[发明专利]一种基于深度时空特征提取的风力发电机故障诊断方法

权利要求书

1.一种基于深度时空特征提取的风力发电机故障诊断方法，其特征在于，包括以下步骤：

步骤S1：获取风电数据采集与监视控制系统的原始多变量时间序列数据；针对风力发电机组中的健康状态，对SCADA多变量时间序列数据进行预处理，得到标准化的二维多变量时间序列数据；

步骤S2：将步骤1所得到的二维多变量时间序列数据输入到时间卷积注意力模块中，提取风力发电机故障时序特征；

步骤S3：将步骤1所得到的二维多变量时间序列输入数据输入到空间卷积特征提取模块中，学习SCADA数据中不同变量间空间特征，得到空间特征；

步骤S4：将步骤2和步骤3获取的所述时序特征和所述空间特征进行合并，输入到故障分类器中进行分类，获取最终的故障类型结果。

2.根据权利要求1所述的基于深度时空特征提取的风力发电机故障诊断方法，其特征在于：所述步骤1包括如下具体步骤：

步骤S11、获取风电数据采集与监视控制系统的原始多变量时间序列数据，其中变量个数为S；

步骤S12、通过最大最小值归一化方法对所获得的原始多变量时间序列数据进行标准化处理，计算公式如下所示：

其中，y_ij是标准化处理后的多变量时间序列中变量j的第i个值，x_ij是原始多变量时间序列中变量j的第i个值，min(x_j)和max(x_j)分别是变量j的最小值和最大值。

步骤S13、将归一化后的多变量时间序列数据通过不重叠滑窗技术按照采样时间分割成若干个长度为N的二维子序列，得到二维多变量时间序列数据，矩阵的大小为N×S。

3.根据权利要求1所述的基于深度时空特征提取的风力发电机故障诊断方法，其特征在于：所述步骤2中，时间卷积注意力模块包括时序特征提取卷积子模块和时间注意力子模块，具体实现如下：

步骤S21、时序特征提取卷积子模块由卷积层、池化层和激活函数层堆叠而成；池化层采用最大值池化方式，激活层采用Relu激活函数，激活函数计算公式如下：f(x)＝max(0,x)，其中x代表激活层的输入，max(0,x)代表取得0和x中的最大值，作为Relu激活函数的输出；

步骤S22、设计时间注意力子模块，通过两层空洞卷积层和Sigmoid激活函数层串联的方式，利用上一层的输出作为输入，得到时序权重，和输入加权后获得筛选后的时序特征映射；

步骤S23、将步骤1获得的多变量时间序列数据输入到由卷积子模块和时间注意力子模块堆叠得到的时序卷积注意力模块中，提取风力发电机机故障时序特征。

4.根据权利要求1所述的基于深度时空特征提取的风力发电机故障诊断方法，其特征在于：所述步骤3包括如下具体步骤：

步骤S31、设计空间卷积特征提取模块，具体结构由空洞卷积层和池化层堆叠而成，池化层采用最大值池化的方式对卷积层输出的数据进行降维和信息聚合；空洞卷积层采用的空洞率为dr，扩大卷积感受野，激活函数采用Relu激活函数；

步骤S32、将步骤1获得的多变量时间序列数据输入到空间卷积特征提取模块中，卷积层在SCADA数据变量维度进行卷积运算，得到SCADA变量间的相关性信息，学习变量间的空间关联特征，得到空间特征序列。

5.根据权利要求1所述的基于深度时空特征提取的风力发电机故障诊断方法，其特征在于：所述步骤4包括如下具体步骤：

步骤S41、根据风力发电机故障类型，所述风力发电机故障类型包括健康和具体故障位置，定义风力发电机故障的分类任务为一个多分类问题；

步骤S42、将步骤2和步骤3获取的时序特征和空间特征在特征维度上进行级联，输入到损失函数为交叉熵的Softmax分类器中，获取在所有给定的故障标签处以及健康状态下的输出概率值，通过比较得到其中最大值作为故障分类结果；其中交叉熵损失函数的计算公式为：其中，i表示第i个样本输出，p(i)表示真实分布，q(i)表示预测分布。