[发明专利]一种风电机组发电机的故障预警方法

权利要求书

1.一种风电机组发电机的故障预警方法，其特征是，包括以下步骤：

S1、数据采集：从风电机组配备的SCADA系统中调取风电机组发电机整个故障演变区间的历史运行数据，包括发电机正常运行、故障形成、故障显现、故障排除、再投运行在内的各个阶段；

S2、状态参数选取：选取包括风速、发电机功率、发电机转速、发电机转矩、发电机空冷温度、发电机前轴温度、发电机三个绕组的温度以及主轴叶轮侧温度在内的用于反映发电机运行状态的各参数作为建模变量；

S3、数据划分：将上述的历史运行数据作为数据源划分成训练集、验证集和试验集三部分，其中，训练集占数据源的60％～80％、验证集占数据源的5％～10％，试验集占数据源的10％～35％；

S4、数据预处理：对步骤S2中所选取的发电机运行状态参数的数据进行归一化处理；

S5、DBN网络的建立：通过设置包括隐含层数量、隐含层神经元数目寻优区间、学习率、最大迭代次数以及每批次数据量在内的各参数，构建一个DBN网络；

S6、隐含层神经元数目寻优：利用NPPSO算法对隐含层神经元数目寻优，具体方式如下：

S6-1、初始化NPPSO算法参数，初始参数设置如下：种群规模为20，ω_min＝0.45，ω_max＝0.95，c_min＝0.45，c_max＝0.95，最大迭代次数为100，权重控制因子为8；

S6-2、利用训练集数据采用CD-k算法非监督逐层训练DBN网络中各个RBM的权值和偏置；依据下式作为更新准则：

式中，ε为学习率；·_Pθ(h|v)为偏导数在P_θ(h|v)分布下的期望；·_recon为偏导数在重构模型分布下的期望；

S6-3、将步骤S6-2训练得到的权值和偏置对应作为BP神经网络的权值和偏置的初始值，然后利用该BP神经网络反向微调DBN网络，得到网络参数达到最优的DBN网络；

S6-4、利用步骤S6-3得到的最优DBN网络计算适应度；

S6-5、求个体最优值和群体最优值，具体操作方式如下：

S6-5-1、比较步骤S6-4计算得到的适应度大小，最小值对应的粒子位置为个体最优值；

S6-5-2、比较由步骤S6-5-1得到的当前所有个体最优值，个体最优值最小值对应的粒子位置为群体最优值；

S6-6、更新粒子的速度和位置；

S6-7、当迭代次数未达100时，返回步骤S6-2；当迭代次数达到100时，将作为群体最优解的隐含层最优神经元数目传送给DBN网络；

S7、模型建立：使用步骤S5设置的DBN网络参数和步骤S6寻优得到的最优神经元个数，建立NPPSO-DBN发电机故障预警模型，所述NPPSO-DBN发电机故障预警模型包含4层隐含层，1层输入层和1层输出层，输入层和隐含层中的神经元数目与步骤S2中的建模变量的数目一致；

S8、预警计算：使用所述NPPSO-DBN发电机故障预警模型对步骤S2所选取的发电机运行状态参数进行重构，然后计算重构变量与实际变量的重构误差；

S9、确定重构误差阈值U_th：计算重构误差的均值μ和均方根误差σ，则重构误差阈值U_th设定为：U_th＝μ+3σ；

S10、故障预警：当重构误差未超出阈值时，判定为发电机运行状态正常；当重构误差超出阈值时，判定为发电机运行状态异常，并发出故障预警信息。

2.根据权利要求1所述的风电机组发电机的故障预警方法，其特征是，步骤S5建模参数设置的具体指标如下：网络模型隐含层的数量设置为4层，网络隐含层神经元数目寻优区间设置为[1，100]；预训练学习率为0.1，每批次数据量为100，最大迭代次数为300；BP反向微调学习率为0.1，每批次数据量为4，最大迭代次数为300。