[发明专利]一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法

说明书

本发明涉及一种基于GRA‑LSTM‑stacking模型的海上双馈风力发电机故障诊断方法，该方法包括以下步骤：步骤1：通过GRA对SCADA状态变量进行分析，筛选出与发电机温度相关的状态变量作为LSTM网络的输入；步骤2：通过LSTM对正常状态下的发电机温度进行预测，得到预测值；步骤3：计算实际值与预测值的残差绝对值，使用统计学方法设置告警阈值，据此对发电机早期故障进行辨识并提取出故障样本；步骤4：通过stacking融合算法对提取的故障样本进行数据处理后输出最终的精确诊断结果。与现有技术相比，本发明具有故障诊断精确、通用性强，故障样本获取简单等优点。

技术领域

本发明涉及海上风电机组故障诊断领域，尤其是涉及一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法。

背景技术

海上风电已经成为全球可再生能源发展的重点。随着海上风电技术的快速发展，欧洲各海上风电强国开始向大规模化、深远海化推进。英国目前规划的Dogger Bank海上风电场离岸距离为123-289km，总装机容量达到4.8GW。德国在领海以外370.4km以内规划了13个总装机容量为21.3GW的海上风电场。中国的海上风电场亦正在向大规模化、深远海化方向推进。双馈异步发电机作为远海风力发电机的主流机型之一，面临运行环境恶劣、可及性差和故障率高等问题。据统计，发电机故障是导致风电机组停机的主要因素之一，占所有故障停机时间的37％。为了减少发电机故障停机带来的重大经济损失，亟需精确诊断出海上双馈风力发电机故障。

中国海上风电开发距今已有十年的历史，大批量风电机组的数据采集与监控(Supervisory Control And Data Acquisition，SCADA)系统能够获取整个风电场海量的运行数据并进行远程或本地监控，这些海量的时序数据记录了海上风电机组实时运行工况，具有信号变化快和运行参数众多的特点。风电机组的故障特征隐含在能表征其运行状态的SCADA变量中，因此，如何充分应用SCADA数据进行风电机组状态识别、故障诊断与预警，已经成为风电领域的研究热点，并得到了国内外学者的广泛关注。现有的海上风电机组故障诊断研究已经由传统的数学方法向人工智能方向发展，如采用支持向量机、人工神经网络、故障树等方法对发电机、齿轮箱等风电机组重要部件进行故障诊断。以上这些诊断方法对数据的学习层次较浅、结构单一，诊断精度有待进一步提高。

近年来，人工智能及深度学习的快速发展，为风电机组故障诊断提供了全新的思路。如采用卷积神经网络、长短记忆网络、堆叠自编码等方法对风电机组故障进行诊断，结果表明基于深度学习的故障诊断方法比浅层学习方法具有更高的准确性和泛化性。深度学习算法进行故障诊断主要是利用已知故障样本进行训练，达到故障识别的目的。然而，一旦SCADA系统预警时间不足，则会导致采集的故障样本不足，无法进行故障诊断。另外，风力发电机发生早期轻微故障时，监测的状态量通常并未超出系统阈值，此时SCADA系统无法给出有效的预警，导致故障样本无法获取。

发明内容

本发明的目的就是为了针对海上风电机组特殊的运行工况以及基于SCADA数据进行故障诊断的现状和存在问题而提供一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法，首先用灰色关联分析(Grey Relation Analysis，GRA)对正常运行的风电机组SCADA数据进行分析，选择与发电机温度高度相关的状态变量作为长短期记忆网络(Long Short-Term Memory，LSTM)温度预测模型的输入，计算输出温度预测值与实际值的残差绝对值，使用统计学方法设置告警阈值对发电机早期故障进行辨识。然后通过stacking融合算法对阈值越限的故障样本进行精确故障诊断。最后通过某海上风电场实际数据验证本发明所提方法的有效性。

本发明的目的可以通过以下技术方案来实现：

一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法，该方法包括以下步骤：

步骤1：通过GRA对SCADA状态变量进行分析，筛选出与发电机温度相关的状态变量作为LSTM网络的输入；