一种基于SSA-BLS的风电机组故障诊断方法及相关设备与流程

本发明涉及一种基于ssa-bls的风电机组故障诊断方法及相关设备，属于风力发电及智能运维。

背景技术：

1、随着全球清洁能源需求的迅猛增长，风力发电装机容量持续攀升。然而，为获取优质且稳定的风能资源，风电场多选址于偏远地区或海上，长期面临高风速、高湿度、大交变载荷及强腐蚀等恶劣运行环境。风电机组在这种超负荷与极端气候交叠的工况下，极易引发机械及电气部件的疲劳损伤与运行故障。一旦发生重大故障导致停机，受限于交通不便与机组排布分散，维护人员往往难以及时响应，这不仅会造成长期的弃风损失，还会推高运维成本，严重制约风电场的经济效益。

2、目前，新装风电机组普遍配备了数据采集与监视控制（scada）系统，积累了海量的机组运行状态参数，如温度、功率、转速、电压等。基于数据驱动的机器学习算法，已成为当前风电机组故障诊断研究的核心热点。然而，现有技术在实际应用中仍存在以下显著不足：

3、1）传统的深度学习算法，如深度置信网络dbn、深度卷积神经网络等网络结构复杂、参数规模庞大，在处理海量scada数据时训练耗时过长，难以满足实时状态监测与敏捷运维的需求。

4、2）常规的浅层机器学习模型，如bp神经网络、支持向量机svm等泛化能力有限，在处理大样本、多故障分类任务时极易陷入局部最优解，导致诊断准确率不足。此外，此类模型的参数配置，如特征点数、正则化参数等，多依赖专家经验或人工网格搜索，缺乏自适应优化机制。

技术实现思路

1、本发明的目的是提供一种基于ssa-bls的风电机组故障诊断方法及相关设备，通过麻雀搜索算法对宽度学习系统的拓扑结构和待优化参数进行全局寻优，在保持宽度学习系统秒级训练速度的同时，显著提升了多故障类别诊断的准确率与泛化性能。

2、为达到上述目的，本发明是采用下述技术方案实现的。

3、一方面，本发明提供一种基于ssa-bls的风电机组故障诊断方法，包括：

4、获取风电机组scada系统采集的运行数据作为原始输入矩阵；

5、对所述原始输入矩阵执行缺失值剔除、重复值剔除和聚类异常值剔除后，得到清洗后输入矩阵；

6、以所述清洗后输入矩阵作为主成分分析法的输入进行降维，得到低维特征矩；

7、以所述低维特征矩阵作为输入样本集，将所述输入样本集划分出的测试样本子集输入训练完成的宽度学习系统网络，所述宽度学习系统网络根据预先计算出的输出层权重矩阵计算分类输出矩阵，根据所述分类输出矩阵确定各测试样本的故障类别并输出诊断结果；

8、所述训练完成的宽度学习系统网络通过如下方式获得：

9、构建宽度学习系统网络，所述宽度学习系统网络由特征节点矩阵和增强节点矩阵横向拼接构成状态矩阵，并以所述状态矩阵计算所述输出层权重矩阵；

10、以所述输入样本集为适应度函数的计算依据，采用麻雀搜索算法对所述宽度学习系统网络的待优化参数进行全局寻优，输出最优参数组合；

11、以所述最优参数组合配置所述宽度学习系统网络的拓扑结构；

12、以所述输入样本集划分出的训练样本子集作为所述宽度学习系统网络的输入，求解所述输出层权重矩阵，得到所述训练完成的宽度学习系统网络。

13、可选地，所述待优化参数包括特征点数量、增强点数量、特征节点神经元个数、增强节点神经元个数以及正则化系数。

14、将待优化参数明确为特征点数量、增强点数量、特征节点神经元个数、增强节点神经元个数及正则化系数五个具体变量，使麻雀搜索算法的五维寻优空间与bls网络结构形成精确映射，确保寻优结果直接作用于诊断网络的核心拓扑维度，提升优化的针对性。

15、可选地，所述聚类异常值剔除为：以k-means聚类算法对所述运行数据进行聚类划分，识别偏离正常运行功率曲线分布范围的边缘噪点并予以剔除。

16、采用k-means聚类算法对scada运行数据中的边缘噪点进行识别剔除，能够有效分离因限电、风速突变等非故障因素导致的异常数据，避免该部分干扰样本参与后续模型训练，从而提升训练样本集的纯度，为诊断模型的准确率提供数据质量保障。

17、可选地，构建所述宽度学习系统网络为：以所述输入样本集生成特征节点矩阵；以所述特征节点矩阵生成增强节点矩阵；以所述特征节点矩阵和所述增强节点矩阵横向拼接为状态矩阵，所述状态矩阵的行数为所述训练样本子集的样本数量，所述状态矩阵的列数为所述特征节点矩阵和所述增强节点矩阵的列数之和。

18、可选地，所述宽度学习系统的输出层权重矩阵，采用岭回归算法进行伪逆计算，计算公式为：

19、式中，为输出层权重矩阵，λ为正则化系数，i为单位矩阵，a为由特征节点矩阵和增强节点矩阵横向拼接而成的状态矩阵，y为期望输出矩阵，为状态矩阵的转置矩阵。

20、通过岭回归算法进行伪逆计算得到输出层权重矩阵，引入正则化系数对状态矩阵的条件数进行正则化约束，有效抑制了因状态矩阵非方阵或病态矩阵所导致的伪逆求解过拟合问题，提升了模型在测试集上的泛化性能。

21、可选地，所述麻雀搜索算法中，将麻雀种群按预设比例分为生产者和乞食者，并随机分配侦查者；所述生产者根据适应度值的高低确认觅食方向并更新自身空间位置；所述乞食者跟随适应度值最高的生产者更新自身空间位置；所述侦查者在种群空间位置更新过程中触发反捕食预警并随机更新自身空间位置。

22、将麻雀种群按照生产者、乞食者和侦查者的角色进行分工协作，生产者负责全局搜索开拓新区域，乞食者负责在优质区域局部细化开发，侦查者负责触发反捕食预警以跳出局部极值，三者协同使种群在全局探索与局部开发之间保持动态平衡，提升了寻优过程的收敛速度和解的质量。

23、可选地，所述麻雀搜索算法以验证样本集上的分类准确率作为所述适应度值，并以最大化所述分类准确率为收敛目标；响应于迭代次数达到预设最大值或适应度值不再提升，判定满足收敛条件。

24、以验证集分类准确率作为适应度值并以最大化该值为收敛目标，使得寻优过程与诊断任务的实际评价指标直接对齐，消除了代理目标与实际性能之间的偏差；明确的迭代终止条件使寻优过程具有可操作性和可控性。

25、第二方面，本发明提供一种基于ssa-bls的风电机组故障诊断系统，包括：

26、数据采集接口，用于接入风电机组scada系统并获取机组的运行数据；

27、数据预处理模块，其输入端连接所述数据采集接口的输出端，用于对所述原始输入矩阵执行缺失值剔除、重复值剔除和聚类异常值剔除后，得到清洗后输入矩阵；并以所述清洗后输入矩阵作为主成分分析法的输入进行降维，得到低维特征矩阵；

28、诊断模块，其输入端连接所述数据预处理模块的输出端，用于将所述低维特征矩阵作为输入样本集，将所述输入样本集划分出的测试样本子集输入训练完成的宽度学习系统网络，所述宽度学习系统网络根据预先计算出的输出层权重矩阵计算分类输出矩阵，根据所述分类输出矩阵确定各测试样本的故障类别并输出诊断结果；

29、网络构建模块，用于构建宽度学习系统网络，所述宽度学习系统网络由特征节点矩阵和增强节点矩阵横向拼接构成状态矩阵，并以所述状态矩阵计算所述输出层权重矩阵；

30、参数寻优模块，其输入端分别连接所述数据预处理模块的输出端和所述网络构建模块的输出端，用于以所述输入样本集为适应度函数的计算依据，采用麻雀搜索算法对所述宽度学习系统网络的待优化参数进行全局寻优，输出最优参数组合；

31、网络构建及训练模块，其输入端分别连接所述数据预处理模块的输出端和所述参数寻优模块的输出端，用于以所述最优参数组合配置所述宽度学习系统网络的拓扑结构；以所述输入样本集划分出的训练样本子集作为所述宽度学习系统网络的输入，求解所述输出层权重矩阵，得到所述训练完成的宽度学习系统网络，并输出至所述诊断模块；

32、诊断展示终端，其输入端连接所述诊断模块的输出端，用于接收并显示所述诊断结果。

33、通过数据采集接口、数据预处理模块、参数寻优模块、网络构建模块、诊断模块和诊断展示终端的有机构成，形成了从原始scada数据接入到故障诊断结果输出的全自动化闭环链路。各模块之间的数据流转关系与前述方法步骤逐一对应，确保该系统在部署于风电场实际运维环境时，能够以极低的端到端延迟完成从数据采集到告警输出的全流程诊断，无需人工干预超参数配置或模型调优，显著提升了风电场集控运维的自动化水平和故障响应速度。

34、可选地，所述网络构建模块包括特征节点生成单元、增强节点生成单元和状态矩阵拼接单元；所述特征节点生成单元用于将所述低维特征数据随机映射为特征节点矩阵，所述增强节点生成单元用于将所述特征节点矩阵非线性变换为增强节点矩阵，所述状态矩阵拼接单元用于将所述特征节点矩阵和所述增强节点矩阵横向拼接为所述状态矩阵。

35、将网络构建模块进一步细化为特征节点生成单元、增强节点生成单元和状态矩阵拼接单元，三个单元分别执行特征映射、增强变换和横向拼接三个独立功能，在系统架构层面实现了bls网络构建过程的模块化解耦，便于系统后续维护升级。

36、第三方面，本发明提供一种风电机组故障诊断设备，包括：

37、存储器，用于存储计算机程序；

38、处理器，用于执行所述计算机程序以实现前述任一项所述的基于ssa-bls的风电机组故障诊断方法的步骤。

39、与现有技术相比，本发明所达到的有益效果：本发明采用宽度学习系统作为核心诊断网络，通过随机映射生成低维特征矩阵、再经非线性变换生成的拓扑结构，替代了传统深度学习依赖多层反向传播迭代优化的训练范式，该结构使得输出层权重矩阵可通过伪逆计算一步求解，从根本上消除了梯度链式传导所带来的迭代开销；在此基础上，本发明引入麻雀搜索算法对宽度学习系统的特征点数量、增强点数量、节点神经元个数及正则化系数进行全局寻优，克服了传统bls依赖人工经验或网格搜索设定超参数所导致的模型性能不稳定问题。由此，本发明在将模型训练耗时压缩至秒级甚至更短的同时，确保了超参数组合在全局意义上的最优性，从而同步实现了故障诊断的高实时性与高准确率。