[发明专利]一种风电机组联邦故障诊断方法及系统

说明书

本发明公开一种风电机组联邦故障诊断方法及系统，先基于风电场内相同类型风电机组构建风电机组的训练集和测试集；然后基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型；最后将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断，获得风电机组故障诊断结果。本发明基于联邦学习框架实现多台风电机组数据共享，通过“数据不动模型动”的方式，在数据不出本地的情况下，将各台风电机组联合起来进行联邦训练，在有效的保护不同风电机组制造商数据隐私的同时，丰富了故障类型并解决了风电机组间存在的数据孤岛问题，在风电机组故障诊断领域中具有广阔的前景。

技术领域

本发明涉及风力发电机组故障诊断技术领域，特别是涉及一种风电机组联邦故障诊断方法及系统。

背景技术

近年来，风能作为一种清洁、低成本的可再生能源越来越受到各国的关注。截止2019年底，全球风电总装机规模已达651GW。我国无论是海上新装机容量还是陆上新装机容量均位居世界第一。但是，随着风力发电机组安装数量的增加，由于其复杂的运行条件和恶劣的工作环境，致使风力发电机组极易发生故障，严重时甚至会导致机组停机。这往往会导致较高的运行和维护成本。因此，及时发现并准确识别风机的故障类型具有重要的意义。

目前风电机组的故障诊断方法主要分为两种：基于物理模型的故障诊断方法、基于数据驱动的故障诊断方法。风电机组结构复杂、变量繁多，而且具有复杂多变的动态运行工况，难以建立准确的数学模型，这限制了基于模型的故障诊断方法的发展和使用；基于数据驱动的方法虽然不需要严格的数学建模和过多的专家先验知识，但是由于单一风电机组具有故障局限性，即故障种类有限，因此通常需要更多来自其他风电机组的数据，即需要大量高质量的监督数据来进行训练，而由于成本问题，在实际中很难收集这些精确标记的状态监测数据，这就给数据驱动方法的应用带来障碍，并且由于潜在的利益冲突，数据隐私在实际工业中非常重要，这就造成了数据孤岛问题，数据作为学习算法的“营养”很难做到充分的共享，为了解决上述问题，联邦学习作为一种极具潜力的解决方案应运而生。

联邦学习(Federated Learning)能够通过“数据不动模型动”的方式，即在数据不出本地的情况下，仅通过中央服务器与客户端之间参数的传递，就可以不断的更新完善模型，从而克服了传统数据驱动的故障诊断方法需要建立庞大的数据库的缺点。目前，联邦学习在风电机组故障诊断领域是一项空白，风电机组联邦故障诊断在国内外还尚未报道。基于联邦学习独特的分布式学习优势，如何针对大量高质量的数据不易共享及单台风电机组数据故障种类有限的缺点，提出一种风电机组联邦故障诊断方法成为本领域急需解决的技术问题。

发明内容

本发明的目的是提供一种风电机组联邦故障诊断方法及系统，以实现数据共享。

为实现上述目的，本发明提供了一种风电机组联邦故障诊断方法，所述方法包括：

步骤S10：基于风电场内相同类型风电机组构建风电机组的训练集和测试集；

步骤S20：基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型；

步骤S30：将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断，获得风电机组故障诊断结果；所述最优共享故障诊断模型包括多尺度残差网络、注意力机制网络、长短期记忆网络和softmax分类层。

可选地，所述基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型，包括：

步骤S201：初始化各风电机组对应的本地故障诊断模型的参数；所述参数包括初始权重全局迭代总次数K＝50、客户端总数N＝10、客户端选择比例C＝0.5、客户端批处理大小b＝128、学习率α＝0.01和丢弃率Dropout＝0.5；其中，表示第N台风电机组对应的本地故障诊断模型的初始权重；