[发明专利]一种基于DA-RNN的风电机组关键组件故障预警方法

说明书

本发明公开了一种基于双注意力机制的循环神经网络DA‑RNN的风电机组关键组件故障预警方法。该方法基于采集于风电机组正常运行状态下数据采集与监视控制(SCADA)系统数据集，设计预处理流程并选取DA‑RNN模型进行变量实时估计，通过多阈值设置及判别准则设计，输出判断结果序列，并根据判断结果序列给出最终预警结果。本发明故障预警方法中，针对不同类型噪声数据设计预处理流程，提供了可靠的数据基础；DA‑RNN模型综合考虑相关变量及历史信息的影响，并分配以不同的权重，保证了变量估计的准确性；多阈值设置及判别准则设计避免了单次0‑1判断，使最终预警结果更具有鲁棒性；最终实现关键组件故障预警，减少机组停机时间，节约运维成本，具有较强的理论性与实用性。

技术领域

本发明涉及一种基于DA-RNN的风电机组关键组件故障预警方法，基于风机正常运行状态数据集，设计规范化数据预处理流程，选取DA-RNN作为变量估计模型对目标变量进行实时估计，基于实时运行残差，设计多阈值设置结合多判别准则选取的故障预警策略从而进行关键组件故障预警的方法。

背景技术

随着全球污染以及传统化石能源日益匮乏，清洁能源的发展引起了广泛的关注，风能以其清洁无污染的优势得以迅速发展，风电产业也由此成为国内外大力发展的新型可再生能源产业之一。目前，我国的风机装机总容量已位于世界前列，但近几年风力发电市场的快速发展也导致了研发时期的准备不足，风机的运行维护费用居高不下。

风机的高故障率是导致运维费用高的主要因素，风电机组是由多组件多子系统组成的复杂系统，机组通常运行在远郊平原、山区、临海等偏远地区，运行环境恶劣多变，关键组件的故障会导致整机的停机检修，带来大量的经济损失。因此，实现关键组件异常的初期辨识，避免初期异常演变为灾难性故障，实现关键组件的故障预警，从而进行预测性维护，对减少运维成本，实现风电场智能运维具有重大的意义。然而，现有用于故障预警的变量估计模型难以综合考虑相关变量及历史信息的影响，现有简单的预警策略也难以保证预警结果的准确性。因此，选用更精确的变量估计模型，并设计鲁棒性的预警策略，对实现精确的故障预警具有重大的意义。

发明内容

本发明目的在于通过对目标变量的精确估计，并设计鲁棒性的预警策略进行风电机组关键组件的故障预警，提出一种基于DA-RNN的风电机组关键组件故障预警方法。该方法选取风电机组正常运行状态的数据集，首先考虑不同噪音数据类型设计数据预处理流程，之后选取DA-RNN作为变量估计模型，综合考虑相关变量及历史信息的影响对目标变量进行实时估计，保证了估计的精确性，再设计鲁棒性的预警策略，考虑不同预警结果要求及不同异常特性，保证了预警结果的灵活性和准确性。该方法能够扩展至风电机组各个具有温度测点的关键组件，实现关键组件的故障预警，具有实用价值，扩展性强。

本发明的目的通过以下的技术方案实现：一种基于DA-RNN的风电机组关键组件故障预警方法，该方法包括以下步骤：

1)选取待进行故障预警的风电机组，获取该风机SCADA系统中记录的正常运行状态下N条运行数据，风电机组的关键组件包括齿轮箱、发电机、变桨系统等，选取SCADA系统中待预警组件温度测点所测温度变量作为目标变量y，与该组件温度相关的所有变量作为相关变量X，构造初始训练集

2)离线训练阶段，基于初始训练集设计数据预处理流程，预处理步骤包括孤立异常点的剔除与插补，基于运维记录进行风机停机维护期间数据的剔除与插补，以及缺失值插补，将预处理后的训练集[X_train,y_train]作为变量估计模型的输入进行模型训练；