一种基于精简核主成分网络的风力发电设备状态监测方法与流程

1.本发明涉及一种风力发电设备状态监测方法，特别涉及一种基于精简核主成分网络的风力发电设备状态监测方法。


背景技术：

2.由于石油等一次能源价格的波动，风力发电的环保特点，使风力发电的优势越来越明显。目前全世界风电装机容量排名前五的国家分别是中国、美国、德国、西班牙和印度。我国风能资源丰富，风能储量为32亿千瓦，可开发的装机容量约为2.5亿千瓦，居世界首位。中国的风电装机容量在近几年也迅速增长，与此同时国内新能源相关扶持和振兴规划不断出台，更进一步促进国内风力发电的发展。风力发电设备(即风力机)是将风能转换成为机械能的一种动力机械，同时，风能目前主要的利用形式是发电，风力发电在新能源和可再生能源行业中增长最快。
3.一般而言，风力发电设备大多运行在气候恶劣地区，且运行工况极差，导致风力发电机组故障较多，大量故障引起风力发电机组停止运行或不能达到额定出力。因此，实时监测风力发电设备的运行状态，及时发现运行异常从而快速组织设备维修维护，对于提升风力利用率与风力发电服务质量具有重要的实践意义。在现有的风力发电设备机组中，通常会配套安装有多个传感器，实时测量反馈诸如发电机转速，生成的电功率，加速度等数据信息。这些传感器采集的数据为实施数据驱动的风力发电设备状态监测提供了坚实的数据基础。在当前智能制造与大数据的风潮下，利用这些采样数据实施风力发电设备状态监测的方案是非常合时宜的。
4.然而，风力发电机的工作状态会受到外部环境风速的直接影响，会随着风速的变化而不断发生变化的。因为风力的间歇特性、非线性特性、时序变化特性并非人为可精准预测或可控制的，风力发电机的工作状态直接受风速影响的这种工作特性给实施数据驱动的风力发电设备状态监测带来了挑战。国内目前在风电设备领域的设备故障诊断技术的发展还处在尝试阶段，国内近年大型风力发电机组发展很快，但是对应的大型机组的状态监测系统产品还处在初级阶段，在国内大型风力发电机组运行状态监测系统产品还处不成熟，缺乏自主实时的智能监测设备。
5.近年来，在数据驱动的过程监测领域，核主成分分析算法以成功应用于监测非线性的工业生产过程的运行状态。虽然核主成分分析算法可通过挖掘采样数据的非线性特征来实现运行状态的监测，但是却存在一个关键问题：其实施在线监测的计算复杂度与训练数据集的大小成正比，但训练数据集越大对实施状态监测越有利。因此，若利用核主成分分析算法实施风力发电设备的状态监测，为保证实际应用的可行性与实时性，在线计算量是一个必须考量的问题。


技术实现要素：

6.本发明所要解决的主要技术问题是：如何建立精简的主成分网络模型，并在此基
础上对风力发电设备实施实时的状态监测。具体来讲，本发明方法通过对风力发电设备的训练数据集实施样本分布特征分析，将边缘数据点和聚类中心数据点用于构造主成分网络隐层，从而能够极大的降低了实施在线监测时的计算量，保证了基于精简主成分网络的状态监测方法的应用可行性与实时性。
7.本发明方法解决上述问题所采用的技术方案为：一种基于精简核主成分网络的风力发电设备状态监测方法，包括以下所示步骤：
8.步骤(1)：确定风力发电设备可实时测量的数据后，在风力发电设备正常运行状态下，根据风力发电设备数据采集系统固有的采样时间间隔采集数据；其中，每个采样时刻可实时测量的11个数据具体依次是：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度和偏航误差。
9.步骤(2)：将风速介于切入风速(一般为3米每秒)和切出风速(一般为25米每秒)之间的n个样本数据向量x1，x2，...，xn组成矩阵x＝[x1，x2，...，xn]，并对x∈r
11
×n中各个行向量实施标准化处理从而得到新矩阵其中，第i个样本数据向量xi∈r
11
×1中的11个数据按照步骤(1)中的顺序依次排列，i∈{1，2，...，n}，r
11
×n表示11
×
n维的实数矩阵，r表示实数集，r
11
×1表示11
×
1维的实数向量。
[0010]
步骤(3)：对新矩阵中实施核主成分分析后，保留核参数δ与核得分矩阵y∈rd×n，具体的实施过程如步骤(3.1)至步骤(3.5)所示。
[0011]
步骤(3.1)：根据公式计算新矩阵中第i列向量与第j列向量之间的平方距离ζ(i，j)；其中，j∈{1，2，...，n}，上标号t表示矩阵或向量的转置。
[0012]
步骤(3.2)：根据如下所示公式
①
确定核参数δ：
[0013]
步骤(3.3)：根据如下所示公式
②
计算核矩阵k∈rn×n中的第i行第j列元素k(i，j)：
[0014]
上式中，e表示自然常数，即e约等于2.718281828。
[0015]
步骤(3.4)：计算核矩阵k的n个特征值λ1≥λ2≥...≥λn及其分别对应的特征向量α1，α2，...，αn后，再将λ1，λ2，...，λn中不小于λ0的特征值的个数记录为d；其中，λ0表示n个特征值的平均值，即λ0＝(λ1 λ2 ... λn)/n，特征向量α1，α2，...，αn的长度都为1。
[0016]
步骤(3.5)：将d个特征向量α1，α2，...，αd组建成一个特征变换矩阵a＝[α1，α2，...，αd]后，再根据公式y＝a
t
k计算得到核得分矩阵y∈rd×n。
[0017]
步骤(4)：对新矩阵中的列向量实施边缘特征点分析，从而得到e个边缘点向量ξ1，ξ2，...，ξe，具体的实施过程如步骤(4.1)至步骤(4.5)所示。
[0018]
步骤(4.1)：初始化i＝1。
[0019]
步骤(4.2)：将中与列向量之间的平方距离小于δ的列向量记录为其中，ni表示中满足条件ζ(i，j)＜δ的列向量个数。
[0020]
步骤(4.3)：根据如下所示公式计算列向量的法向量fi：
[0021]
上式中，表示计算与之间的距离，b＝1，2，...，ni。
[0022]
步骤(4.4)：根据如下所示公式
④
计算列向量对应的边缘点指标gi：
[0023]
上式中，b∈{1，2，...，ni}，θb为二进制数，其取值规律如下所示：
[0024]
步骤(4.5)：判断是否满足条件i＜n；若是，则设置i＝i 1后，返回步骤(4.2)；若否，则按照数值大小对边缘点指标g1，g2，...，gn进行降序排列，并将最大的e个边缘点指标对应的列向量依次记录为边缘点向量ξ1，ξ2，...，ξe。
[0025]
步骤(5)：对新矩阵中的列向量实施聚类分析，得到c个聚类中心点向量h1，h2，...，hc。
[0026]
值得说明的是，上述步骤(5)中实施聚类分析可使用的多种聚类算法，不限于具体实施方式中所采纳的k-均值聚类(k-means clustering)算法。
[0027]
步骤(6)：分别依次将列向量当作输入向量，根据如下所示公式
④
计算精简核主成分网络的隐层神经元输出向量z1，z2，...，zn：
[0028]
上式中，zi∈r
(e c)
×1表示第i个隐层神经元输出向量，i∈{1，2，...，n}，r
(e c)
×1表示(e c)
×
1维的实数向量，
[0029]
步骤(7)：将z1，z2，...，zn合并成一个(e c)
×
n维的隐层输出矩阵z＝[z1，z2，...，zn]，再根据公式b1＝(z
t
z)-1
zy
t
计算得到精简核主成分网络的第一个输出层系数矩阵b1。
[0030]
步骤(8)：计算矩阵的e c个特征值η1≥η2≥...≥η
e c
及其分别对应的特征向量β1，β2，...，β
e c
后，再将η1，η2，...，η
e c
中不小于η0的特征值的个数记录为d；其中，η0表示e c个特征值的平均值，即η0＝(η1 η2 ... η
e c
)/(e c)，特征向量β1，β2，...，β
e c
的长度都为1。
[0031]
步骤(9)：将β1，β2，...，βd合并成精简核主成分网络的第二个输出层系数矩阵b2＝[β1，β2，...，βd]后，再根据如下所示公式
⑤
分别计算第一监测指标向量q1和第二监测指标向量q2：
[0032]
上式中，diag{}表示将花括号内的矩阵对角线元素转变成列向量的操作，和分别表示λ1＝b
1t
zz
t
b1和λ2＝b
2t
zz
t
b2的逆矩阵。
[0033]
步骤(10)：分别将q1和q2中的最大值元素记录为控制上限q1和q2后，结束离线建模过程并实施步骤(11)。
[0034]
步骤(11)：利用风力发电机的数据采集系统，采集风力发电设备在最新采样时刻的11个数据，并将之组成样本数据向量x∈r
11
×1，并判断x中的第一个数据是否介于切入风速和切出风速之间；若是，则执行步骤(12)；若否，则风力发电机处于脱机状态，并重复本步骤(11)继续利用最新采样时刻的样本数据向量实施状态监测；其中，x中的11个数据按照步骤(1)中的顺序依次排列。
[0035]
步骤(12)：对x中各行的元素实施与步骤(2)中相同的标准化处理，从而得到数据向量
[0036]
步骤(13)：将当做成输入向量，利用如下所示公式
⑥
计算得到隐层神经元输出向量z∈r
(e c)
×1：
[0037]
步骤(14)：根据公式和计算得到监测指标j1和j2后，再判断是否满足条件：j1≤q1且j2≤q2；若是，则当前采样时刻风力发电设备运行正常，并返回步骤(11)；若否，则执行步骤(15)。
[0038]
步骤(15)：返回步骤(11)继续利用最新采样时刻的样本数据向量实施风力发电设备的状态监测；若连续6个最新采样时刻的监测指标皆不满足步骤(14)中的判断条件，则触发工作异常警报，并及时安排人员进行维护；反之，则风力发电设备正常运行，并返回步骤(11)继续实施对风力发电设备的状态监测。
[0039]
与传统方法相比，本发明方法的主要优势详述如下。
[0040]
从上述步骤(13)中可以看出，本发明方法在线计算量主要来源于公式
⑥
，即计算一个包含e c个数据的向量。而传统核主成分分析算法实施在线监测时，需要针对计算如下所示的包含n个数据的列向量：
[0041]
由于n等于样本数据向量的总数，而e和c分别表示边缘特征点和聚类中心点的个数，因此e c一般情况下都远小于n。由此可见，本发明方法的在线计算量得到了大幅度的缩减。
[0042]
此外，本发明方法通过两个输出层系数矩阵分别计算相应的输出，相比于传统核主成分分析算法只有一个输出而言，其特征提取的多样性得到了优化保障。最后，本说明书将会通过具体的实施过程进一步详解本发明方法的优势。
附图说明
[0043]
图1为本发明方法的实施流程示意图。
[0044]
图2为本发明方法涉及的精简核主成分网络结构示意图。
具体实施方式
[0045]
下面结合附图和具体实施方式对本发明进行详细说明。
[0046]
本发明公开了一种基于精简核主成分网络的风力发电设备状态监测方法，下面结合如图1所示的实施流程示意图来说明本发明方法的具体实施方式。
[0047]
步骤(1)：确定风力发电设备可实时测量的数据后，在风力发电设备正常运行状态下，按照固定的采样时间间隔采集数据。
[0048]
步骤(2)：将风速介于3米每秒和25米每秒之间的n个样本数据向量x1，x2，...，xn组成矩阵x＝[x1，x2，...，xn]，并对x∈r
11
×n中各个行向量实施标准化处理从而得到新矩阵
[0049]
步骤(3)：对新矩阵中实施核主成分分析后，保留核参数δ与核得分矩阵y∈rd×n，具体的实施过程如步骤(3.1)至步骤(3.5)所示。
[0050]
步骤(4)：对新矩阵中的列向量实施边缘特征点分析，从而得到e个边缘点向量ξ1，ξ2，...，ξe，具体的实施过程如步骤(4.1)至步骤(4.5)所示。
[0051]
步骤(5)：对新矩阵中的列向量实施聚类分析，得到c个聚类中心点向量h1，h2，...，hc。
[0052]
在本实施案例中，步骤(5)使用的是k-均值聚类(k-means clustering)算法。需要说明的是，本发明方法的实施步骤(5)不限于使用k-均值聚类算法，只要能实现将列向量聚类成c个聚类簇的聚类分析算法皆可使用。
[0053]
步骤(6)：分别依次将列向量当作输入向量，根据前述公式
④
计算精简核主成分网络的隐层神经元输出向量z1，z2，...，zn。
[0054]
步骤(7)：将z1，z2，...，zn合并成一个(e c)
×
n维的隐层输出矩阵z＝[z1，z2，...，zn]，再根据公式b1＝(z
t
z)-1
zy
t
计算得到精简核主成分网络的第一个输出层系数矩阵b1。
[0055]
步骤(8)：计算矩阵的e c个特征值η1≥η2≥...≥η
e c
及其分别对应的特征向量β1，β2，...，β
e c
后，再将η1，η2，...，η
e c
中不小于η0的特征值的个数记录为d；
[0056]
步骤(9)：将β1，β2，...，βd合并成精简核主成分网络的第二个输出层系数矩阵b2＝[β1，β2，...，βd]后，再根据前述公式
⑤
分别计算第一监测指标向量q1和第二监测指标向量q2。
[0057]
通过步骤(7)和步骤(9)中的两个输出层系数矩阵b1和b2，可以搭建出如图2所示的精简核主成分网络结构。从图2中可以发现，本发明方法所涉及的精简核主成分网络的隐层神经元个数等于e c，而输出层神经元被划分成了两组，分别使用b1和b2作为其相应的系数矩阵。
[0058]
步骤(10)：分别将q1和q2中的最大值元素记录为控制上限q1和q2后，结束离线建模过程并实施步骤(11)。
[0059]
步骤(11)：利用风力发电机的数据采集系统，采集最新采样时刻的样本数据向量x∈r
11
×1，并判断x中的第一个数据是否介于切入风速和切出风速之间；若是，则执行步骤(12)；若否，则风力发电机处于脱机状态，并重复本步骤(11)继续利用最新采样时刻的样本数据向量实施状态监测；其中，x中的11个数据需按照步骤(1)中的顺序依次排列。
[0060]
步骤(12)：对x中各行的元素实施与步骤(2)中相同的标准化处理，从而得到数据向量
[0061]
步骤(13)：将当做成输入向量，利用上述公式
⑥
计算得到隐层神经元输出向量z∈r
(e c)
×1。
[0062]
步骤(14)：根据公式和计算得到监测指标θ1和θ2后，再判断是否满足条件：θ1≤q1且θ2≤q2；若是，则当前采样时刻风力发电设备运行正常，并返回步骤(11)；若否，则执行步骤(15)。
[0063]
步骤(15)：返回步骤(11)继续利用最新采样时刻的样本数据向量实施风力发电设备的状态监测；若连续6个采样时刻的监测指标皆不满足步骤(14)中的判断条件，则触发异常警报，并及时安排人员进行维护；反之，则风力发电设备正常运行，并返回步骤(11)继续实施对风力发电设备的状态监测。