风力发电机三相转子电流微故障诊断方法，所述步骤四中，性能评估公式为
其中，pil为输入确认样本集的数据xi得到的第l种故障模式的概率；til为输入输入样本集的数据xi对应的第l种故障模式的百分比，n为实际耦合故障模式个数。
本发明的有益效果在于：本发明以三相转子电流为研究载体，基于深度信念网络进行三相转子电流故障信息提取，降低了传统方法由于人工参与导致特征提取的不确定性；然后基于配对多标签分类和双层稀疏贝叶斯极限学习机相结合构造概率分类器集；再将独立的确认样本集、目标函数与智能优化算法结合其来，利用萤火虫算法进行动态寻优迭代确定pmlc-dlelm最优参数，完成微故障诊断算法模型；最后得到微故障的诊断结果；本发明具有诊断效率高、诊断精确度高的优点。
附图说明
图1为本发明的诊断流程图。
图2为本发明特征提取装置的结构图。
图3为本发明建立双层稀疏贝叶斯极限学习机模型的原理图。
图4为本发明构建微故障诊断算法模型的原理图。
图5为本发明应用萤火虫算法进行动态寻优迭代的原理图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示，本发明为一种风力发电机三相转子电流微故障诊断方法，包括以下步骤：
步骤一：基于深度信念网络(dbn)进行三相转子电流故障信息提取。
风电机组主传动链中各类设备的故障可直接反映在风力发电机的定子电流中，而电流信号采集则属于非接触式，如图2所示，采集装置主要包括霍尔电流传感器、信号调理及a/d转换电路、工控机、无线信号发射与接收模块及pc机。
应用霍尔电流传感器测量风力发电机的三相转子电流后进行信号调理及模数转换，信号在工控机中通过无线发射模块和接收模块进行传输，用户通过pc机终端接收信号后进行深度信念网络(dbn)和萤火虫算法-极限学习机(fa-elm)进行故障信息提取。
在对故障样本进行提取时，首先逐层无监督训练dbn模型，然后使用反向微调算法对深度信念网络(dbn)模型进行有监督训练，最后将待测数据集输入到训练好的dbn模型中，记录每个隐含层的输出向量。
深度信念网络(dbn)的训练包括对rbm网络的无监督自训练过程和使用fa-elm算法进行调整训练的过程，采用快速持续对比散度算法(fpcd)对网络模型进行训练。
应用深度信念网络(dbn)对采集数据进行故障特征提取，然后通过模糊聚类和模糊神经元网络将其分为两类，一类为显著故障数据，一类为微小故障数据。本发明主要针对微故障进行研究，对于显著故障可应用深度信念网络(dbn)接进行诊断。
对于微特征向量来说，将样本数据处理后分为三部分：即训练数据集x-train，用来对微故障诊断算法模型进行训练；确认数据集x-vail，通过萤火虫算法(fa)与目标函数f-me建立寻优迭代关系，确定三个最优参数(ε-opt,w-opt,β-opt)；测试数据集x-test，得到微故障的诊断结果。
步骤二：如图3所示，建立双层稀疏贝叶斯极限学习机模型，其中wi为隐含层权值，βj为未知权值。
以稀疏贝叶斯极限学习机(sbelm)为基础，加了与输出层相连接的未知的权重模块层，构造了双层稀疏贝叶斯极限学习机(dlelm)模型，该模型为每个输出权值设置一个超参数，并且在学习阶段通过将部分输出权值调整为0以得到结构简单的隐含层，从而提高学习效率，使模型具有概率输出、高泛化性、稀疏性、快速学习的优点。
具有d个隐含层节点的双层稀疏贝叶斯极限学习机模型为：
其中n为隐含层个数，w为隐含层权值，β为输出层权值，h(θ,xn,j)＝[1,h1(θ1,xn,j),…,hd(θd,xn,j)]t为第j个隐含层节点相对于输入样本xn,j的输出，输入样本xn,j属于训练数据集，hn为输入xn,j的隐含层输出矩阵。
步骤三：如图4所示，由于各个故障模式之间存在一定的相关性，为了提高分类的精确度，本发明将配对策略引入多标签分类方法中，创建配对多标签分类方法，并针对于微故障诊断，构建基于双层稀疏贝叶斯极限学习机的微故障分类器集。
令故障类型集为m，故障模式数目为d个，微故障诊断算法模型的分类器集为c＝(c1,c2,…,cd)，每个分类器cl(l＝1,2,…,d)包括d-1个子分类器cls，其中s≠l,s＝1,2,…,d，cls用属于第l种故障模式和第s种故障模式的样本进行训练，由于cls和csl的等效性，故c中子分类器总数为d(d-1)/2，pl表示第l种故障模式的发生概率，定义为：
pls为子分类器cls输出的结果，xls为训练数据集中属于第l种故障模式和第s种故障模式的样本。
步骤四：如图5所示，利用训练数据集对微故障诊断算法模型进行训练，并通过确认数据集以及萤火虫算法进行动态寻优迭代，最终确定最优参数，完成微故障诊断算法模型。
基于微故障诊断算法模型的分类集生成的结果是一个d维向量p＝(p1,p2,…,pd)，利用训练数据集对微故障诊断算法模型进行训练，接下来通过性能评价公式来评价诊断算法，性能评估公式为
其中，pil为输入确认样本集的数据xi得到的第l种故障模式的概率；til为输入确认样本集的数据xi对应的第l种故障模式的百分比，n为实际耦合故障模式个数。
在判断故障发生的概率时，引入判断阈值，在大于该阈值，则判断为发生了故障，否则，判断没有发生该故障；为了得到最优的诊断阈值εj、隐含层权值wj，输出层权值βj，将参数(εj,wj,βj)通过萤火虫算法迭代公式：
步骤五：通过测试数据集得到微故障的诊断结果。
最后把测试数据集x-test代到已确定结构的微故障诊断算法模型中，进行测试并得到微故障的诊断结果。
- 还没有人留言评论。精彩留言会获得点赞！