[发明专利]基于深度自编码模型的风电机组叶片故障监控方法及系统

说明书

技术领域

本发明涉及风电机组故障监控技术领域，特别是涉及一种基于深度自编码模型的风电机组叶片故障监控方法及系统。

背景技术

风力发电机组是暴露在各种严酷天气和环境中的分布式电力系统。与传统的发电技术相比，风电机组的故障率更高。叶片是风电机组的重要部件，叶片故障会造成严重的经济损失并产生安全隐患。

当前对叶片的监控主要基于通过另外安装传感器采集实时数据进行监控。这种方法有三个缺点：第一，安装传感器增加投资成本；第二，安装传感器增加了风电机组的复杂性，会增加维护成本；第三，传感器随着使用会出现退化，传感器退化会影响信号的准确性，进而影响这种监控方式的可靠性。因此，不依靠另外安装传感器的叶片监控方式是十分有价值的。

监测控制和数据采集(Supervisory control and data acquisition，简称SCADA)系统被广泛部署于风场。然而，当前的SCADA系统采集的数据并不包含叶片状况参数，不能直接反应叶片状况，同时目前也没有能从SCADA系统采集的数据诊断叶片状况的有效方法。

因此，如何创设一种成本低、可靠性高的新的风电机组叶片故障监控方法及系统，是本领域技术人员亟待解决的问题。

发明内容

本发明的目的是提供一种成本低、可靠性高的基于深度自编码模型的风电机组叶片故障监控方法及系统，以克服现有的基于另外安装传感器的叶片监控方法，增加投资成本和运营成本，并且随着传感器老化影响可靠性的问题。

为实现上述目的，本发明采用如下技术方案：

基于深度自编码模型的风电机组叶片故障监控方法，包括如下步骤：步骤一：获取风电机组的SCADA实时数据；步骤二：将所述实时数据作为原始输入值x输入到深度自编码模型中，通过所述深度自编码模型计算并输出重构输入值；步骤三：计算所述原始输入值x和重构输入值之间的重构误差RE；步骤四：通过监视所述重构误差的变化对风电机组叶片状态进行监控。

作为本发明的改进，所述深度自编码模型通过下述步骤构建：A、获取风电场风电机组的SCADA数据，排除无效数据并合并有效数据来建立训练数据集；B、建立深度自编码模型，所述深度自编码模型为具有输入层、多重隐层和输出层的对称深度神经网络模型；C、用训练数据集的数据对所述深度神经网络模型进行训练；D、验证所述深度神经网络模型是否有效，并在确认有效后存储该模型。

步骤C中训练所述深度神经网络模型包括采用受限玻尔兹曼机的预训练过程和采用反向传播算法的微调过程。

所述重构误差RE通过下式计算：

所述步骤四中采用EWMA控制图表对所述重构误差的变化进行监视，当EWMA值超过阈值时进行叶片故障预警。

基于深度自编码模型的风电机组叶片故障监控系统，包括：数据获取模块，用于获取风电机组的SCADA实时数据；模型计算模块，用于将所述实时数据作为原始输入值x输入到深度自编码模型中，通过所述深度自编码模型计算并输出重构输入值；重构误差计算模块，用于计算所述原始输入值x和重构输入值之间的重构误差RE；监视模块：用于通过监视所述重构误差的变化对风电机组叶片状态进行监控。

作为本发明的改进，还包括深度自编码模型构建模块，用于通过以下步骤构建所述的深度自编码模型：A、获取风电场风电机组的SCADA数据，排除无效数据并合并有效数据来建立训练数据集；B、建立深度自编码模型，所述深度自编码模型为具有输入层、多重隐层和输出层的对称深度神经网络模型；C、用训练数据集的数据对所述深度神经网络模型进行训练；D、验证所述深度神经网络模型是否有效，并在确认有效后存储该模型。

步骤C中训练所述深度神经网络模型包括采用受限玻尔兹曼机的预训练阶段和采用反向传播算法的微调阶段。

所述重构误差计算模块通过下式计算重构误差RE：

所述监视模块，具体用于采用EWMA控制图表对所述重构误差的变化进行监视，当EWMA值超过阈值时进行叶片故障预警。

由于采用上述技术方案，本发明至少具有以下优点：

(1)该风电机组叶片故障监控预警方法，基于风电机组的SCADA数据进行预警，不需要重新安装传感器，成本低、可靠性高。

(2)用反向传播的方法训练深度神经网络得到的最优值可能是局最优，通过预训练和微调两个阶段对训练深度神经网络可得到全局最优解。

(3)EWMA控制图表在连续监视重构误差值过程中，能够有效识别微小的重构误差值移动，同时能够滤除干扰信号。

附图说明