CN109444740A - 一种风电机组的故障状态智能监测与诊断方法 - Google Patents
一种风电机组的故障状态智能监测与诊断方法 Download PDFInfo
- Publication number
- CN109444740A CN109444740A CN201811351945.2A CN201811351945A CN109444740A CN 109444740 A CN109444740 A CN 109444740A CN 201811351945 A CN201811351945 A CN 201811351945A CN 109444740 A CN109444740 A CN 109444740A
- Authority
- CN
- China
- Prior art keywords
- matrix
- output
- hidden
- wind turbines
- layer
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电机组的故障状态智能监测与诊断方法,包括以下步骤:利用偏最小二乘法建立风电机组非线性模型;结合极限学习机、混沌映射和萤火虫算法构建故障预测模型;通过深度信念学习结合极限学习机建立DBN‑ELM故障诊断模型;通过计算非线性数学模型与预测模型之间的残差对机组进行状态监测,判断风电机组是否发生故障,启动故障诊断模型对故障进行诊断和定位。本发明首先利用偏最小二乘法建立风电机组非线性模型,然后结合极限学习机、混沌映射和萤火虫算法构建故障预测模型,通过二者结合进行故障监测;一旦监测模型发生报警,启动DBN‑ELM模型对故障进行诊断和定位,降低了故障监测的复杂度,提高了故障的诊断正确率。
Description
技术领域
本发明涉及风电领域,特别涉及一种风电机组的故障状态智能监测与诊断方法。
背景技术
风能是一种取之不尽用之不竭的绿色能源,据全球风能理事会(GWEC)发布的数据显示,2017年全球风电新增装机容量约52.57吉瓦(GW),累计装机容量达到539.58GW。而我国去年风电新增装机容量达19.5GW,占全球风电新增装机容量的37.1%。但是风力发电***往往安装在偏僻的、难以接近的或者气候不适合人类长期逗留的地域,长期以来,一直采用计划维修和事后维修的方式。计划维修在运行2500h或者5000h后进行例行维护,无法全面及时地了解设备状况;事后维修则更是维修工作旷日持久,损失重大。研究显示,利用有效的设备监测和故障诊断手段,能对风电机组运行中的各个参数进行连续监测,实时获取反映风电机组运行状态的各种信息,在对各种信息进行分析处理后,给出设备运行的状况报告和诊断结果,并根据诊断结果安排合适的检修计划,从而可减少约75%的设备事故率,降低25%~50%的维修费用,获利投资比高达17:1,在大大提高风机的安全性的同时,可有效降低风力发电的成本。
发明内容
为了解决上述技术问题,本发明提供一种算法简单、诊断精度高的风电机组的故障状态智能监测与诊断方法。
本发明解决上述技术问题的技术方案是:一种风电机组的故障状态智能监测与诊断方法,包括以下步骤:
步骤一:利用偏最小二乘法建立风电机组非线性模型;
步骤二:结合极限学习机、混沌映射和萤火虫算法构建故障预测模型;
步骤三:通过深度信念学习结合极限学习机建立故障诊断模型;
步骤四:通过计算非线性数学模型与预测模型之间的残差对机组进行状态监测,当残差超过容差范围,判断风电机组发生故障,***启动故障诊断模型对故障进行诊断和定位。
上述风电机组的故障状态智能监测与诊断方法,所述步骤一具体步骤为:
1-1)采集风电机组输出功率、轮毂转速、叶片变桨角度、变桨电机电流、发电机电流、发电机转矩、发电机定子温度、主轴承温度正常的特征数据作为历史数据,记为x1,x2,…,xq,y;其中xq表示第q个特征参数,x1,x2,…,xq组成自变量矩阵x,y表示风力发电机的输出功率,作为因变量;
1-2)将自变量矩阵x与因变量y进行标准化处理,得到标准化变量矩阵E0和标准化列向量f0,具体公式为:
其中n为矩阵E0的行数,为矩阵E0的第i行第j列数据误差,xij为矩阵E0的第i行第j列数据;为矩阵E0的第j列数据平均值;y*为矩阵f0的数据误差,为矩阵f0的第i个数据误差,yi为矩阵f0的第i个数据,为矩阵f0数据的平均值,
1-3)从E0提取第一个成分t1:
其中w1为中间变量;
进行E0和f0在t1上的回归:
f0=t1r1+f1;
E1和f1为第一个成分回归的残差矩阵和向量,p1和r1为在t1上的回归变量;
1-4)对E1和f1继续提取第二个成分t2,进行在t2上的回归:
t2=E1w2,f1=t2r2+f2,
其中,w2为中间变量,E2和f2为第二个成分回归的残差矩阵和向量,p2、r2为在t2上的回归变量;
1-5)继续对E2和f2进行上述成分提取,至m步,设得到m个成分t1,t2,…,tm实施f0对t1,t2,…,tm的回归:
是标准化列向量f0的成分提取向量;
为了方便,将上式改写成如下形式:
其中:
wk为第k+1次成分提取的中间变量,为中间变量,为的第ξ个分量,pζ为在tξ上的回归变量,表示中间变量,I是单位向量。
上述风电机组的故障状态智能监测与诊断方法,所述步骤二具体步骤为:
2-1)在本发明初始化萤火虫算法的参数,设置数量Ω,随机参数α,初始化吸引力βo,光吸收系数γ,应用1-1)中选取的特征数据x1,x2,…,xq作为极限学习机的输入;
2-2)在隐含层中设置极限学习机神经元数并在隐含层神经元中设置搜索间隔,构造ELM网络拓扑;
2-3)根据优化目标,连接输入层和隐含层之间的权值矩阵ω,确定萤火虫SizePop的大小:
SizePop=l×nκ+l
nκ是输入层中神经元的个数,l表示隐含层神经元个数;
2-4)应用萤火虫算法更新萤火虫位置:
xd(t)表示第d只萤火虫在t时刻的位置,xd(t+1)表示第d只萤火虫在t+1时刻的位置,表示第只萤火虫在t时刻的位置,β表示吸引度,rand表示[0,1]的随机数;
2-5)计算第d只萤火虫的亮度Id:
这里e表示自然指数,表示第d只萤火虫和第只萤火虫的距离;
2-6)应用Logistic映射对步骤2-4)中的第d只萤火虫的位置xd进行混沌迭代;这里表示xd经过N次迭代后的位置,表示xd经过N+1次迭代后的位置,μ是一个常数;
2-7)代入极限学习机生成输入层与隐含层之间的连接权矩阵,应用公式计算权矩阵B,其中,Y表示极限学习机输出量,是输出矩阵H的Moore-Penrose广义逆;
2-8)根据ω,b和B求取输出训练样本的预测值其中ω为输入层和隐含层之间的权值矩阵,b为隐层单元的偏置值;
2-9)计算预测值和真实值之间的均方误差RESM:
其中u是输出训练样本的个数,ν表示输出训练样本的序号,是第ν个输出训练样本的预测值,Fν是第ν个输出训练样本的实际值,ν=1,2…u;
2-10)如果迭代次数小于迭代最大次数,返回到步骤2-3)继续进行迭代,同时更新隐含层神经元个数为l=l+1,否则退出萤火虫算法并获得优化后的极限学习机权值ωbest和偏置值bbest;
2-11)通过公式计算Bbest,bε为第ε个隐层单元的偏置值,应用ωbest、bbest和Bbest构建预测模型,其中g(·)为激活函数,为输出矩阵第列对第ε个隐层单元的输出向量,表示连接输入层和隐含层之间的权值矩阵中的第列,为第个输入量。
上述风电机组的故障状态智能监测与诊断方法,所述步骤三具体步骤为:
3-1)选取1-1)中的特征数据x1,x2,…,xq作为样本数据,记为x;
3-2)对样本数据进行标准化处理后分为训练集和测试集;
3-3)对风电机组状态进行编码;
3-4)初始化可见层单元的初始状态v0=x,初始化为服从高斯分布的随机较小数值,设定各层RBM最大训练迭代次数;分别为可见单元与隐单元之间的连接权重,可见单元偏置和隐单元偏置;
3-5)对所有隐单元计算P(·)表示概率符号,从条件分布中抽取h0~P(h0|v0),表示在v0条件下的概率,表示在v0条件下的概率,h0~P(h0|v0)表示h0服从P(h0|v0)的v0条件下h0的概率分布,σ(·)为sigmoid函数;
3-6)对所有可见单元,计算从条件分布中抽取v1~P(v1|h0);这里表示在h0条件下的概率为 表示在h0条件下v1i的概率,v1~P(v1|h0)表示v1服从P(v1|h0)的h0条件下v1的概率分布;
3-7)对所有隐单元计算这里表示在v0条件下的概率为
3-8)按照下面的公式更新参数:
这里利用新的可见单元与隐单元之间的连接权重取代原有的连接权重W;
(2)
这里利用新的可见单元偏置取代原有的可见单元偏置
(3)
这里利用新的隐单元偏置取代原有的隐单元偏置
3-9)将DBN网络的隐层1之后的网络去除,以极限学习机作为输出层,这样第1个隐层到第2隐层以及第2个隐层到输出层的权重和偏置则是由ELM算法确定,则该网络表示为:
式中:为输入层到第2个隐层的权重,为输入层到第1个隐层的第个偏置向量,为第1个隐层到第2隐层的第个输出权重,v1为步骤3-6)的输出数组,为激活函数;为隐层1节点的个数;
对于深度信念网DBN,目标是最小化输出的误差,表示为
式中:为第期望输出。
3-10)保存上述训练好的网络,当风电机组出现故障时可立刻进行故障诊断和定位。
本发明的有益效果在于:本发明首先利用偏最小二乘法建立风电机组非线性模型,然后结合极限学习机、混沌映射和萤火虫算法构建故障预测模型,通过二者结合进行故障监测;一旦监测模型发生报警,***启动DBN-ELM模型对故障进行诊断和定位,这样可降低故障监测的复杂度,提高显著故障的诊断正确率。
附图说明
图1为本发明的整体流程图。
图2为本发明的故障监测框图。
图3为本发明建立故障预测模型的流程图。
图4为本发明的故障检测过程图。
图5为本发明的故障诊断的流程框图。
图6为本发明的DBN-ELM网络结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示,一种风电机组的故障状态智能监测与诊断方法,包括以下步骤:
步骤一:利用偏最小二乘法建立风电机组非线性模型。具体步骤为:
1-1)采集风电机组输出功率、轮毂转速、叶片变桨角度、变桨电机电流、发电机电流、发电机转矩、发电机定子温度、主轴承温度等正常的特征数据作为历史数据,记为x1,x2,…,xq,y;其中xq表示第q个特征参数,x1,x2,…,xq组成自变量矩阵x,y表示风力发电机的输出功率,作为因变量;
1-2)由于不同数据的量纲不同,因此将自变量矩阵x与因变量y进行标准化处理,得到标准化变量矩阵E0和标准化列向量f0,具体公式为:
其中n为矩阵E0的行数,为矩阵E0的第i行第j列数据误差,xij为矩阵E0的第i行第j列数据;为矩阵E0的第j列数据平均值;y*为矩阵f0的数据误差,为矩阵f0的第i个数据误差,yi为矩阵f0的第i个数据,为矩阵f0数据的平均值,
1-3)从E0提取第一个成分t1:
t1=E0w1,
其中w1为中间变量;
进行E0和f0在t1上的回归:
f0=t1r1+f1;
E1和f1为第一个成分回归的残差矩阵和向量,p1和r1为在t1上的回归变量;
1-4)对E1和f1继续提取第二个成分t2,进行在t2上的回归:
t2=E1w2,f1=t2r2+f2,
其中,w2为中间变量,E2和f2为第二个成分回归的残差矩阵和向量,p2、r2为在t2上的回归变量;
1-5)继续对E2和f2进行上述成分提取,至m步,设得到m个成分t1,t2,…,tm实施f0对t1,t2,…,tm的回归:
是标准化列向量f0的成分提取向量;
为了方便,将上式改写成如下形式:
其中:
wk为第k+1次成分提取的中间变量,为中间变量,为的第ξ个分量,pζ为在tξ上的回归变量,表示中间变量,I是单位向量。
采集风电机组轮毂转速、叶片变桨角度、变桨电机电流、发电机电流、发电机转矩、发电机定子温度、主轴承温度等正常的特征数据作为历史数据;把风力发电机的实际输出功率数据y作为因变量,应用偏最小二乘法拟合风电机组正常工作下的非线性方程。
其中:C冗余常数。
步骤二:结合极限学习机、混沌映射和萤火虫算法构建故障预测模型。具体步骤为:
2-1)在本发明初始化萤火虫算法的参数,设置数量m,随机参数α,初始化吸引力βo,光吸收系数γ,应用1-1)中选取的特征数据x1,x2,…,xq作为极限学习机的输入;
2-2)在隐含层中设置极限学习机(ELM)神经元数并在隐含层神经元中设置搜索间隔,构造ELM网络拓扑;
2-3)根据优化目标,连接输入层和隐含层之间的权值矩阵ω,确定萤火虫SizePop的大小:
SizePop=l×nκ+l
nκ是输入层中神经元的个数,l表示隐含层神经元个数;
2-4)应用萤火虫算法更新萤火虫位置:
xd(t)表示第d只萤火虫在t时刻的位置,xd(t+1)表示第d只萤火虫在t+1时刻的位置,表示第只萤火虫在t时刻的位置,β表示吸引度,rand表示[0,1]的随机数;
2-5)计算第d只萤火虫的亮度Id:
这里e表示自然指数,表示第d只萤火虫和第只萤火虫的距离;
2-6)应用Logistic映射对步骤2-4)中的第d只萤火虫的位置xd进行混沌迭代;这里表示xd经过N次迭代后的位置,表示xd经过N+1次迭代后的位置,μ是一个常数;
2-7)代入极限学习机生成输入层与隐含层之间的连接权矩阵,应用公式计算权矩阵B,其中,Y表示极限学习机输出量,是输出矩阵H的Moore-Penrose广义逆;
2-8)根据ω,b和B求取输出训练样本的预测值其中ω为输入层和隐含层之间的权值矩阵,b为隐层单元的偏置值;
2-9)计算预测值和真实值之间的均方误差RESM:
其中u是输出训练样本的个数,ν表示输出训练样本的序号,是第ν个输出训练样本的预测值,Fν是第ν个输出训练样本的实际值,ν=1,2…u;
2-10)如果迭代次数小于迭代最大次数,返回到步骤2-3)继续进行迭代,同时更新隐含层神经元个数为l=l+1,否则退出萤火虫算法并获得优化后的极限学习机权值ωbest和偏置值bbest;
2-11)通过公式计算Bbest,bε为第ε个隐层单元的偏置值,应用ωbest、bbest和Bbest构建预测模型,其中g(·)为激活函数,为输出矩阵第列对第ε个隐层单元的输出向量,表示连接输入层和隐含层之间的权值矩阵中的第列,为第个输入量。
步骤三:通过深度信念学习结合极限学习机建立故障诊断模型。具体步骤为:
3-1)选取1-1)中的特征数据x1,x2,…,xq作为样本数据,记为x;
3-2)对样本数据进行标准化处理后分为训练集和测试集;
3-3)对风电机组状态进行编码;
3-4)初始化可见层单元的初始状态v0=x,初始化为服从高斯分布的随机较小数值,设定各层RBM最大训练迭代次数;分别为可见单元与隐单元之间的连接权重,可见单元偏置和隐单元偏置;
3-5)对所有隐单元计算P(·)表示概率符号,从条件分布中抽取h0~P(h0|v0),表示在v0条件下的概率,表示在v0条件下的概率,h0~P(h0|v0)表示h0服从P(h0|v0)的v0条件下h0的概率分布,σ(·)为sigmoid函数;
3-6)对所有可见单元,计算从条件分布中抽取v1~P(v1|h0);这里表示在h0条件下的概率为 表示在h0条件下的概率,v1~P(v1|h0)表示v1服从P(v1|h0)的h0条件下v1的概率分布;
3-7)对所有隐单元计算这里表示在v0条件下的概率为
3-8)按照下面的公式更新参数:
这里利用新的可见单元与隐单元之间的连接权重取代原有的连接权重W;
这里利用新的可见单元偏置取代原有的可见单元偏置
这里利用新的隐单元偏置取代原有的隐单元偏置
3-9)将DBN网络的隐层1之后的网络去除,以极限学习机作为输出层,这样第1个隐层到第2隐层以及第2个隐层到输出层的权重和偏置则是由ELM算法确定,则该网络表示为:
式中:为输入层到第2个隐层的权重,为输入层到第1个隐层的第个偏置向量,为第1个隐层到第2隐层的第个输出权重,v1为步骤3-6)的输出数组,为激活函数;为隐层1节点的个数;
对于深度信念网DBN,目标是最小化输出的误差,表示为
式中:为第期望输出。
3-10)保存上述训练好的网络,当风电机组出现故障时可立刻进行故障诊断和定位。
DBN-ELM网络结构图如图6所示,将ELM运用到DBN模型的训练中,使得该网络兼有两种模型的优点,在故障诊断过程中一方面ELM-DBN网络识别风电机组本征属性能力更强,诊断精度更高,学习速度更快且泛化性能更好;另一方面DBN-ELM网络等同于一种降维方法,可减少网络层数和每层节点数设置,能够提高***运算速度。
步骤四:通过计算非线性数学模型与预测模型之间的残差对机组进行状态监测,当残差超过容差范围,判断风电机组发生故障,***启动故障诊断模型对故障进行诊断和定位。图4展示了本发明的故障检测过程,首先根据正常数据应用最小偏二乘法拟合非线性数学模型,然后根据萤火虫-混沌-极限学习机算法建立预测模型,数据x进行两路传输,一路进入非线性数学模型y=f(x1,x2,...,xq),另一路进入萤火虫-混沌-极限学习机算法预测模型,在这个模型中表示在(1,η)时间段内的输入正常数据,经过对模型的训练得到正式预测模型,它的预测输出为然后,计算非线性数学模型与预测模型之间的残差当发生故障时,残差值超过容差范围。启动DBN-ELM故障诊断模型,因此故障很快就能检测出来。
Claims (4)
1.一种风电机组的故障状态智能监测与诊断方法,包括以下步骤:
步骤一:利用偏最小二乘法建立风电机组非线性模型;
步骤二:结合极限学习机、混沌映射和萤火虫算法构建故障预测模型;
步骤三:通过深度信念学习结合极限学习机建立故障诊断模型;
步骤四:通过计算非线性数学模型与预测模型之间的残差对机组进行状态监测,当残差超过容差范围,判断风电机组发生故障,***启动故障诊断模型对故障进行诊断和定位。
2.根据权利要求1所述的风电机组的故障状态智能监测与诊断方法,其特征在于,所述步骤一具体步骤为:
1-1)采集风电机组输出功率、轮毂转速、叶片变桨角度、变桨电机电流、发电机电流、发电机转矩、发电机定子温度、主轴承温度正常的特征数据作为历史数据,记为x1,x2,…,xq,y;其中xq表示第q个特征参数,x1,x2,…,xq组成自变量矩阵x,y表示风力发电机的输出功率,作为因变量;
1-2)将自变量矩阵x与因变量y进行标准化处理,得到标准化变量矩阵E0和标准化列向量f0,具体公式为:
f0=(y*)n×1
其中n为矩阵E0的行数,为矩阵E0的第i行第j列数据误差,xij为矩阵E0的第i行第j列数据;为矩阵E0的第j列数据平均值;y*为矩阵f0的数据误差,为矩阵f0的第i个数据误差,yi为矩阵f0的第i个数据,为矩阵f0数据的平均值,
1-3)从E0提取第一个成分t1:
t1=E0w1,
其中w1为中间变量;
进行E0和f0在t1上的回归:
f0=t1r1+f1;
E1和f1为第一个成分回归的残差矩阵和向量,p1和r1为在t1上的回归变量;
1-4)对E1和f1继续提取第二个成分t2,进行在t2上的回归:
t2=E1w2,f1=t2r2+f2,
其中,w2为中间变量,E2和f2为第二个成分回归的残差矩阵和向量,p2、r2为在t2上的回归变量;
1-5)继续对E2和f2进行上述成分提取,至m步,设得到m个成分t1,t2,…,tm实施f0对t1,t2,…,tm的回归:
是标准化列向量f0的成分提取向量;
为了方便,将上式改写成如下形式:
其中:
wk为第k+1次成分提取的中间变量,为中间变量,为的第ξ个分量,pζ为在tξ上的回归变量,表示中间变量,I是单位向量。
3.根据权利要求2所述的风电机组的故障状态智能监测与诊断方法,其特征在于,所述步骤二具体步骤为:
2-1)初始化萤火虫算法的参数,设置数量Ω,随机参数α,初始化吸引力βo,光吸收系数γ,应用1-1)中选取的特征数据x1,x2,…,xq作为极限学习机的输入;
2-2)在隐含层中设置极限学习机神经元数并在隐含层神经元中设置搜索间隔,构造ELM网络拓扑;
2-3)根据优化目标,连接输入层和隐含层之间的权值矩阵ω,确定萤火虫SizePop的大小:
SizePop=l×nκ+l
nκ是输入层中神经元的个数,l表示隐含层神经元个数;
2-4)应用萤火虫算法更新萤火虫位置:
xd(t)表示第d只萤火虫在t时刻的位置,xd(t+1)表示第d只萤火虫在t+1时刻的位置,表示第只萤火虫在t时刻的位置,β表示吸引度,rand表示[0,1]的随机数;
2-5)计算第d只萤火虫的亮度Id:
这里e表示自然指数,表示第d只萤火虫和第只萤火虫的距离;
2-6)应用Logistic映射对步骤2-4)中的第d只萤火虫的位置xd进行混沌迭代;这里表示xd经过N次迭代后的位置,表示xd经过N+1次迭代后的位置,μ是一个常数;
2-7)代入极限学习机生成输入层与隐含层之间的连接权矩阵,应用公式计算权矩阵B,其中,Y表示极限学习机输出量,是输出矩阵H的Moore-Penrose广义逆;
2-8)根据ω,b和B求取输出训练样本的预测值其中ω为输入层和隐含层之间的权值矩阵,b为隐层单元的偏置值;
2-9)计算预测值和真实值之间的均方误差RESM:
其中u是输出训练样本的个数,ν表示输出训练样本的序号,是第ν个输出训练样本的预测值,Fν是第ν个输出训练样本的实际值,ν=1,2…u;
2-10)如果迭代次数小于迭代最大次数,返回到步骤2-3)继续进行迭代,同时更新隐含层神经元个数为l=l+1,否则退出萤火虫算法并获得优化后的极限学习机权值ωbest和偏置值bbest;
2-11)通过公式计算Bbest,bε为第ε个隐层单元的偏置值,应用ωbest、bbest和Bbest构建预测模型,其中g(·)为激活函数,为输出矩阵第列对第ε个隐层单元的输出向量,表示连接输入层和隐含层之间的权值矩阵中的第列,为第个输入量。
4.根据权利要求3所述的风电机组的故障状态智能监测与诊断方法,其特征在于:所述步骤三具体步骤为:
3-1)选取1-1)中的特征数据x1,x2,…,xq作为样本数据,记为x;
3-2)对样本数据进行标准化处理后分为训练集和测试集;
3-3)对风电机组状态进行编码;
3-4)初始化可见层单元的初始状态v0=x,初始化W,为服从高斯分布的随机较小数值,设定各层RBM最大训练迭代次数;W,分别为可见单元与隐单元之间的连接权重,可见单元偏置和隐单元偏置;
3-5)对所有隐单元计算P(·)表示概率符号,从条件分布中抽取h0~P(h0|v0),表示在v0条件下的概率,表示在v0条件下的概率,h0~P(h0|v0)表示h0服从P(h0|v0)的v0条件下h0的概率分布,σ(·)为sigmoid函数;
3-6)对所有可见单元,计算从条件分布中抽取v1~P(v1|h0);这里表示在h0条件下的概率为 表示在h0条件下的概率,v1~P(v1|h0)表示v1服从P(v1|h0)的h0条件下v1的概率分布;
3-7)对所有隐单元计算这里表示在v0条件下的概率为
3-8)按照下面的公式更新参数:
(1)
这里利用新的可见单元与隐单元之间的连接权重取代原有的连接权重W;
(2)
这里利用新的可见单元偏置取代原有的可见单元偏置
(3)
这里利用新的隐单元偏置取代原有的隐单元偏置
3-9)将DBN网络的隐层1之后的网络去除,以极限学习机作为输出层,这样第1个隐层到第2隐层以及第2个隐层到输出层的权重和偏置则是由ELM算法确定,则该网络表示为:
式中:为输入层到第2个隐层的权重,为输入层到第1个隐层的第个偏置向量,为第1个隐层到第2隐层的第个输出权重,v1为步骤3-6)的输出数组,为激活函数;为隐层1节点的个数;
对于深度信念网DBN,目标是最小化输出的误差,表示为式中:为第期望输出。
3-10)保存上述训练好的网络,当风电机组出现故障时可立刻进行故障诊断和定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811351945.2A CN109444740B (zh) | 2018-11-14 | 2018-11-14 | 一种风电机组的故障状态智能监测与诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811351945.2A CN109444740B (zh) | 2018-11-14 | 2018-11-14 | 一种风电机组的故障状态智能监测与诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109444740A true CN109444740A (zh) | 2019-03-08 |
CN109444740B CN109444740B (zh) | 2020-10-02 |
Family
ID=65553283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811351945.2A Active CN109444740B (zh) | 2018-11-14 | 2018-11-14 | 一种风电机组的故障状态智能监测与诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444740B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827777A (zh) * | 2019-04-01 | 2019-05-31 | 哈尔滨理工大学 | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 |
CN110046562A (zh) * | 2019-04-01 | 2019-07-23 | 湖南大学 | 一种风电***健康监测方法及装置 |
CN110796281A (zh) * | 2019-08-26 | 2020-02-14 | 广西电网有限责任公司电力科学研究院 | 基于改进深度信念网络的风电机组状态参数预测方法 |
CN111458640A (zh) * | 2020-04-22 | 2020-07-28 | 西安交通大学 | 一种基于三相电流的交流异步电机转子断条故障诊断方法 |
CN111521937A (zh) * | 2020-04-29 | 2020-08-11 | 粤电集团贵州有限公司 | 瓦斯发电机启动故障诊断方法及装置 |
CN111625762A (zh) * | 2020-04-29 | 2020-09-04 | 粤电集团贵州有限公司 | 风机故障诊断方法 |
CN111695581A (zh) * | 2019-03-12 | 2020-09-22 | 宁波大学 | 一种基于自回归极限学习机的非线性动态过程监测方法 |
CN113311333A (zh) * | 2021-05-26 | 2021-08-27 | 北京航空航天大学 | 高速鼓风机定子在线故障诊断***及方法 |
CN115114964A (zh) * | 2022-07-21 | 2022-09-27 | 西南交通大学 | 一种基于数据驱动的传感器间歇性故障诊断方法 |
CN115307670A (zh) * | 2022-10-12 | 2022-11-08 | 蘑菇物联技术(深圳)有限公司 | 用于定位中央空调***异常传感器的方法、设备和介质 |
CN115358265A (zh) * | 2022-08-16 | 2022-11-18 | 绍兴淼汇能源科技有限公司 | 一种超低水头提水***故障的检测方法 |
US12012930B2 (en) | 2019-10-30 | 2024-06-18 | Ge Infrastructure Technology Llc | System and method for preventing pitch bearing failures in a wind turbine using pitch motor signals |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976051A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 |
CN107192951A (zh) * | 2017-07-31 | 2017-09-22 | 湖南科技大学 | 一种风力发电机三相转子电流微故障诊断方法 |
CN107506861A (zh) * | 2017-08-25 | 2017-12-22 | 广东工业大学 | 一种短期风速预测方法、装置及*** |
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
US20180284735A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment |
-
2018
- 2018-11-14 CN CN201811351945.2A patent/CN109444740B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976051A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 |
US20180284735A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment |
CN107192951A (zh) * | 2017-07-31 | 2017-09-22 | 湖南科技大学 | 一种风力发电机三相转子电流微故障诊断方法 |
CN107506861A (zh) * | 2017-08-25 | 2017-12-22 | 广东工业大学 | 一种短期风速预测方法、装置及*** |
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
Non-Patent Citations (2)
Title |
---|
刘海: "风力发电机组中轴承状态监测与故障诊断***的研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
魏嘉: "大数据下风电机组齿轮箱故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695581A (zh) * | 2019-03-12 | 2020-09-22 | 宁波大学 | 一种基于自回归极限学习机的非线性动态过程监测方法 |
CN110046562A (zh) * | 2019-04-01 | 2019-07-23 | 湖南大学 | 一种风电***健康监测方法及装置 |
CN109827777A (zh) * | 2019-04-01 | 2019-05-31 | 哈尔滨理工大学 | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 |
CN110046562B (zh) * | 2019-04-01 | 2021-01-26 | 湖南大学 | 一种风电***健康监测方法及装置 |
CN110796281A (zh) * | 2019-08-26 | 2020-02-14 | 广西电网有限责任公司电力科学研究院 | 基于改进深度信念网络的风电机组状态参数预测方法 |
US12012930B2 (en) | 2019-10-30 | 2024-06-18 | Ge Infrastructure Technology Llc | System and method for preventing pitch bearing failures in a wind turbine using pitch motor signals |
CN111458640B (zh) * | 2020-04-22 | 2021-05-28 | 西安交通大学 | 一种基于三相电流的交流异步电机转子断条故障诊断方法 |
CN111458640A (zh) * | 2020-04-22 | 2020-07-28 | 西安交通大学 | 一种基于三相电流的交流异步电机转子断条故障诊断方法 |
CN111521937A (zh) * | 2020-04-29 | 2020-08-11 | 粤电集团贵州有限公司 | 瓦斯发电机启动故障诊断方法及装置 |
CN111625762A (zh) * | 2020-04-29 | 2020-09-04 | 粤电集团贵州有限公司 | 风机故障诊断方法 |
CN113311333A (zh) * | 2021-05-26 | 2021-08-27 | 北京航空航天大学 | 高速鼓风机定子在线故障诊断***及方法 |
CN115114964A (zh) * | 2022-07-21 | 2022-09-27 | 西南交通大学 | 一种基于数据驱动的传感器间歇性故障诊断方法 |
CN115358265A (zh) * | 2022-08-16 | 2022-11-18 | 绍兴淼汇能源科技有限公司 | 一种超低水头提水***故障的检测方法 |
CN115358265B (zh) * | 2022-08-16 | 2024-04-30 | 绍兴淼汇能源科技有限公司 | 一种超低水头提水***故障的检测方法 |
CN115307670A (zh) * | 2022-10-12 | 2022-11-08 | 蘑菇物联技术(深圳)有限公司 | 用于定位中央空调***异常传感器的方法、设备和介质 |
CN115307670B (zh) * | 2022-10-12 | 2023-01-13 | 蘑菇物联技术(深圳)有限公司 | 用于定位中央空调***异常传感器的方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109444740B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444740A (zh) | 一种风电机组的故障状态智能监测与诊断方法 | |
CN108680358A (zh) | 一种基于轴承温度模型的风电机组故障预测方法 | |
Kassa et al. | Short term wind power prediction using ANFIS | |
CN103161668B (zh) | 智能风电机组工况辨识***及方法 | |
Zhan et al. | Abnormal vibration detection of wind turbine based on temporal convolution network and multivariate coefficient of variation | |
CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
CN103020462A (zh) | 计及复杂尾流效应模型的风电场概率输出功率计算方法 | |
CN109948833A (zh) | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 | |
CN108663600B (zh) | 一种基于输电网的故障诊断方法、装置及存储介质 | |
CN110009135B (zh) | 一种基于宽度学习的风电功率预测方法 | |
CN111950505A (zh) | 一种ssa-aann的风力发电机传感器状态评估方法 | |
CN104269867A (zh) | 一种节点扰动功率转移分布均衡度分析方法 | |
CN109782124A (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及*** | |
CN106768933A (zh) | 一种基于遗传算法的风电机组叶片故障诊断方法 | |
CN110362045A (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN103793887A (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN106483405A (zh) | 基于隐马尔可夫模型的npc光伏逆变器的故障诊断方法 | |
CN106295857A (zh) | 一种风电功率超短期预测方法 | |
CN107947228A (zh) | 基于Markov理论的含风电电力***随机稳定性分析方法 | |
Huang et al. | Priori-guided and data-driven hybrid model for wind power forecasting | |
CN102749584A (zh) | 基于Kalman滤波的ESN的涡轮发电机的剩余寿命预测方法 | |
Xiangjun et al. | Anomaly detection of wind turbine gearbox based on digital twin drive | |
CN107527093B (zh) | 一种风电机组运行状态诊断方法及装置 | |
Zhang et al. | An ensemble approach for fault diagnosis via continuous learning | |
Al-Gabalawy et al. | Power curve estimation of a wind turbine considering different weather conditions using machine learning algorithms |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |