一种高效的分布式风电机组联邦迁移故障诊断方法

1.本发明涉及一种高效的分布式风电机组联邦迁移故障诊断方法，属于风力发电机组故障诊断技术领域。


背景技术：

2.近年来，作为一种绿色、无污染的清洁能源，风能因其储量大、低成本等特点，越来越受到世界各国的关注。但是，随着风力发电机组装机容量的不断递增，风场覆盖区域的持续扩大，并且通常位于环境恶劣的偏远地区，由于其复杂的运行条件，造成风电机组故障率极高，进而导致较高的运行和维护成本。因此，将工智能技术综合应用到整个风场监测中进行信息共享和通信，通过分析海量数据，实现智能诊断，优化风机运行效率具有重要的实际意义。
3.传统的集中式风电机组故障诊断方法从传感器中采集海量数据并传输到云端，开发各种人工智能技术(机器学习、深度学习方法)训练模型，进而诊断运行数据的故障。尽管随着能源互联网的进展，各种人工智能技术表现出突出的优势，但由于数据收集成本和隐私等原因造成的数据孤岛问题，数据作为学习算法的营养很难在不同风场所有者之间充分共享。为了解决上述问题，联邦学习作为一种极具潜力的解决方案应运而生。联邦学习允许中央服务器协助不同本地风电机组开发高效的故障诊断模型，同时将训练数据安全地分布在各台风电机组上，有效解决了风场故障诊断领域中的数据孤岛和数据隐私问题。
4.然而，随着风电机组采集到的运行数据变得越来越复杂，覆盖整个风电场的风电机组的协作诊断面临新的挑战：1)不同风场中不同风电机组型号不同，所处地理位置，环境差异巨大，因此其运行数据之间具有严重的非独立同分布即域偏移现象；2)风场中的本地风机大多位于偏远地区，硬件资源和通信带宽受限，各种人工智能技术又往往非常庞大，具有数百万个参数；3)传统联邦框架对全部模型参数的传输与聚合仍然导致了较高的延迟，降低了诊断系统的响应速度。


技术实现要素：

5.本发明的目的是提供一种高效的分布式风电机组联邦迁移故障诊断方法，基于联邦迁移学习、轻量化模型和部分聚合策略的优势，解决处于不同风场的不同风电机组的数据不易共享、非独立同分布现象严重、本地硬件资源和通信带宽受限的问题。
6.为了实现上述目的，本发明采用的技术方案是：
7.一种高效的分布式风电机组联邦迁移故障诊断方法，包括以下步骤：
8.步骤s1：建立训练集和测试集；
9.步骤s2：构建本地轻量化故障诊断模型；
10.步骤s3：训练本地轻量化故障诊断模型并对齐域分布；
11.步骤s4：上传部分本地更新模型权值到中央服务器；
12.步骤s5：中央服务器将步骤s4上传的部分本地更新模型权值聚合与返回；
13.步骤s6：完成最优轻量化故障诊断模型的训练。
14.本发明技术方案的进一步改进在于：所述步骤s1根据不同风电场中不同型号风电机组采集的数据是否有标记，划分出多台带有标记数据的源风机和一台带有未标记数据的目标风机，然后将源风机的全部数据和目标风机的用于参与抗域适应训练的部分本地数据作为训练集，剩余部分目标风机的本地数据作为测试集。
15.本发明技术方案的进一步改进在于：所述步骤s2中的本地轻量化故障诊断模型采用轻量化多尺度神经网络，将步骤s1的训练集数据样本输入到轻量化多尺度神经网络，所述轻量化多尺度神经网络包括特征提取器、分类器和判别器，所述特征提取器包括两层卷积层和一层深度可分离卷积层，所述分类器由引入深度可分离卷积层的inception v1所构成，所述判别器由一层卷积层和两层全连接层组成；特征提取器用于捕获潜在特征，分类器用于诊断样本的故障类别，判别器用于区分源域和目标域；将特征提取器输出的潜在特征作为分类器和判别器的输入。
16.本发明技术方案的进一步改进在于：所述步骤s3的具体步骤为：
17.训练每台源风机的本地轻量化故障诊断模型的全部参数，包括特征提取器、分类器和判别器的所有可训练参数，同时根据联邦对抗策略缩小源风机和目标风机之间的领域差异，以在保护数据隐私的同时对齐潜在特征的分布，将判别器的目标函数定义为公式(1)：
[0018][0019]
其中，和分别为n台源风机的本地数据集和样本，和d
t
分别为目标风机的本地数据集和样本，为n台源风机的本地特征提取器，ge
t
为目标风机的本地特征提取器，din为n台源风机的判别器；
[0020]
然后固定判别器，将特征提取器的目标函数定义为公式(2)：
[0021][0022]
源风机本地训练的总损失如公式(3)所示：
[0023][0024]
其中，为交叉熵损失函数；
[0025]
本发明技术方案的进一步改进在于：所述步骤s4的具体步骤为：
[0026]
源风机上传更新后的部分本地模型权值，目标风机上传更新后的部分本地模型权值和特征提取器的输出特征。
[0027]
本发明技术方案的进一步改进在于：所述步骤s5的具体步骤为：
[0028]
中央服务器收集源风机和目标风机上传的本地部分更新模型权值，以及目标风机提取器的输出特征，然后利用部分聚合策略来更新全局部分权值，如式(4)：
[0029][0030]
其中，表示更新后的第n台风机第e次全局迭代训练对应的本地模型的部分权值，表示平均聚合；
[0031]
最后将所述输出特征返回给源风机，将更新后的全局部分参数返回给源风机和目标风机，以进行下一次迭代。
[0032]
由于采用了上述技术方案，本发明取得的技术效果有：
[0033]
本发明针对不同风场中不同风电机组处于不同偏远地区这一实际场景造成的数据孤岛和非独立同分布问题，以及本地端与云端的通信带宽负担问题，提出一种高效的分布式风电机组联邦迁移故障诊断方法，在联邦框架的基础上充分结合对抗域适应技术，在保护数据隐私的同时降低采集自不同风电机组的运行数据之间的非独立同分布即域偏移对全局模型的损害，在风电机组故障诊断领域中具有广阔的应用前景；同时，还提出一种新的部分聚合策略，不同于传统联邦框架聚合全部模型权值，该策略只需聚合部分模型权值，进一步降低了通信带宽负担，加快了诊断系统的响应速度。
[0034]
本发明根据数据采集与监测控制数据固有的多变量特性以及本地端硬件资源的限制，提出一种采用轻量化多尺度神经网络的轻量化故障诊断模型，所述模型包括特征提取器、分类器和判别器，特征提取器包括卷积层和深度可分离卷积层，分类器由引入深度可分离卷积层的inception v1所构成，判别器由卷积层和全连接层组成；特征提取器用于捕获潜在特征，分类器用于诊断样本的故障类别，判别器用于区分源域和目标域；将特征提取器输出的潜在特征作为分类器和判别器的输入，对齐域分布，同时获得最终的故障诊断结果，该模型能够在降低本地计算成本的同时仍然保持多尺度特征挖掘能力，提升了诊断性能。
附图说明
[0035]
图1是本发明实施例的高效的分布式风电机组联邦迁移故障诊断框架示意图；
[0036]
图2是本发明实施例的本地轻量化故障诊断模型结构示意图。
具体实施方式
[0037]
下面结合附图及具体实施例对本发明做进一步详细说明：
[0038]
一种高效的分布式风电机组联邦迁移故障诊断方法，如图1所示，包括以下步骤：
[0039]
步骤s1：建立训练集和测试集(如图1中
①
)，具体步骤如下：
[0040]
根据不同风电场中不同型号风电机组采集的数据是否有标记，划分出多台带有标记数据的源风机和一台带有未标记数据的目标风机，然后将源风机的全部数据和目标风机的用于参与抗域适应训练的部分本地数据作为训练集，剩余部分目标风机的本地数据作为测试集。
[0041]
步骤s2：构建本地轻量化故障诊断模型(如图1中
②
)，具体步骤如下：
[0042]
根据所述训练集多变量的特点以及本地端硬件资源的限制，构建本地轻量化故障诊断模型，降低联邦框架中本地端的计算成本及其与云端的通信成本，同时保持多尺度学
习能力。源风机的本地轻量化故障诊断模型由特征提取器、分类器和判别器组成，目标风机的本地轻量化故障诊断模型由特征提取器组成。
[0043]
所述本地轻量化故障诊断模型的结构如图2所示。根据风电机组采集到的数据采集与监测控制数据固有的多变量特性以及本地端硬件资源的限制，采用轻量化多尺度神经网络，将步骤s1的训练集数据样本输入到轻量化多尺度神经网络，所述轻量化多尺度神经网络包括特征提取器、分类器和判别器，所述特征提取器包括两层卷积层和一层深度可分离卷积层，所述分类器由引入深度可分离卷积层的inception v1所构成，所述判别器由一层卷积层和两层全连接层组成；特征提取器用于捕获潜在特征，分类器用于诊断样本的故障类别，判别器用于区分源域和目标域；将特征提取器输出的潜在特征作为分类器和判别器的输入。
[0044]
步骤s3：训练本地轻量化故障诊断模型并对齐域分布(如图1中
②
)，具体步骤如下：
[0045]
训练每台源风机的本地轻量化故障诊断模型的全部参数，包括特征提取器、分类器和判别器的所有可训练参数，同时根据联邦对抗策略缩小源风机和目标风机之间的领域差异，以在保护数据隐私的同时对齐潜在特征的分布，将判别器的目标函数定义为公式(1)：
[0046][0047]
其中，和分别为n台源风机的本地数据集和样本，和d
t
分别为目标风机的本地数据集和样本，为n台源风机的本地特征提取器，ge
t
为目标风机的本地特征提取器，din为n台源风机的判别器；
[0048]
然后固定判别器，将特征提取器的目标函数定义为公式(2)：
[0049][0050]
源风机本地训练的总损失如公式(3)所示：
[0051][0052]
其中，为交叉熵损失函数；
[0053]
步骤s4：上传部分本地更新模型权值到中央服务器(如图1中
③
)，具体步骤如下：
[0054]
源风机上传更新后的部分本地模型权值，目标风机上传更新后的部分本地模型权值和特征提取器的输出特征。
[0055]
步骤s5：部分模型权值聚合(如图1中
④
)与返回(如图1中
⑤
)，具体步骤如下：
[0056]
中央服务器收集源风机和目标风机上传的本地部分更新模型权值，以及目标风机提取器的输出特征，然后利用部分聚合策略来更新全局部分参数，如式(4)：
[0057][0058][0058]
表示更新后的第n台风机第e次全局迭代训练对应的本地模型的部分权值，表示平均聚合；
[0059]
最后将所述输出特征返回给源风机，将更新后的全局部分参数返回给源风机和目标风机，以进行下一次迭代。
[0060]
步骤s6：完成最优轻量化故障诊断模型的训练，具体步骤如下：
[0061]
达到预先设置的迭代次数之后停止各本地轻量化故障诊断模型的训练，将此时的模型视为最优轻量化故障诊断模型，将所述测试集输入各台源风机的最优轻量化故障诊断模型，利用多数投票方法来评估目标风机的故障诊断性能。
[0062]
实验结果：
[0063]
本发明实施例用到的数据集是4台风电机组真实scada数据集，数据采样间隔为10分钟，数据总样本量为5065个。标签为1表示一周之内发生了叶片开裂的故障样本，标签为0表示一周之内未发生叶片开裂的正常样本。由于数据分布极大的差异性，假设这四台风机分别来自不同的四个风场，其中有三个是具有标记数据的源风场，一个是拥有未标记数据的目标风场。本发明实施例重复所有实验五次，并报告平均结果以降低模型训练过程中的随机性。
[0064]
表1为本发明实施例中轻量化故障诊断模型的轻量化多尺度神经网络与其他先进深度学习模型的比较结果，显然，轻量化多尺度神经网络优于除多尺度残差注意力神经网络之外的所有模型，但其参数量为15368，远远小于包括多尺度残差注意力神经网络在内的其他深度学习模型，仅略多于卷积神经网络，其计算复杂度(flops)更是排在所有比较模型的最后一位。这意味着本发明实施例中的轻量化多尺度神经网络对本地硬件资源的要求更低，具有更低的计算和通信成本，更易于部署在分布式框架中。
[0065]
表1不同模型在准确率和复杂度上的比较结果
[0066][0067]
表2给出了不同框架下的实验结果，包括本地式、联邦式、集中式和本发明实施例中不带部分聚合策略的联邦迁移式框架。可以明显看出，本地式的性能最差，联邦式在解决数据孤岛和保护数据隐私的情况下极大的提高了本地模型的性能，而联邦迁移式达到甚至超过了集中式模型的性能。联邦迁移式在联邦式的基础上融合了对抗域适应技术，有效缩小了不同风场之间的域偏移，弱化了非独立同分布现象的负面影响。上述结果证明了本发明实施例中的联邦迁移式框架在不同风场的不同风机分布式诊断领域中的优越性能。
[0068]
表2不同框架在准确率上的比较结果
[0069][0070]
表3为本发明实施例中带部分聚合策略的高效联邦迁移式和联邦迁移式框架的对比结果。由于对全部参数进行聚合，联邦迁移式框架的故障诊断性能最好。高效联邦迁移式框架由于引入部分聚合策略，其故障诊断能力在与联邦迁移式的比较中处于劣势。这是因为在高效联邦迁移式框架的训练过程中只需部分参数进行通信与聚合，导致不同风场之间只能共享部分知识。虽然高效联邦迁移式框架的性能降低了3％左右，但其参与通信和聚合的参数量仅仅联邦迁移式框架的40％，其推断时间也比后者更短。这意味着本发明实施例中的高效联邦迁移式框架只需在损失很少性能的情况下就可以进一步降低通信负担，加快响应速度，更适合部署在跨风场的分布式风机故障诊断系统中。
[0071]
表3带和不带部分聚合策略的联邦迁移式框架的性能比较
[0072][0073]
以上所述的实施例仅为本发明的优选实施例，并非因此限定本发明的专利范围，在不脱离本发明设计原理的前提下，本技术领域普通技术人员对本发明的技术方案进行的若干变形或改进，或间接或直接运用在其他相关的技术领域，这些均同理落入本发明权利要求书确定的保护范围内。