[发明专利]一种基于混合神经网络的风力发电机故障识别方法

说明书

本发明公开了一种基于混合神经网络的风力发电机故障识别方法，具体包括采集齿轮箱时域波形数据，建立原始样本数据，并为数据打标签；提取波形数据中振幅的最小值、振动速度和峭度指标作为特征；将提取的故障和正常特征值输入到混合网络1D‑CNN_Bi‑GRU中，混合网络串联了1D‑CNN和Bi‑GRU，首先利用1D‑CNN作为初级网络提取序列局部特征，然后将1D‑CNN的输出作为Bi‑GRU的输入，利用Bi‑GRU的特性，同时获得正向来自过去和反向的来自未来的累积依赖信息，进一步提取序列的长期依赖特征来进行故障诊断；保存模型，将待分析的数据输入到模型中，输出故障分类结果。

技术领域

本发明属于风能发电故障识别技术领域，涉及一种基于混合神经网络的风力发电机故障识别关键技术方法。

背景技术

风电领域在近年发展迅速，但是在相关设备的制造、维修方面技术还并不成熟，而且由于风电设备的安装场所一般都处于地势比较恶劣的环境，如何确保风电设备能在期限内稳定、高效地运行，并能够通过预测提前判断出故障隐患成了技术人员的关注热点。随着单个风机的规模和造价上升，维修的成本也随着大幅度提升。根据数据结果显示，一般风机的使用寿命约为20年左右，而这二十年中风机的日常维护和修理支出占到了总支出的10-15％，如果风机的安装位置较为偏远，维修支出占比还会上升。因此，如果风电机组发生故障，不仅影响电力系统的稳定性，而且易降低生产效率，增加生产成本，会导致较大的经济损失。

实际上，大部分风机的故障问题都可以通过故障诊断技术提前发现，并针对问题及时处理，减小故障带来的经济和效率上的损失。根据数据对比显示，如果风力发电机的故障诊断技术能够正常排查故障，那么系统的年均维修费用可减少25％-50％，因故障而导致的系统停机时间可减少约75％，由此带来的经济效益是很可观的。因此，对风力发电系统进行精确的故障诊断，无论是对于提高电力系统的可靠性和稳定性，还是对于降低对风力发电的运维成本、提高生产效率，都具有十分重要的现实意义。

常用的风电设备的故障诊断方法可分为三类：基于知识、基于模型和基于数据的故障诊断。

基于模型的故障预测方法是在设备数学模型已知时，综合风力发电机当前运行状态进行预测的方法。该方法首先从系统的内在机理出发，基于系统元件之间的联系，建立一系列对特定故障敏感且具有物理意义的数学模型。其次通过计算研究对象实际与预测指标数值之间的偏差来检测故障。基于模型的故障诊断方法虽然精度较高，但可拓展性不强，十分依赖模型的建立，特定的模型仅适应特定的系统。作为典型的非线性系统，风力发电机难以建立精确的数学模型。

基于知识的故障诊断方法是根据系统原理、专家经验来分析研究对象的历史和当前运行数据，引入风力发电机实际运行状况进行预测。这类故障预测方法易于理解，且不需要对系统建立数学或者物理模型,但是其结果的准确性完全依赖于知识来源的正确性和推理机制的合理性，当研究对象出现之前未发生的故障时，该方法将无法适应。

基于数据的故障预测方法是利用大量历史数据进行预测的方法。这类预测以提取的特征作为输入，采用人工智能模型与方法识别这些特征携带的故障信息，实现风力发电机系统故障的自动识别与预测。该方法不依赖专家知识和系统的数学模型，主要利用各种数据挖掘技术完成历史故障数据集的特征提取，并通过判断当前数据特征与历史数据特征的一致性，完成故障的检测与诊断。但是风机作为一个高度非线性的复杂系统，使用传统的智能故障诊断方法会在表示其复杂系统时遇到困难，并且由于其性能和泛化能力较差导致无法提取有效的特征。而且传统方法的特征提取和分类是分开的，这将影响最终的诊断性能。

与传统的智能故障诊断方法相比，深度学习方法包含多层隐藏结构，可以实现特征矩阵的逐层转换并保证自适应地有效提取特征。除此之外，深度学习可以更好地处理复杂的系统，它可以有效地处理高维和非线性数据，并通过多次非线性变换和近似复杂的非线性函数来避免诊断能力不足的问题。虽然基于深度学习的故障诊断方法在工业领域已经开始被运用，但在风机组领域研究相对较少。