一种基于多源数据融合的新能源电站集中监控方法与流程

本发明涉及新能源电站监控，具体涉及一种基于多源数据融合的新能源电站集中监控方法。

背景技术：

1、新能源电站（如风电场）的集中监控系统通常依赖多源数据融合技术，将振动监测、scada运行参数、气象数据等统一汇聚至区域集控中心进行分析。现有方案中，电站侧多部署边缘计算节点，负责对振动传感器采集的高频信号进行傅里叶变换、包络谱分析等特征提取，并与转速、功率等数据进行融合，以实现齿轮箱早期故障的实时判别。新能源电站主要包括风力发电场和光伏发电站，通常分散布置于不同地理区域，集控中心需对这些电站的发电设备、升压站及送出线路进行统一的远程监视、运行调度与故障预警。其中，风电机组的齿轮箱、发电机等旋转部件是故障高发部位，其振动监测数据在边缘端的高效处理与准确判别是集控中心实现早期预警的关键环节。

2、尽管集控中心已能汇聚scada、气象、电能量等多类数据，但在高频振动信号的处理上，现有边缘计算方案仍面临算力瓶颈。现有技术中，边缘计算节点因算力有限，在处理高频振动数据时被迫采用降采样或截断高频分量的方式以满足实时性要求，导致齿轮箱早期点蚀的关键特征丢失；同时，离线训练的监控模型难以适应实际工况的动态变化，且对漏报故障的惩罚不足，造成故障识别灵敏度低、跨电站泛化能力差的问题。

技术实现思路

1、本发明的目的在于提供一种基于多源数据融合的新能源电站集中监控方法，以解决上述背景中问题。

2、本发明的目的可以通过以下技术方案实现：

3、一种基于多源数据融合的新能源电站集中监控方法，包括以下步骤：

4、s1：采集风电机组振动监测系统输出的原始时域振动序列，以及齿轮箱转速、发电机功率与油温数据；

5、s2：将原始时域振动序列按滑动时间窗分割为连续的原始波形帧，将每一帧原始波形帧输入轻量化时序卷积网络，轻量化时序卷积网络由深度可分离卷积与膨胀卷积交替堆叠构成，输出本帧的早期点蚀存在概率及对应的主频偏移估计；

6、s3：将连续多个帧的早期点蚀存在概率与主频偏移估计送入置信度累积缓冲池，通过加权滑动投票生成稳定故障置信度，并对主频偏移估计进行中值滤波，输出故障特征频率；

7、s4：将稳定故障置信度、故障特征频率与同一时段采集的齿轮箱转速、发电机功率及油温数据组合为融合特征向量，将融合特征向量输入预训练的决策规则树，决策规则树的每个节点由历史样本中挖掘的特征阈值构成，输出对应的告警等级；

8、s5：依据告警等级触发本地预警指示，同时将触发预警时刻前后的原始波形帧、融合特征向量及告警等级打包上传至集控中心，用于轻量化时序卷积网络的迭代更新。

9、作为本发明进一步的方案：所述将每一帧原始波形帧输入轻量化时序卷积网络，具体包括：

10、对原始波形帧进行深度可分离卷积运算，提取时域局部冲击特征；

11、将获得的特征图依次通过三层膨胀率递增的膨胀卷积，逐级放大感受野以捕获不同尺度的故障脉冲响应；

12、将各层输出特征图按预设权重逐元素融合，并剪枝保留响应强度最高的八个通道；

13、对保留通道进行全局平均池化，经线性映射输出早期点蚀存在概率，同时取最大响应通道对应的膨胀卷积核中心频率作为主频偏移估计。

14、作为本发明进一步的方案：所述将获得的特征图依次通过三层膨胀率递增的膨胀卷积，具体包括：

15、将特征图输入第一层膨胀卷积，第一层膨胀率取值为2，输出第一级感受野特征；

16、将第一级感受野特征输入第二层膨胀卷积，第二层膨胀率取值为4，输出第二级感受野特征；

17、将第二级感受野特征输入第三层膨胀卷积，第三层膨胀率取值为8，输出第三级感受野特征。

18、作为本发明进一步的方案：所述对保留通道进行全局平均池化，经线性映射输出早期点蚀存在概率，具体包括：

19、提取每个保留通道特征图中的最大响应值、最小响应值及算术平均值，组成对应保留通道的三元统计组；

20、基于预先标定的模糊测度，对三元统计组进行模糊积分运算，生成通道模糊特征；

21、将所有通道模糊特征按通道顺序排列成特征序列；

22、将特征序列输入含单个中间节点的非线性映射网络，输出早期点蚀存在概率。

23、作为本发明进一步的方案：所述通过加权滑动投票生成稳定故障置信度，并对主频偏移估计进行中值滤波，具体包括：

24、为缓存池中连续五个帧的早期点蚀存在概率分配指数衰减权重，帧时间越近权重值越大；

25、将每个帧的概率与其对应权重相乘后累加，再除以权重总和，得到稳定故障置信度；

26、同时将五个帧的主频偏移估计值按数值升序排列，取中间位置的估计值作为输出故障特征频率；

27、当最新帧的早期点蚀存在概率低于0.3时，立即清空缓存池中所有历史概率与偏移估计值。

28、作为本发明进一步的方案：所述决策规则树的构建过程为：

29、收集包含稳定故障置信度、故障特征频率、齿轮箱转速、发电机功率及油温与对应真实告警等级的历史样本集；

30、以加权基尼不纯度作为节点分裂评价指标，其中对漏报样本赋予高于误报样本的惩罚权重；

31、遍历每个样本在每个特征上的取值，计算取值作为分裂阈值时分裂后两子集的加权基尼不纯度下降量，选取下降量最大的特征及其阈值作为当前节点分裂依据；

32、直至节点内样本的告警等级唯一或样本数少于五个，生成完整的决策规则树结构。

33、作为本发明进一步的方案：所述以加权基尼不纯度作为节点分裂评价指标，具体包括：

34、为每个样本分配基准权重为1；

35、当样本的真实告警等级高于预警等级且样本在当前节点分裂中的输出等级低于真实等级时，判定为漏报样本，根据漏报样本的故障特征频率所属频带，在基准权重基础上附加三倍至五倍的惩罚乘数；

36、当样本的真实告警等级低于预警等级且输出等级高于真实等级时，判定为误报样本，附加一倍惩罚乘数；

37、计算加权基尼不纯度时，将每个样本的最终惩罚权重作为其参与分裂评价的贡献系数。

38、作为本发明进一步的方案：所述计算加权基尼不纯度，具体包括：

39、根据每个样本的最终惩罚权重，统计当前节点内每个告警等级对应的加权样本数量；

40、将所有告警等级的加权样本数量相加，得到节点总加权样本数；

41、将每个告警等级的加权样本数量除以节点总加权样本数，得到各等级的加权概率；

42、计算各加权概率的平方和，并用数值1减去平方和，得到基础不纯度；

43、获取节点内所有样本的故障特征频率的四分位距与中位数的比值，当比值超过0.4时，将基础不纯度乘以比值，乘积作为最终加权基尼不纯度。

44、作为本发明进一步的方案：所述s5，具体包括：

45、当告警等级达到预警阈值时，截取当前帧及其前后各两帧的原始波形帧，组成一个短时序片段；

46、将短时序片段、对应的融合特征向量及告警等级进行游程编码压缩，附加边缘节点标识与采集时间戳后上传至集控中心；

47、集控中心解压后，将数据包标记为正样本，并按照与历史负样本1比3的比例存入增量训练池；

48、每积累100个正样本，启动一次轻量化时序卷积网络的微调训练，更新后的网络参数以差分形式下发至边缘节点。

49、本发明的有益效果：

50、（1）在边缘计算节点算力受限的条件下，通过采用由深度可分离卷积与膨胀卷积交替堆叠构成的轻量化时序卷积网络，保留了原始振动信号的全频带信息，避免了传统方法因降采样或截断高频而导致早期点蚀特征丢失的问题，从而在满足实时处理延时要求的前提下，提高了对齿轮箱高速轴早期故障的检测灵敏度。

51、（2）通过构建以加权基尼不纯度为分裂指标的决策规则树，并针对漏报样本附加高于误报样本的惩罚权重，使得训练得到的规则树对漏报情形更为敏感，减少了实际运维中故障被遗漏的风险；同时结合集控中心对正样本的增量收集与网络参数的差分更新，实现了监控模型在实际运行环境中的持续优化，提升了不同风电场、不同工况下的适应能力。