CN108830316A - 基于卷积神经网络的风电变流器端对端故障诊断 - Google Patents
基于卷积神经网络的风电变流器端对端故障诊断 Download PDFInfo
- Publication number
- CN108830316A CN108830316A CN201810580359.9A CN201810580359A CN108830316A CN 108830316 A CN108830316 A CN 108830316A CN 201810580359 A CN201810580359 A CN 201810580359A CN 108830316 A CN108830316 A CN 108830316A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- fault diagnosis
- electric converter
- wind electric
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于风电变流器故障诊断领域。为简化深度学习在故障诊断的过程,提高诊断过程的效率,引入卷积神经神经网络模型,以风电变流器运行数据直接驱动,将故障特征提取和表达由卷积神经神经网络完成,实现了端对端的故障诊断,避免了人工提取故障特征过程,优化了卷积神经网模型。基于卷积神经神经网络的方法在风电变流器故障诊断取得了更好的分类结果。
Description
背景技术
本发明属于风电变流器智能诊断领域,涉及一种风电变流器智能诊断方法。
发明内容
目前市场上的风电机组主要由鼠笼式,永磁直驱式和双馈式组成。其中,除了鼠笼式,永磁直驱式和双馈式风电机组都必须使用变流器来保证产生的电能在频率和幅值等方面满足电网组网的要求。通常情况下风电机组都处于比较恶劣的环境,面临高温潮湿,油污灰尘的威胁,在这种情况下变流器还需要承受大电流,高低压和高频的开关状态,因此极易发生故障。据统计,在风电***中,变流器故障发生的频率仅次于变桨***故障。
当前针对的变流器故障的智能方法很多,比如基于支持向量机方法、基于专家***的方法等,由于这些传统方法需要结合一些特征提取方法,比如小波分析,算法过程不适用于在线诊断,因此需要能够实现端对端的故障诊断的方法。
本专利基于此,采用了卷积神经网络的风电变流器端对端故障在线诊断,其主要技术点在于:
(1)充分考虑变流器三相电流信号之间必然存在的耦合关系,设计卷积神经网络。
利用多个局部滤波器沿着信号移动对信号进行卷积操作,操作完成后就得到了输入信号在不同卷积核下的信号特征图。
卷积操作本质上是对信号进行滤波操作,这样做可以提取信号在不同频带下的特征,丰富信号的表达,为后面的准确分类提供条件。并且,卷积操作实现了局部连接和权值共享。在每个卷积层后面的是一个降采样层。降采样层的作用有两点,一是对特征图进行降维,二是在一定程度上保持特征的尺度不变性。降采样层通过池化操作对特征图进行降维,降维的同时也可以抵消特征图的部分形变和位移。
将三相电流故障信号排列成3×3000的二维信号,利用卷积神经网络的优势识别故障信号之间的关联性特征。为了直观地比较不同信号之间的差异,将部分排列好的故障信号幅值线性映射到0至255区间以灰度图的形式表示,因为3×3000图像的高度太小,将图像宽高重排为30×300。
不同故障类型的故障信号灰度图存在差异,因此可以利用卷积神经网络优秀的图像识别能力对风电变流器故障进行诊断。
(2)基于风电变流器运行历史数据故障模拟数据,直接训练卷积神经网络,优化神经优化网络参数。
前向传播
假设卷积神经网络的训练集为(X,Y),其中X是输入,Y是目标输出。训练集确定后,卷积神经网络的训练步骤如下:
1)随机初始化
在开始训练前,需要对卷积神经网络的参数进行初始化。卷积核的权值和偏置、尾部全连接层的参数在初始化的时候都会选择用一些不同的接近于0的小随机数,参数的不同保证训练能够正常进行,而小随机数则可以保证网络不会因为权值过大而进入饱和状态,从而导致训练失败。
2)计算实际输出
从训练样本中构造小批量训练集,将训练集通过输入层输入卷积神经网络,经过卷积神经网络的逐层按上文所述公式计算,直至达到最后一层。得到结果后与标签对比,确定误差。目前通常使用交叉熵函数来量化训练结果与标签直接的误差大小。
反向传播
正向传播完成后,由于网络初始值是随机设定的,所以得到的结果与期望输出是存在一定的误差,卷积神经网络的训练就是要通过这些误差来更新网络参数的值,使卷积神经网络能够很好地拟合样本数据的分布。卷积神经网络通常采用BP算法来更新参数,卷积神经网络存在卷积层,下采样层等特殊结构,因此不能完全直接使用BP算法,需要对卷积层和下采样层进行特殊处理。下面将具体介绍各个层的反向传播算法。
1)全连接层反向求导
首先,计算目标函数L关于最后一层logits值z+1(j)的导数,使用交叉熵函数作为损失函数,如式(4.6)所示:
通过链式求导法则确定目标函数对权重和偏置的倒数,如下式(2)所示
然后计算目标函数关于以ReLU为激活函数的隐藏层单元和logits值的导数,如下式(3)所示
得到后,同理可由式(2)求得目标函数关于和的导数。
2)池化层反向求导
以最大池化为例。在最大池化层中只有池化区域内的最大值与下一层的神经元存在连接,因此在误差反向传播时,只需要对值最大的神经元求导,其它神经元导数为0。具体计算公式如下(4)所示
3)卷积层反向求导
卷积层反向传播和全连接层类似,先求目标函数关于卷积层中logits值的导数,由于同样使用ReLU作为激活函数,
卷积层输入值的导数计算为
目标函数关于卷积核的导数为
从卷积神经网络的各个层入手,主要的思想是通过增加网络的稀疏性和随机性来避免卷积神经网络出现过拟合,增强其泛化能力,从而避免过拟合的问题。
附图说明
图1为风电变流器故障信号的灰度图。
图2为基于卷积神经网络的风电变流器故障端对端诊断流程图。
具体实施方式
(1)收集数据,包括运行过程中的故障样本数据以及基于模型的故障仿真数据;
(2)根据变流器的故障模式以及三相电路之间的耦合特性,确定卷积神经网络的结构参数,包括神经网络层数以及网络节点数量;
(3)设置卷积神经网络学习的初始学习参数;
(4)基于数据驱动,根据学习参数,训练网络;
(5)调节不同学习参数,优化确定网络结构。
Claims (3)
1.一种基于卷积神经网络的风电变流器端对端故障诊断方法,其特征在于:
(1)基于变流器三相电路耦合特性,以运行数据之间的关联特性,设计相应的卷积神经网络模型;
(2)基于历史运行的样本数据和仿真模拟数据,对卷积神经网络模型的结构和参数进行优化选择。
2.根据风电变流器的数据,利用多个局部滤波器沿着信号移动对信号进行卷积操作,操作完成后就得到了输入信号在不同卷积核下的信号特征图,这样就可以将卷积神经网络在图像的优秀处理能力用于故障诊断,从而获得了优秀的故障识别和诊断效果。
3.本专利可以将运行数据直接与卷积神经网络模型相连,简化了故障诊断流程,便于在线故障诊断的实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810580359.9A CN108830316A (zh) | 2018-06-05 | 2018-06-05 | 基于卷积神经网络的风电变流器端对端故障诊断 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810580359.9A CN108830316A (zh) | 2018-06-05 | 2018-06-05 | 基于卷积神经网络的风电变流器端对端故障诊断 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830316A true CN108830316A (zh) | 2018-11-16 |
Family
ID=64144576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810580359.9A Pending CN108830316A (zh) | 2018-06-05 | 2018-06-05 | 基于卷积神经网络的风电变流器端对端故障诊断 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830316A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709190A (zh) * | 2020-06-24 | 2020-09-25 | 国电联合动力技术有限公司 | 风电机组运行数据图像识别方法及装置 |
CN112202196A (zh) * | 2020-08-18 | 2021-01-08 | 广西大学 | 一种双馈风力发电机的量子深度强化学习控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104410098A (zh) * | 2015-01-07 | 2015-03-11 | 上海电机学院 | 双馈异步发电机组低电压穿越控制***及其控制方法 |
CN104502758A (zh) * | 2014-12-17 | 2015-04-08 | 西北工业大学 | 航空静止变流器故障诊断方法 |
CN105975931A (zh) * | 2016-05-04 | 2016-09-28 | 浙江大学 | 一种基于多尺度池化的卷积神经网络人脸识别方法 |
CN106249144A (zh) * | 2016-08-16 | 2016-12-21 | 株洲中车时代电气股份有限公司 | 双馈风力发电机匝间短路故障诊断方法及故障监测方法 |
US20170122291A1 (en) * | 2015-10-29 | 2017-05-04 | General Electric Company | System and method for categorizing trip faults of a wind turbine power converter |
-
2018
- 2018-06-05 CN CN201810580359.9A patent/CN108830316A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502758A (zh) * | 2014-12-17 | 2015-04-08 | 西北工业大学 | 航空静止变流器故障诊断方法 |
CN104410098A (zh) * | 2015-01-07 | 2015-03-11 | 上海电机学院 | 双馈异步发电机组低电压穿越控制***及其控制方法 |
US20170122291A1 (en) * | 2015-10-29 | 2017-05-04 | General Electric Company | System and method for categorizing trip faults of a wind turbine power converter |
CN105975931A (zh) * | 2016-05-04 | 2016-09-28 | 浙江大学 | 一种基于多尺度池化的卷积神经网络人脸识别方法 |
CN106249144A (zh) * | 2016-08-16 | 2016-12-21 | 株洲中车时代电气股份有限公司 | 双馈风力发电机匝间短路故障诊断方法及故障监测方法 |
Non-Patent Citations (1)
Title |
---|
张亮: "基于小波神经网络的风电变流器故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709190A (zh) * | 2020-06-24 | 2020-09-25 | 国电联合动力技术有限公司 | 风电机组运行数据图像识别方法及装置 |
CN112202196A (zh) * | 2020-08-18 | 2021-01-08 | 广西大学 | 一种双馈风力发电机的量子深度强化学习控制方法 |
CN112202196B (zh) * | 2020-08-18 | 2022-04-29 | 广西大学 | 一种双馈风力发电机的量子深度强化学习控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929765B (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
Deepa et al. | Ensemble of multi-stage deep convolutional neural networks for automated grading of diabetic retinopathy using image patches | |
WO2020092143A1 (en) | Self-attentive attributed network embedding | |
CN105320961A (zh) | 基于卷积神经网络和支持向量机的手写数字识别方法 | |
CN107704958A (zh) | 一种多变量建模的火电厂发电量预测方法 | |
CN111861906A (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
CN108830316A (zh) | 基于卷积神经网络的风电变流器端对端故障诊断 | |
CN108875906A (zh) | 一种多尺度逐步累加的卷积神经网络学习方法 | |
He et al. | Alzheimer's disease diagnosis model based on three-dimensional full convolutional DenseNet | |
CN111861886A (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
CN113344077A (zh) | 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法 | |
CN111340133A (zh) | 一种基于深度卷积神经网络的图像分类处理方法 | |
Deshpande et al. | Detection of plant leaf disease by generative adversarial and deep convolutional neural network | |
CN114118149A (zh) | 基于有限元仿真和对称特征迁移的感应电机故障诊断*** | |
CN117292330A (zh) | 一种适用于时序数据运维的智能监测*** | |
Sekeroglu et al. | Review and analysis of hidden neuron number effect of shallow backpropagation neural networks | |
Ying et al. | Efficient multi-objective evolutionary neural architecture search for U-Nets with diamond atrous convolution and Transformer for medical image segmentation | |
CN112634391A (zh) | 一种基于压缩感知的灰度图像深度重建及故障诊断*** | |
CN115860113B (zh) | 一种自对抗神经网络模型的训练方法及相关装置 | |
Lin et al. | An information fusion-based meta transfer learning method for few-shot fault diagnosis under varying operating conditions | |
CN116340817A (zh) | 液压活塞泵智能故障识别方法 | |
CN116298725A (zh) | 故障电弧检测方法、***及存储介质 | |
CN113361494B (zh) | 基于人脸识别的自助服务方法及自助服务*** | |
CN115546862A (zh) | 基于跨尺度局部差异深度子空间特征的表情识别方法和*** | |
CN112308208B (zh) | 基于深度学习模型的变压器故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181116 |
|
WD01 | Invention patent application deemed withdrawn after publication |