[发明专利]基于长短期记忆模型循环神经网络的风力发电机故障诊断

说明书

本发明涉及一种基于长短期记忆模型循环神经网络的风力发电机故障诊断方法，包括如下步骤：步骤1：对风机基准系统进行建模，将风机基准系统细分为八种故障，设置故障类型及发生时间。步骤2：对风机基准模型进行仿真，得到实际测量值。步骤3：对步骤2得到的实际测量值进行数据预处理，构造实际测量值的数据样本集。步骤4：搭建LSTM模型，将步骤3中经过预处理的数据用LSTM模型进行训练，在训练过程中不断调整参数，并使用均分误差来评价训练效果，预测得到的值与步骤2得到的传感器的实际测量值进行比较，设置阈值进行判断故障发生的时间以及位置。

技术领域

本发明涉及风力发电机故障检测领域，具体说是一种基于长短期记忆模型循环神经网络的风力发电机故障诊断。

背景技术

文献[1]将支持向量机(SVM)用于由三片叶片和一个全转换器组成的变速水平轴风力机的故障检测和隔离。支持向量机方法是基于数据的，因此对处理知识具有鲁棒性。此外，它基于结构风险最小化，增强了通用性，并允许通过使用灵活的内核来考虑过程非线性。在这项工作中，径向基函数被用作核。对过程的不同部分进行了研究，包括执行器、传感器和过程故障。利用双传感器，我们可以快速检测叶片螺距位置、发电机和转子转速的传感器故障(定值故障的2个采样周期)，但对故障大小有特定的限制。转换器扭矩故障(执行器)可以在两个采样周期内检测到。无法检测到俯仰系统执行器中的故障。

SVM等人工智能预测方法通过大量历史数据建立输出变量与输入变量之间的非线性关系，将动态时间建模问题变为静态空间建模问题。事实上，作为典型的时间序列，风机各类数据不但具有非线性，而且具有动态特性，即系统的输出不仅与当前时刻的输入有关，而且与过去的输入有关。因此，SVM对于风电故障检测的精度有限。

发明内容

作为一种循环反馈的神经网络框架，递归神经网络(recurrent neural network，RNN)能够考虑时间序列的时序相关性，理论上能够利用任意长度的历史信息，因此可以更加全面完整地对时间序列进行建模。作为一种特殊的RNN模型，长短期记忆(long short-term memory，LSTM)网络通过自身特殊的结构设计，有效地规避了常规RNN训练过程中的梯度消失和梯度爆炸问题，能够比较有效地被训练，从而真正有效地利用历史序列信息，由于网络自身结构的特点，被广泛应用于处理和预测高度时间相关、强耦合的事件。LSTM应用领域相当广泛，例如：Wei Daqian等人将其用于非结构化文本的故障分类。Yuan Mei等人利用LSTM进行航空发动机的故障检测，从而保证发动机正常运行。针对游客出行，为了使其制定适当的出行路线，Zhao Zheng等人提出采用LSTM进行短期交通状况预测。Qiaomu Zhu等人利用LSTM进行风电场发电功率的超短期预测，并证明预测精度高于人工神经网络。DonghuiLi等人基于改进LSTM的深度学习方法,用于冷水机组传感器偏差故障检测,所提方法的检测结果与自动编码器(Auto encoder)、主元分析法(PCA)、标准的LSTM三种方法的检测结果进行比较,得出改进LSTM的深度学习方法在冷水机组传感器偏差故障检测中检测效率明显优于其他三种方法。诸多案例证明利用LSTM进行各类故障检测是一种可靠而优秀的方法。

为达到以上目的，本发明采取的技术方案是：

基于长短期记忆模型循环神经网络的风力发电机故障诊断，包括如下步骤：

步骤1：对风机基准系统进行建模，将风机基准系统细分为八种故障，设置故障类型及发生时间。

步骤2：对风机基准模型进行仿真，得到实际测量值。

步骤3：对步骤2得到的实际测量值进行数据预处理，构造实际测量值的数据样本集。

步骤4：搭建LSTM模型，将步骤3中经过预处理的数据用LSTM模型进行训练，在训练过程中不断调整超参数，并使用均分误差来评价训练效果，预测得到的值与步骤2得到的传感器的实际测量值进行比较，设置阈值进行判断故障发生的时间以及位置。