本發(fā)明專利技術(shù)公開了一種基于多特征融合的風(fēng)力發(fā)電機(jī)故障模式識別方法及系統(tǒng)，從風(fēng)電場的數(shù)據(jù)采集系統(tǒng)中獲取發(fā)電機(jī)運行時的SCADA數(shù)據(jù)；分別對不同故障數(shù)據(jù)進(jìn)行編碼，制作標(biāo)簽，作為模型數(shù)據(jù)集；并將得到的帶有標(biāo)簽的故障數(shù)據(jù)集，采用灰色關(guān)聯(lián)度分析對不同故障分別進(jìn)行特征權(quán)重排序，按照前向搜索原則，選擇權(quán)值最高的若干特征作為故障對應(yīng)的特征向量；采用若干特征量進(jìn)行故障診斷實驗，提取出特定故障下故障識別率達(dá)到最高時的最簡特征組合；最后對風(fēng)力發(fā)電機(jī)的不同故障缺陷最簡特征組合取并集，將特征融合為最終輸入的特征向量，完成構(gòu)建基于多特征融合的XGboost算法風(fēng)力發(fā)電機(jī)故障模式識別模型，實現(xiàn)了發(fā)電機(jī)系統(tǒng)的故障模式的精確匹配及故障對象的精準(zhǔn)定位。確匹配及故障對象的精準(zhǔn)定位。確匹配及故障對象的精準(zhǔn)定位。
【技術(shù)實現(xiàn)步驟摘要】
基于多特征融合的風(fēng)力發(fā)電機(jī)故障模式識別方法及系統(tǒng)
[0001]本專利技術(shù)屬于風(fēng)力發(fā)電機(jī)故障診斷
，具體涉及一種基于多特征融合的風(fēng)力發(fā)電機(jī)故障模式識別方法及系統(tǒng)。
技術(shù)介紹
[0002]風(fēng)機(jī)數(shù)據(jù)采集與監(jiān)控(Supervisory Control And Data Acquisition,SCADA)系統(tǒng)作為風(fēng)場的基本組成部分，能提供豐富的有關(guān)風(fēng)電機(jī)組運行狀態(tài)的外界環(huán)境、電氣和機(jī)械等信息。SCADA系統(tǒng)訪問的便捷性與存儲數(shù)據(jù)的大量性，但SCADA參數(shù)不一定能直接反映風(fēng)力發(fā)電機(jī)的健康狀況。因此，如何對SCADA數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，實現(xiàn)基于SCADA數(shù)據(jù)的故障診斷成為風(fēng)電機(jī)組故障診斷領(lǐng)域重點研究問題之一。發(fā)電機(jī)系統(tǒng)是風(fēng)電機(jī)組高頻發(fā)生故障的系統(tǒng)之一，基于SCADA數(shù)據(jù)能夠?qū)Πl(fā)電機(jī)系統(tǒng)故障進(jìn)行診斷。然而，由于發(fā)電機(jī)系統(tǒng)的故障模式及故障原因復(fù)雜多樣，且不同的故障模式之間存在著一定的耦合，故障模式的精確匹配及故障對象的精準(zhǔn)定位成為了目前亟待解決的問題。
[0003]同時，由于SCADA系統(tǒng)中的數(shù)據(jù)過于龐大，許多特征量與發(fā)電機(jī)故障無關(guān)，甚至?xí)z測結(jié)果造成干擾，這會對故障模式的精確匹配及故障對象的精準(zhǔn)定位的結(jié)果產(chǎn)生較大的干擾。發(fā)電機(jī)系統(tǒng)具有多種故障模式，不同的故障模式映射到不同的特征量上。因此，特征提取對于故障模式的精準(zhǔn)定位起著非常重要的作用，如何有效對SCADA數(shù)據(jù)進(jìn)行特征選擇是實現(xiàn)故障模式的精準(zhǔn)定位與匹配中需要重點考慮的問題。
[0004]機(jī)器學(xué)習(xí)故障診斷的方法應(yīng)用在故障診斷中有著廣泛的應(yīng)用，該方法對含有早期故障的SCADA數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，隨后基于專家的經(jīng)驗知識、深度學(xué)習(xí)等方法直接對數(shù)據(jù)進(jìn)行特征提取，最后將特征輸入模型進(jìn)行故障診斷。由于風(fēng)力發(fā)電機(jī)的故障模式多樣，且不同故障間存在一定耦合，目前針對發(fā)電機(jī)故障的特征提取方法主要為選取與發(fā)電機(jī)輸出功率或發(fā)電機(jī)油溫相關(guān)的特征，然后進(jìn)行故障模式分類，但這種方法沒有考慮不同故障之間存在的耦合關(guān)系，會造成一部分關(guān)鍵特征信息的缺失。因此，有必要研究多特征融合技術(shù)在發(fā)電機(jī)故障診斷中的應(yīng)用，以實現(xiàn)發(fā)電機(jī)具體故障模式的識別與故障對象的精準(zhǔn)定位。
技術(shù)實現(xiàn)思路
[0005]本專利技術(shù)所要解決的技術(shù)問題在于針對上述現(xiàn)有技術(shù)中的不足，提供一種基于多特征融合的風(fēng)力發(fā)電機(jī)故障模式識別方法及系統(tǒng)，用于解決故障模式識別中故障模式無法匹配及故障對象無法定位的技術(shù)問題。
[0006]本專利技術(shù)采用以下技術(shù)方案：
[0007]基于多特征融合的風(fēng)力發(fā)電機(jī)故障模式識別方法，包括以下步驟：
[0008]S1、獲取風(fēng)力發(fā)電機(jī)SCADA數(shù)據(jù)并對數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建帶標(biāo)簽的數(shù)據(jù)集；
[0009]S2、基于步驟S1得到的帶有標(biāo)簽的故障數(shù)據(jù)集，采用灰色關(guān)聯(lián)度分析對不同故障分別進(jìn)行特征權(quán)重排序；
[0010]S3、按照前向搜索原則，選擇權(quán)值最高的若干特征作為故障對應(yīng)的特征向量，采用
步驟S2中的特征向量進(jìn)行故障診斷實驗，提取特定故障下故障識別率達(dá)到最高時的最簡特征組合；
[0011]S4、基于步驟S3對風(fēng)力發(fā)電機(jī)的不同故障缺陷的最簡特征組合取并集，融合為最終輸入的特征向量；
[0012]S5、構(gòu)建基于多特征融合XGboost算法的風(fēng)電機(jī)組發(fā)電機(jī)故障診斷模型，選擇訓(xùn)練數(shù)據(jù)和訓(xùn)練迭代次數(shù)，對風(fēng)電機(jī)組發(fā)電機(jī)故障診斷模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的具有風(fēng)力發(fā)電機(jī)故障模式識別能力的風(fēng)電機(jī)組發(fā)電機(jī)故障模式識別模型，輸入步驟S4得到的特征向量，完成風(fēng)力發(fā)電機(jī)故障模式識別。
[0013]具體的，步驟S2中，采用灰色關(guān)聯(lián)度分析對不同故障分別進(jìn)行特征權(quán)重排序具體為：
[0014]S201、確定參考序列及特征序列，選取其他特征SCADA數(shù)據(jù)為特征序列；
[0015]S202、對原始數(shù)據(jù)無量綱化處理；
[0016]S203、計算灰色關(guān)聯(lián)系數(shù)和灰色關(guān)聯(lián)度；
[0017]S204、對參考數(shù)列R0和比較數(shù)列R
i
的關(guān)聯(lián)度按從大到小排序。
[0018]進(jìn)一步的，步驟S202中，采用區(qū)間值化的方法對不同的特征數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理：
[0019][0020]其中，j＝1,2,
…
,k,i∈R，R
i
(j)為標(biāo)準(zhǔn)化后的取值，m
i
axR
i
(j)為實際測量值最大值，m
i
inR
i
(j)為實際測量值最小值。
[0021]進(jìn)一步的，步驟S203中，灰色關(guān)聯(lián)系數(shù)和灰色關(guān)聯(lián)度γ(X0,X
i
)為：
[0022][0023]其中，k為數(shù)據(jù)量，ζ
i
(j)為對應(yīng)不同特征量下的灰色關(guān)聯(lián)系數(shù)。
[0024]具體的，步驟S3中，最簡特征組合為：
[0025]X
i
＝{ε1,ε2,
…
ε
n
}
[0026]其中，N為待診斷的故障數(shù)量，i＝1,2,
…
,N，ε為特征量。
[0027]具體的，步驟S4中，最終輸入的特征向量X為：
[0028]X＝X1∪X2∪
…
∪X
N
[0029]其中，X
N
為對應(yīng)故障下的特征組合。
[0030]具體的，步驟S5中，設(shè)置學(xué)習(xí)率r為0.01，迭代次數(shù)變量為Num，輸入訓(xùn)練數(shù)據(jù)，當(dāng)模型在訓(xùn)練數(shù)據(jù)上的分類損失函數(shù)loss小于0.01或者等于迭代次數(shù)變量Num時保存。
[0031]具體的，步驟S5中，采用XGboost分類器對風(fēng)電機(jī)組發(fā)電機(jī)故障診斷模型進(jìn)行處理如下：
[0032]S501、由k個基模型組成XGboost；
[0033]S502、由預(yù)測值與真實值y
i
表示損失函數(shù)；
[0034]S503、確定boosting模型對第i個樣本x
i
的預(yù)測；
[0035]S504、根據(jù)泰勒公式把目標(biāo)函數(shù)對進(jìn)行泰勒的二階展開；
[0036]S505、定義決策樹為f
t
(x)＝w
q(x)
，x為某一樣本，q(x)代表樣本在哪個葉子結(jié)點上，
w
q
代表葉子結(jié)點取值w，w
q(x)
代表每個樣本的取值w,決策樹的復(fù)雜度由葉子數(shù)T組成，確定目標(biāo)函數(shù)的正則項。
[0037]進(jìn)一步的，步驟S505中，目標(biāo)函數(shù)的正則項Obj為：
[0038][0039]其中，T為葉子節(jié)點個數(shù)，γ為超參數(shù)，λ為超參數(shù)，H
j
為損失函數(shù)一階偏導(dǎo)數(shù)對應(yīng)值，為損失函數(shù)二階偏導(dǎo)數(shù)對應(yīng)值。
[0040]第二方面，本專利技術(shù)實施例提供了一種基于多特征融合的風(fēng)力發(fā)電機(jī)故障模式識別系統(tǒng)，包括：
[0041]數(shù)據(jù)模塊，獲取風(fēng)力發(fā)電機(jī)SCADA數(shù)據(jù)并對數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建帶標(biāo)簽的數(shù)據(jù)集；
[0042]排序模塊，基于數(shù)據(jù)模塊得到的帶有標(biāo)簽的故障數(shù)據(jù)集，采用灰色關(guān)聯(lián)度分析對本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點】
【技術(shù)特征摘要】
1.基于多特征融合的風(fēng)力發(fā)電機(jī)故障模式識別方法，其特征在于，包括以下步驟：S1、獲取風(fēng)力發(fā)電機(jī)SCADA數(shù)據(jù)并對數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建帶標(biāo)簽的數(shù)據(jù)集；S2、基于步驟S1得到的帶有標(biāo)簽的故障數(shù)據(jù)集，采用灰色關(guān)聯(lián)度分析對不同故障分別進(jìn)行特征權(quán)重排序；S3、按照前向搜索原則，選擇權(quán)值最高的若干特征作為故障對應(yīng)的特征向量，采用步驟S2中的特征向量進(jìn)行故障診斷實驗，提取特定故障下故障識別率達(dá)到最高時的最簡特征組合；S4、基于步驟S3對風(fēng)力發(fā)電機(jī)的不同故障缺陷的最簡特征組合取并集，融合為最終輸入的特征向量；S5、構(gòu)建基于多特征融合XGboost算法的風(fēng)電機(jī)組發(fā)電機(jī)故障診斷模型，選擇訓(xùn)練數(shù)據(jù)和訓(xùn)練迭代次數(shù)，對風(fēng)電機(jī)組發(fā)電機(jī)故障診斷模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的具有風(fēng)力發(fā)電機(jī)故障模式識別能力的風(fēng)電機(jī)組發(fā)電機(jī)故障模式識別模型，輸入步驟S4得到的特征向量，完成風(fēng)力發(fā)電機(jī)故障模式識別。2.根據(jù)權(quán)利要求1所述的基于多特征融合的風(fēng)力發(fā)電機(jī)故障模式識別方法，其特征在于，步驟S2中，采用灰色關(guān)聯(lián)度分析對不同故障分別進(jìn)行特征權(quán)重排序具體為：S201、確定參考序列及特征序列，選取其他特征SCADA數(shù)據(jù)為特征序列；S202、對原始數(shù)據(jù)無量綱化處理；S203、計算灰色關(guān)聯(lián)系數(shù)和灰色關(guān)聯(lián)度；S204、對參考數(shù)列R0和比較數(shù)列R
i
的關(guān)聯(lián)度按從大到小排序。3.根據(jù)權(quán)利要求2所述的基于多特征融合的風(fēng)力發(fā)電機(jī)故障模式識別方法，其特征在于，步驟S202中，采用區(qū)間值化的方法對不同的特征數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理：其中，j＝1,2,
…
,k,i∈R，R
i
(j)為標(biāo)準(zhǔn)化后的取值，為實際測量值最大值，為實際測量值最小值。4.根據(jù)權(quán)利要求2所述的基于多特征融合的風(fēng)力發(fā)電機(jī)故障模式識別方法，其特征在于，步驟S203中，灰色關(guān)聯(lián)系數(shù)和灰色關(guān)聯(lián)度γ(X0,X
i
)為：其中，k為數(shù)據(jù)量，ζ
i
(j)為對應(yīng)不同特征量下的灰色關(guān)聯(lián)系數(shù)。5.根據(jù)權(quán)利要求1所述的基于多特征融合的風(fēng)力發(fā)電機(jī)故障模式識別方法，其特征在于，步驟S3中，最簡特征組合為：X
i
＝{ε1,ε2,
…
ε
n
}其中，N為待診斷的故障數(shù)量，i＝1,2,
…
,N，ε為特征量。6.根據(jù)權(quán)利要求1所述的基于多特征融合的風(fēng)力發(fā)電機(jī)故障模式識別方法，其特征在于，步驟S4中，最終輸入的特征向量X為：X＝X1∪X...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：汪臻，邵林芳，鄧巍，沈偉文，趙勇，湯浩然，張偉平，李壯，朱義倩，魏浩，李印凱，
申請(專利權(quán))人：華能浙江能源開發(fā)有限公司清潔能源分公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。