[发明专利]一种时空多尺度神经网络的风电机组故障诊断方法

说明书

本发明提出一种时空多尺度神经网络的风电机组故障诊断方法。该方法针对风电机组SCADA数据多变量时间序列的特点，设计了深度回声网络(DeepESN)提取数据时间多尺度特征，设计了多尺度残差网络(MultiscaleResNet)提取数据空间多尺度特征。由DeepESN和MultiscaleResNet组成的时空多尺度网络模型能够同时有效提取SCADA时空多尺度故障特征，克服了SCADA数据多变量之间复杂耦合关系和数据时间上关联性特征难以提取的问题，提高了分类准确度，为风电机组故障诊断领域提供了新的技术解决方法。

技术领域

本发明属于风力发电机故障诊断领域，具体涉及一种时空多尺度神经网络的风电机组故障诊断方法。

背景技术

近年来，可再生能源的开发和利用越来越受到重视，尤其是风能这种清洁，安全，取之不尽的资源。截止到2018年底，全球装机容量达到591GW。2010年开始，中国累计和新增装机容量一直居于世界第一。可是，随着风电机组大量被安装，由于风机工作环境恶劣，发生故障的机组也随之增加。故障的发生给风电场带来了巨大的维修费用和停机损失。因此及时发现并确定故障类型对风电场来说意义重大。

目前，很多学者已经研究出了物理模型。然而物理模型严重依赖领域知识，并且有严格的数学要求。风电机组结构复杂，变量繁多，很难精确地建立严谨的数学模型，这很大程度上限制了基于物理模型的开发。另外，基于物理的模型一般都是针对特定风机环境建立的，泛化能力有限，这严重限制了基于物理模型的广泛应用。近年来，基于数据驱动的风电机组故障诊断方法蓬勃发展，它不需要严格的数学模型，也不依赖领域知识，迅速成为了研究热点。目前，各大风电场都装备了数据采集与监视控制(Supervisory Control andData Acquisition，以下简称SCADA)系统，它能够记录风电机组的关键运行参数和运行状态数据。因其使用的便捷性和记录传感器数据的全面性，给基于数据驱动的风电机组故障诊断提供了数据支撑。

目前，已有学者研究基于SCADA数据的风电机组故障诊断方法。可是很少有关注SCADA数据是多变量时间序列的特点，变量之间存在复杂的耦合关系，样本数据在时间上也存在关联，因此很多基于SCADA数据的风电机组故障诊断方法很难深入提取故障的有效特征，不能达到理想的故障诊断效果。

发明内容

本发明要解决的技术问题在于提出一种能够深入提取SCADA数据中有效的故障特征并准确识别风力发电机的故障类型、具有工程实用价值的故障诊断方法。

为解决上述技术问题，本发明提出一种时空多尺度神经网络的风电机组故障诊断方法，其包括以下步骤：

从风电场的数据采集与监测控制系统中采集风电机组运行数据；

将采集的数据进行数据打标和数据预处理，形成时空多尺度网络数据；

将所述时空多尺度网络数据并行输入到时空多尺度神经网络模型中的深度回声状态网络和多尺度残差网络，分别进行多变量时间序列时间多尺度特征的提取和空间多尺度特征的提取；

将所述时间多尺度特征和空间多尺度特征进行融合，获得时空多尺度融合特征；

将所述时空多尺度融合特征输入到所述时空多尺度神经网络模型中的softmax层，得到最终的风电机组故障诊断结果。

优选地，所述数据打标包括：根据警告数据和运行状态数据给采集的数据打标记。

优选地，所述预处理包括：

将数据划分为训练集和测试集；

针对故障数据严重少于正常数据的数据不平衡情况，根据故障数据的数量对正常数据进行降采样处理；

针对数据各变量取值差异较大不利于特征提取的情况，将数据进行归一化操作，使得各变量取值均在区间[0,1]之间。