一种基于深度学习网络的风电机组变桨故障诊断方法与流程

本发明涉及一种基于深度学习网络的风电机组变桨故障诊断方法，属于风电机组故障诊断。

背景技术：

1、随着风电产业的快速发展，风电机组逐渐向大型化、智能化方向发展，双馈异步风电机组和直驱永磁风电机组成为主流机型。变桨系统作为风电机组的核心辅助系统，负责调节叶片桨距角，实现风能的高效捕获和机组的安全运行，其运行状态直接影响风电机组的可靠性和发电效率。

2、目前，风电场大多建于偏远山区、近海及远海区域，变桨系统运行环境恶劣，受温度、湿度、盐雾、湍流等自然因素影响，加上风况和电网状况的随机波动，导致变桨系统故障频发，常见故障包括变桨角度不同步、变桨转矩异常、变桨电机故障及齿形带断裂等。其中，齿形带断裂故障由于应力疲劳累积导致，难以通过直观观察发现，故障发生后会导致叶片角度调节失控，严重时造成叶片折断，给风电场带来巨大的经济损失。

3、现有风电机组变桨故障诊断方法主要包括基于机理分析的方法和传统机器学习方法。基于机理分析的方法需要深入掌握变桨系统的结构和故障机理，对复杂故障的适应性较差；传统机器学习方法，如反向传播（back propagation，bp）神经网络、支持向量机（support vector machine，svm），受限于特征提取能力，在故障数据样本少、类间分布不均的情况下，诊断准确率低、泛化能力弱，难以满足实际工程需求。

技术实现思路

1、本发明的目的在于提供一种基于深度学习网络的风电机组变桨故障诊断方法，能够提升变桨故障诊断的精准度和可靠性。

2、为达到上述目的，本发明提供如下技术方案：

3、第一方面，本发明提供一种基于深度学习网络的风电机组变桨故障诊断方法，包括：

4、获取风电机组数据采集与监视控制系统中变桨相关的运行参数数据，构建原始数据集，运行参数包括工况参数、环境参数和状态参数；

5、对原始数据集进行特征工程处理，得到处理后的数据集；

6、构建用于对变桨系统的运行状态进行分类识别的深度神经网络故障分类模型和卷积神经网络故障分类模型；

7、采用带梯度惩罚项的生成对抗网络对处理后的数据集进行扩充，生成与处理后的数据集中原始数据分布一致的扩充样本数据；

8、将处理后的数据集与扩充样本数据混合，按比例划分为训练集和测试集，分别输入深度神经网络故障分类模型和卷积神经网络故障分类模型进行训练，调整网络参数，使各模型的预测准确率达到准确率阈值，得到训练完成的深度神经网络故障诊断模型和卷积神经网络故障诊断模型；

9、对待诊断的风电机组变桨运行数据进行特征工程处理，分别输入训练完成的深度神经网络故障诊断模型和卷积神经网络故障诊断模型，各模型输出变桨系统的运行状态，完成变桨故障诊断，运行状态包括健康运行区间和故障区间。

10、结合第一方面，进一步的，故障区间包括低风险故障区间和高风险故障区间，低风险故障区间对应模型训练时预先标定的运行参数异常波动类早期预警故障状态，高风险故障区间对应模型训练时预先标定的核心传动部件失效类故障状态。

11、结合第一方面，进一步的，特征工程处理包括数据清洗、数据归一化或离散化处理以及特征选择；

12、数据清洗包括：采用k均值聚类算法对数据进行聚类分析，结合局部异常因子算法检测并剔除聚类中心距离超过距离阈值或偏离整体数据分布的异常值和噪声数据，采用线性插值法填充缺失值；

13、数据归一化或离散化处理包括：对连续型数据采用标准分数标准化方法进行归一化处理，对离散型数据采用独热编码处理；

14、特征选择包括：计算各特征与变桨故障状态的相关系数，筛选相关系数绝对值大于0.6的特征，采用主成分分析法对筛选后的特征进行降维，保留累计贡献率大于85%的主成分作为最终输入特征。

15、结合第一方面，进一步的，深度神经网络故障分类模型采用3层隐含层结构，输入层的节点数为经特征选择后得到的特征维度，隐含层的节点数依次为24、32、24，输出层的节点数为3，激活函数采用线性整流激活函数，学习速率为0.005，迭代次数为1000次；

16、卷积神经网络故障分类模型采用卷积-池化-卷积-全连接的一维卷积网络结构，第一层卷积层采用6个5×1的卷积核，池化层采用2×1的池化因子，第二层卷积层采用32个3×1的卷积核，全连接层的节点数依次为32、24、3，激活函数采用线性整流激活函数，学习速率为0.001，迭代次数为700次；

17、最终通过柔性最大分类器输出变桨系统的运行状态。

18、结合第一方面，进一步的，带梯度惩罚项的生成对抗网络包括生成器和判别器；

19、生成器为多输入多输出网络，输入层为30维随机噪声向量，隐含层的节点数依次为42、32，输出层的维度与经特征选择后得到的特征维度一致；

20、判别器为二分类网络，输入层的维度与经特征选择后得到的特征维度一致，隐含层的节点数依次为24、32、16，输出层为1维；

21、训练时，生成器与判别器的训练次数比为1:2，学习速率为0.0025。

22、结合第一方面，进一步的，带梯度惩罚项的生成对抗网络的目标函数加入梯度惩罚项，用于满足判别网络的1-利普希茨约束，训练至推土机距离稳定在预设范围内为止，生成与处理后的数据集中原始数据分布一致的扩充样本数据。

23、结合第一方面，进一步的，训练集与测试集的划分比例为7:3，采用交叉验证法对各模型进行训练，每次训练5次，取预测准确率的均值作为各模型的最终性能指标。

24、结合第一方面，进一步的，数据采集与监视控制系统的运行参数采集频率为1次/分钟，采集时长大于或等于3个月，使原始数据集涵盖变桨系统在健康运行区间和故障区间的参数数据。

25、结合第一方面，进一步的，比较得到训练完成的深度神经网络故障诊断模型和卷积神经网络故障诊断模型的诊断准确率，选取诊断准确率最高的模型作为最终部署模型。

26、第二方面，本发明提供一种基于深度学习网络的风电机组变桨故障诊断系统，包括：

27、数据获取模块，用于获取风电机组数据采集与监视控制系统中变桨相关的运行参数数据，构建原始数据集，运行参数包括工况参数、环境参数和状态参数；

28、数据预处理模块，用于对原始数据集进行特征工程处理，得到处理后的数据集；

29、模型构建模块，用于构建用于对变桨系统的运行状态进行分类识别的深度神经网络故障分类模型和卷积神经网络故障分类模型；

30、数据扩充模块，用于采用带梯度惩罚项的生成对抗网络对处理后的数据集进行扩充，生成与处理后的数据集中原始数据分布一致的扩充样本数据；

31、模型训练模块，用于将处理后的数据集与扩充样本数据混合，按比例划分为训练集和测试集，分别输入深度神经网络故障分类模型和卷积神经网络故障分类模型进行训练，调整网络参数，使各模型的预测准确率达到准确率阈值，得到训练完成的深度神经网络故障诊断模型和卷积神经网络故障诊断模型；

32、故障诊断模块，用于对待诊断的风电机组变桨运行数据进行特征工程处理，分别输入训练完成的深度神经网络故障诊断模型和卷积神经网络故障诊断模型，各模型输出变桨系统的运行状态，完成变桨故障诊断，运行状态包括健康运行区间和故障区间。

33、第三方面，本发明提供一种计算机设备，包括：

34、存储介质：用于存储计算机程序；

35、处理器：用于执行所述计算机程序以实现第一方面所述基于深度学习网络的风电机组变桨故障诊断方法。

36、第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面所述基于深度学习网络的风电机组变桨故障诊断方法。

37、第五方面，本发明提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述基于深度学习网络的风电机组变桨故障诊断方法。

38、与现有技术相比，本发明的有益效果是：

39、本发明提供的基于深度学习网络的风电机组变桨故障诊断方法，结合深度神经网络（deep neural network，dnn）和卷积神经网络（convolutional neural network，cnn）深度学习网络的优势，能够自主提取变桨运行数据的深层特征，相比传统机器学习方法，如bp神经网络、svm，故障诊断准确率更高，其中cnn模型的诊断准确率可达97.4%，高风险故障区间的诊断准确率不低于98%，能够实现变桨故障的精准识别。采用带梯度惩罚项的生成对抗网络（wasserstein generative adversarial network with gradient penalty，wgan-gp）进行数据扩充，解决了工业过程中变桨故障数据样本少、类间分布不均的问题，避免模型过拟合，提升了模型的泛化能力，使模型能够适应不同风电场、不同机型的变桨故障诊断需求。整个方法基于风电机组现有数据采集与监视控制系统（supervisory control anddata acquisition，scada）数据，无需额外安装传感器，降低了硬件成本，且数据采集、预处理、模型训练及故障诊断均可以自动化完成，提高了风电场运维效率，降低了运维成本。