基于人工智能的新能源电站设备智能诊断系统的制作方法

本技术实施例涉及设备状态监测，尤其涉及一种基于人工智能的新能源电站设备智能诊断系统。

背景技术：

1、现有的新能源电站设备智能诊断技术无法有效区分设备本身的健康状态变化与外部环境扰动的影响，当风电场遭遇沙尘暴或极端天气时，环境因素引起的传感器数据波动往往被误判为设备故障，导致大量不必要的停机检修；而真正的早期故障信号却可能被环境噪声掩盖，错失最佳维护时机，最终演变为重大设备损坏。其次，现有系统普遍采用单一诊断模型应对所有工况，在光伏电站从清晨微弱光照到正午强烈日照的工况切换过程中，或者风力发电机从微风到强风的负载变化过程中，模型往往表现出明显的适应性不足，在某些特定工况下诊断精度大幅下降，甚至出现系统性的误判。更为严重的是，当前技术缺乏对诊断结果可信度的量化评估机制，运维人员面对系统给出的故障预警时，无法判断其可靠程度，往往陷入“信则过度维护、不信则承担风险”的两难境地。此外，现有诊断系统在部署后基本保持静态状态，缺乏根据实际运行反馈进行自我优化的能力，随着设备老化、工况变化和新型故障模式的出现，系统性能逐渐退化，误报和漏报问题日益突出。同时，这些系统对海量历史运行数据和故障案例的利用效率极低，无法有效识别和复用相似的历史工况模式，导致每次诊断都相对独立，无法形成经验积累和知识传承，严重制约了新能源电站运维智能化水平的提升，增加了运营成本和安全风险。

2、鉴于此，本发明提出基于人工智能的新能源电站设备智能诊断系统以解决上述问题。

技术实现思路

1、为此，本发明提供一种基于人工智能的新能源电站设备智能诊断系统，用以克服现有技术中对新能源电站设备在多变工况下的故障诊断准确性低、自适应能力差且无法有效利用历史数据进行持续学习的问题。

2、为实现上述目的，本发明提供一种基于人工智能的新能源电站设备智能诊断系统。包括：

3、数据采集与预处理模块，用于从新能源电站设备获取多源传感数据，并对所述多源传感数据执行工况特征提取与数据解耦处理，以生成工况波动因子和解耦特征数据；

4、模型库构建与更新模块，用于基于历史采集的多源传感数据构建历史特征分布空间以及诊断模型库，并计算所述历史特征分布空间中各数据点的历史局部密度；

5、置信度计算模块，用于根据所述解耦特征数据在所述历史特征分布空间中的分布关系，并结合所述工况波动因子，计算所述解耦特征数据对应的特征置信度；

6、动态路由匹配模块，用于基于所述特征置信度以及所述解耦特征数据在所述历史特征分布空间中的实时邻域密度，从所述诊断模型库中动态路由匹配出目标诊断模型；

7、诊断执行与校正模块，用于将所述解耦特征数据输入至所述目标诊断模型，生成所述新能源电站设备的诊断结果，并依据所述诊断结果以及从所述新能源电站设备获取的验证时延数据，对所述目标诊断模型进行权值动态校正；

8、存储模块，用于存储所述历史特征分布空间、所述诊断模型库、所述特征密度、所述诊断结果以及所述验证时延数据。

9、进一步地，所述数据采集与预处理模块生成工况波动因子和解耦特征数据，其中，

10、将所述多源传感数据分解为稳态分量与瞬态分量，并从所述瞬态分量中提取工况波动因子；

11、计算所述稳态分量在所述工况波动因子对应的工况区间内的基准特征均值；

12、利用所述工况波动因子对所述稳态分量进行自适应对消，剔除由所述外部环境扰动引起的特征漂移，生成所述解耦特征数据。

13、进一步地，所述模型库构建与更新模块构建历史特征分布空间以及诊断模型库，其中，

14、获取历史时间段内从所述新能源电站设备采集的多组历史传感数据，并对每组历史传感数据分别执行所述工况特征提取与数据解耦处理，得到对应的历史工况波动因子和历史解耦特征数据；

15、基于所有历史解耦特征数据构建所述历史特征分布空间，并计算每个历史解耦特征数据在所述历史特征分布空间中的局部密度作为所述特征密度；

16、对所述历史解耦特征数据按照其对应的历史工况波动因子进行聚类，得到多个工况类别，并为每个工况类别训练或分配一个对应的诊断子模型，所有诊断子模型构成所述诊断模型库。

17、进一步地，所述模型库构建与更新模块计算所述历史特征分布空间中各数据点的历史局部密度，其中，

18、对于所述历史特征分布空间中的任一候选数据点，以所述候选数据点为中心，在所述历史特征分布空间中确定动态半径邻域；

19、确定落入所述动态半径邻域内的邻近数据点的数量，并计算各邻近数据点与所述候选数据点之间的平均核距离；

20、根据所述邻近数据点的数量与所述平均核距离的比值，确定所述候选数据点的局部可达密度，作为所述特征密度。

21、进一步地，所述置信度计算模块计算所述解耦特征数据对应的特征置信度，其中，

22、计算所述解耦特征数据至所述历史特征分布空间中心点的马氏距离；

23、获取当前时刻的工况波动因子强度，并基于所述工况波动因子强度确定置信度惩罚系数；

24、利用所述置信度惩罚系数对所述马氏距离进行修正，得到修正距离，并将所述修正距离输入映射函数，输出所述解耦特征数据的特征置信度。

25、进一步地，所述动态路由匹配模块从所述诊断模型库中动态路由匹配出目标诊断模型，其中，

26、获取所述诊断模型库中各候选诊断模型对应的工况域簇的中心特征密度；

27、计算所述解耦特征数据的特征密度与各所述中心特征密度的密度偏差值，并结合所述特征置信度，计算各候选诊断模型的适配度评分；

28、选取所述适配度评分最高的候选诊断模型作为所述目标诊断模型；

29、若所述适配度评分最高值低于预设路由阈值，则触发模型融合机制以生成融合诊断模型作为所述目标诊断模型。

30、进一步地，所述触发模型融合机制以生成融合诊断模型作为所述目标诊断模型，其中，

31、在所述适配度评分中选取排名前预设数量个候选诊断模型；

32、分别计算所述解耦特征数据至所述排名前预设数量个候选诊断模型对应的工况域簇边界的边界距离；

33、基于所述边界距离的倒数确定各候选诊断模型的融合权重；

34、基于所述融合权重，对所述排名前预设数量个候选诊断模型的输出层参数进行加权聚合，生成所述融合诊断模型。

35、进一步地，所述诊断执行与校正模块对所述目标诊断模型进行权值动态校正，其中，

36、获取所述诊断结果对应的预测故障类型，并监测在所述诊断结果输出后的预设时间窗口内是否出现与所述预测故障类型一致的真实故障标签；

37、若出现，则计算所述诊断结果输出时间与所述真实故障标签出现时间的时间差，作为所述验证时延数据；

38、构建包含时延衰减因子的定制损失函数，其中所述时延衰减因子与所述验证时延数据成反比；

39、基于所述定制损失函数，对所述目标诊断模型中各特征通道的注意力权值进行反向传播校正。

40、进一步地，在监测所述预设时间窗口内是否出现与所述预测故障类型一致的真实故障标签之后，还包括：

41、若在所述预设时间窗口内未出现与所述预测故障类型一致的真实故障标签，则将所述诊断结果标记为误报样本；

42、提取所述误报样本对应的解耦特征数据的特征通道激活分布，并将所述特征通道激活分布中激活强度超过预设激活阈值的通道标记为干扰通道；

43、对所述目标诊断模型中所述干扰通道的注意力权值执行降权校正操作。

44、进一步地，所述模型库构建与更新模块还用于对所述诊断模型库进行增量更新，其中，

45、当新增解耦特征数据在所述历史特征分布空间中的实时邻域密度低于预设稀疏阈值，且所述新增解耦特征数据与所有已有工况域簇边界的距离均大于预设边界距离阈值时，将所述新增解耦特征数据标记为新工况种子点；

46、以所述新工况种子点为核心，收集后续预设时间段内落入其邻域范围内的新增解耦特征数据，形成新工况数据簇；

47、基于所述新工况数据簇训练生成新诊断子模型，并将所述新诊断子模型添加至所述诊断模型库中；

48、将所述新工况数据簇对应的特征分布合并至所述历史特征分布空间，并更新受影响区域的特征密度。

49、与现有技术相比，本发明的有益效果在于，本发明通过采用经验模态分解将多源传感数据分解为稳态分量与瞬态分量，从瞬态分量中提取能量密度与变异系数加权融合的工况波动因子，量化外部环境扰动强度；然后基于工况波动因子划分工况区间，计算各区间内稳态分量的基准特征均值；最后利用工况波动因子对稳态分量进行自适应对消处理，从原始特征中剔除由外部环境扰动引起的特征漂移，生成与工况解耦的纯净设备状态特征。有效解决了新能源电站设备在多变工况下传感数据受环境扰动严重、特征表示不稳定、故障信息易被掩盖的问题，使得提取的解耦特征数据能够真实反映设备自身健康状态，消除了风速突变、辐照度变化、温度波动等外部因素对诊断准确性的干扰。

50、进一步地，本发明首先对历史传感数据进行与实时数据一致的工况特征提取与数据解耦处理，确保了历史数据与实时数据处于同一特征表示空间；然后基于所有历史解耦特征数据构建历史特征分布空间，并采用动态半径邻域的局部可达密度计算方法，通过计算候选数据点与其第k个最近邻的距离确定动态半径，统计邻域内邻近点数量并计算平均核距离，将两者比值作为特征密度，实现了对特征空间局部聚集程度的自适应度量，避免了固定半径在稀疏区域估计不足、在密集区域估计过大的问题；最后按照历史工况波动因子对历史解耦特征数据进行聚类，将数据按外部扰动强度自然分组，为每个工况类别训练或分配对应的诊断子模型，构成工况自适应的诊断模型库。有效解决了新能源电站设备在多变工况下单一诊断模型泛化能力不足的问题，使得系统能够根据当前工况条件快速定位到适用的诊断子模型，显著提升了不同环境扰动强度下的故障识别准确性。

51、进一步地，本发明首先构建基于历史正常运行数据的多维特征分布空间作为基准模型，通过计算当前解耦特征数据至分布空间中心点的马氏距离，利用协方差矩阵逆变换量化特征偏离程度并考虑特征间相关性；然后基于当前工况波动因子强度，通过负指数函数动态确定置信度惩罚系数，实现对外部环境扰动程度的自适应响应；最后利用惩罚系数修正马氏距离，综合反映了当前设备状态的可信程度。动态路由匹配模块在此基础上，采用局部密度估计算法计算当前解耦特征数据的特征密度，获取诊断模型库中各候选诊断模型对应工况域簇的中心特征密度，计算密度偏差值并加权特征置信度得到各模型的适配度评分，选取评分最高的候选模型作为目标诊断模型；当最高评分低于预设路由阈值时触发模型融合机制，通过多模型融合提高诊断准确性。有效解决了传统诊断系统在多变工况下缺乏置信度评估、模型选择僵化、边界区域诊断可靠性差的问题，使得系统能够根据数据质量和环境条件动态调整诊断策略，显著提升了诊断结果的可信度和复杂工况下的鲁棒性。

52、进一步地，本发明首先在适配度评分中选取排名前预设数量个候选诊断模型，采用支持向量机边界识别技术计算解耦特征数据至各模型工况域簇边界的边界距离，基于边界距离的倒数确定融合权重，最后对候选诊断模型的输出层参数进行加权聚合生成融合诊断模型，有效解决了单一模型在工况边界区域诊断可靠性差的问题，提升了复杂工况下的诊断鲁棒性。权值动态校正机制通过建立诊断结果跟踪机制，获取预测故障类型并监测预设时间窗口内的真实故障标签，计算诊断输出与故障出现的时间差作为验证时延数据，构建包含时延衰减因子的定制损失函数，该衰减因子与验证时延成反比，通过反向传播校正目标诊断模型中各特征通道的注意力权值，使模型对早期微弱故障特征的敏感度持续提升，实现了诊断时效性的自我优化。误报处理机制在预设时间窗口内未出现真实故障标签时将诊断结果标记为误报样本，提取解耦特征数据的特征通道激活分布，将激活强度超过预设阈值的通道标记为干扰通道，并对干扰通道的注意力权值执行降权校正操作，形成了误报样本驱动的精细化模型调优路径。