[发明专利]风电机组不平衡检测模型训练方法、装置、设备及介质

说明书

本申请公开了一种风电机组不平衡检测模型训练方法、装置、设备及介质，涉及风电技术领域，包括：对输入模型的训练数据进行时域分组得到多组时域数据；训练数据为预设时间段内采集的包含多种输入信号的一组数据；分别提取各组时域数据的特征，利用通道注意力机制对各组提取后特征进行通道维度的加权得到各组加权后特征；利用LSTM和跳跃连接对各组加权后特征进行时域关联性提取和连接得到连接特征，利用空间注意力机制对连接特征进行空间维度的加权得到加权后连接特征；利用损失函数并基于对加权后连接特征的预测值计算损失值以调整模型参数完成训练。本申请通过采用LSTM、跳跃连接和两个注意力机制，提高风电机组不平衡检测的准确性。

技术领域

本发明涉及风电技术领域，特别涉及一种风电机组不平衡检测模型训练方法、装置、设备及介质。

背景技术

为支持可持续发展，世界各国政府着手大力发展以风电为代表的清洁能源，同时风力发电在国内电能体系中承担着越来越重要的角色，在国家政策的鼓励扶持下，我国的风力发电技术已经走到了世界前列。

当前，国内风电机组行业竞争激烈，更低的度电成本目标也催使风电机组不断向大型化发展，更大的机组在展现更为优越的发电性能的同时也面临着更大的安全性挑战，由于叶轮直径的不断增大，叶片、叶轮不平衡所带来的后果也越发严重，缺乏有效的运行健康监测手段也使得叶片扫塔甚至倒塔事件经常发生。

现有的风电机组不平衡检测主要通过比较机组运行幅频曲线中1P频率处的幅值来实现，在机组发生不平衡时，可以观察到1P频率处的幅值远大于正常水平。值得注意的是，由于机组型号、塔架高度、安装方式、安装场址等条件的不同，各台机组在1P频率处的基础幅值和不平衡幅值变化率都是不同的，需要结合信号的变化规律才能加以判断，这也使得简单的阈值告警方式难以得到推广。

发明内容

有鉴于此，本发明的目的在于提供一种风电机组不平衡检测模型训练方法、装置、设备及介质，能够通过采用LSTM、跳跃连接和两个注意力机制，有效提取训练数据的特征，以训练出更好地对风电机组不平衡情况进行检测的模型，从而提高风电机组不平衡检测的准确性。其具体方案如下：

第一方面，本申请提供了一种风电机组不平衡检测模型训练方法，包括：

将训练数据输入风电机组不平衡检测模型，并对所述训练数据进行时域分组，以得到预设数量组时域数据；所述训练数据为预设时间段内采集的包含多种输入信号的一组数据；

对各组所述时域数据分别进行特征提取，并利用通道注意力机制对各组提取后特征分别进行通道维度的加权操作，以得到相应的各组加权后特征；

利用长短期记忆网络和跳跃连接对各组所述加权后特征进行时域关联性提取和连接操作以得到连接特征，并利用空间注意力机制对所述连接特征进行空间维度的加权操作，以得到加权后连接特征；

利用损失函数并基于对所述加权后连接特征的预测值计算分类损失，并利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作。

可选的，所述训练数据为在正常发电工况下预设时间段内采集的包含塔架频率对应的幅值、1P频率、6P频率以及发电机转速的一组数据。

可选的，所述对各组所述时域数据分别进行特征提取，包括：

将各组所述时域数据分别输入各个特征提取模块，以对各组所述时域数据分别进行卷积、正则化和激活操作，得到相应的各组提取后特征。

可选的，所述利用通道注意力机制对各组提取后特征分别进行通道维度的加权操作，以得到相应的各组加权后特征，包括：

将目标组提取后特征输入至一个通道注意力模块，并对所述目标组提取后特征分别进行平均池化和最大池化操作，以得到相应的第一平均池化结果和第一最大池化结果；所述目标组提取后特征为若干组所述提取后特征中的任意一组特征；