[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

说明书

本发明提出了一种基于深度时空特征提取的风力发电机故障诊断方法，针对风力发电机SCADA多变量时间序列数据时空关联性强的特点，分别设计时间和空间特征提取网络，利用时序卷积注意力模块对时序故障特征进行筛选和提取，同时通过空洞卷积模块挖掘变量间的关联信息，然后将时序特征和空间特征进行合并，最后输入到故障分类器中，得到最终的故障诊断结果，上述技术手段，利用时间和空间维度的深度故障特征提取，深入捕获风力发电机的故障信息，提高了风力发电机故障诊断精度，从而及时的得到风力发电机故障状态信息，对其进行处理和维护，避免风电机组部件的深度伤害，保障风力发电机健康平稳运行。

技术领域

本发明涉及风力发电机故障诊断技术领域，尤其是一种基于深度时空特征提取的风力发电机故障诊断方法。

背景技术

随着社会文明的飞速发展，人类对于能源的需求呈逐步递增的趋势，风能作为一种清洁、可再生能源，近些年已在世界范围内实现大规模开发和利用。但由于风电机组的运行环境恶劣，长期遭受多种复杂作用的影响，极易发生故障，严重时甚至导致整个机组停机，造成严重的经济损失，因此，能够及时对风电机组运行状态进行评估，发现早期故障，具有重要的现实意义。

目前，基于传统物理模型的故障诊断方法受限于风力发电机多变的工况环境和复杂的内部结构，需要做大量的简化假设，无法得到精确的模型，大大限制了风力发电机故障诊断精度。随着传感器技术和风电数据监控系统的发展，风电机组已广泛安装数据采集与监视控制系统(Supervisory Control and Data Acquisition,SCADA)以监视和评估机组的运行状态。SCADA系统是集成在风电机组中，无需安装额外的监控系统，随着机组的运行会产生海量的监控数据。在大数据技术的飞速发展的背景下，使用SCADA数据进行建模分析成为风电机组状态监控的新热点。相比于传统的基于物理模型的方法，基于SCADA数据驱动的方法仅依赖于监测数据，无需系统模型或故障机理等先验知识，具备较强的适用性和可扩展性。其中，基于深度学习的风力发电机故障诊断方法利用SCADA状态监测数据，构造深度诊断模型，提取高维故障特征，成为目前工业界和学术界的研究重点。

现有的基于深度学习的风力发电机故障诊断研究往往仅仅针对时间维度，提取故障特征，没有考虑到SCADA数据是多变量时间序列数据，变量间存在强相关性。学习时空关联特征，能够进一步丰富从SCADA数据中捕获的故障信息，进一步提高模型的诊断精度。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种基于深度时空特征提取的风力发电机故障诊断方法，能够有效的提高风力发电机故障诊断精度，识别风力发电机故障类型，为具有工程实用价值的故障诊断方法。

本发明技术解决方案：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。

进一步的步骤S1包括以下具体步骤：

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是时间序列数据进行标准化处理，计算公式如下所示：