[发明专利]一种基于GAN-QP特征迁移模型的风电机组状态监测方法

说明书

本发明公开一种基于GAN‑QP特征迁移模型的风电机组状态监测方法，包括以下步骤：收集两台风电机组发电机系统运行状态历史数据集；将一台作为源域机组另一台作为目标域机组，分别对两台机组的数据集进行预处理，得到源域训练集、目标域训练集；基于目标域训练集、源域训练集对特征迁移模型进行训练，训练后特征迁移模型可将目标域机组数据的特征分布变换至源域机组数据的特征分布；基于源域训练集训练自编码器；对目标域机组在线数据集进行预处理，得到目标域测试集，基于训练后特征迁移模型将目标域测试集变换至源域空间，得到源域测试集；将源域测试集输入训练后自编码器，计算源域测试集与源域训练集的均方误差，基于均方误差判断系统运行是否正常。

技术领域

本发明属于风电机组状态监测技术领域，具体涉及一种基于GAN-QP特征迁移模型的风电机组状态监测方法。

背景技术

随着“碳达峰、碳中和”发展目标的提出，以风能、太阳能为代表的清洁可再生能源迎来新的发展机遇。尤其是，风力发电技术不断发展与完善，风电机组新增装机容量稳步提升。相应地，为保障风电机组在复杂多变的环境中运行的安全可靠，对风电机组开展智能状态监测技术研究已成为风电行业的热点问题。得益于人工智能技术的发展，基于数据采集与监视控制(Supervisory control and data acquisition,SCADA)数据驱动的风电机组智能状态监测方法逐步取代振动监测和油液监测等传统状态监测方法，成为主流方法。该方法通常采用正常行为建模与残差分析相结合对风电机组进行状态监测，但模型的训练需要足够的训练数据，而且训练数据和测试数据需服从独立同分布条件。因此，新安装机组或数据记录丢失的机组因训练数据不足无法建立有效的模型，该方法存在一定的局限性。

迁移学习为解决数据不足条件下建立风电机组状态监测模型提供了新思路，可以从相关的数据充足、领域知识丰富的源领域提取可迁移特征或知识结构来提高模型在不同但相关的目标领域的性能，在一定程度上放松了训练数据必须充足且需和测试数据服从独立同分布的要求。

发明内容

本发明的目的在于提供一种基于特征迁移模型的风电机组状态监测方法，基于特征的迁移方法在源域和目标域数据分布差异较大的情况下仍可实现知识复用，进一步将其与对抗学习相结合，可以有效地促进源域和目标域数据之间的分布适配，在一定程度上放松了训练数据必须充足且需和测试数据服从独立同分布的要求，为新安装机组或数据记录丢失的机组，在数据不足条件下建立风电机组状态监测模型提供了新思路。

为实现以上目的，本发明采用以下技术方案：

一种基于GAN-QP特征迁移模型的风电机组状态监测方法，包括以下步骤：

S1、收集两台机组类型相同但地理位置、额定功率不同的风电机组的发电机系统运行状态历史数据集；

S2、将其中一台风电机组作为源域机组，另一台风电机组作为目标域机组，分别对两台风电机组的发电机系统运行状态历史数据集进行预处理，以得到源域训练集、目标域训练集；

S3、基于目标域训练集、源域训练集对特征迁移模型进行训练，以得到训练后特征迁移模型，所述训练后特征迁移模型可将目标域机组运行数据的特征分布变换至源域机组运行数据的特征分布；

S4、基于源域训练集对自编码器进行训练，以学习源域机组正常运行状态下的数据的特征分布规则，以得到训练后自编码器；

S5、对目标域机组的发电机系统运行状态在线数据集进行预处理，以得到目标域测试集，并基于训练后特征迁移模型将目标域测试集变换至源域空间，以得到源域测试集；

S6、将步骤S5得到的源域测试集作为训练后自编码器的输入数据，计算源域测试集与源域训练集的均方误差，并基于所述均方误差判断发电机系统运行状态是否正常。

作为优选方案，步骤S2中，所述对源域机组、目标域机组的发电机系统运行状态历史数据集进行预处理，包括以下步骤：