CN111241748A - 基于长短期记忆模型循环神经网络的风力发电机故障诊断 - Google Patents
基于长短期记忆模型循环神经网络的风力发电机故障诊断 Download PDFInfo
- Publication number
- CN111241748A CN111241748A CN202010031487.5A CN202010031487A CN111241748A CN 111241748 A CN111241748 A CN 111241748A CN 202010031487 A CN202010031487 A CN 202010031487A CN 111241748 A CN111241748 A CN 111241748A
- Authority
- CN
- China
- Prior art keywords
- generator
- measurement value
- blade
- value
- speed
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种基于长短期记忆模型循环神经网络的风力发电机故障诊断方法,包括如下步骤:步骤1:对风机基准***进行建模,将风机基准***细分为八种故障,设置故障类型及发生时间。步骤2:对风机基准模型进行仿真,得到实际测量值。步骤3:对步骤2得到的实际测量值进行数据预处理,构造实际测量值的数据样本集。步骤4:搭建LSTM模型,将步骤3中经过预处理的数据用LSTM模型进行训练,在训练过程中不断调整参数,并使用均分误差来评价训练效果,预测得到的值与步骤2得到的传感器的实际测量值进行比较,设置阈值进行判断故障发生的时间以及位置。
Description
技术领域
本发明涉及风力发电机故障检测领域,具体说是一种基于长短期记忆模型循环神经网络的风力发电机故障诊断。
背景技术
文献[1]将支持向量机(SVM)用于由三片叶片和一个全转换器组成的变速水平轴风力机的故障检测和隔离。支持向量机方法是基于数据的,因此对处理知识具有鲁棒性。此外,它基于结构风险最小化,增强了通用性,并允许通过使用灵活的内核来考虑过程非线性。在这项工作中,径向基函数被用作核。对过程的不同部分进行了研究,包括执行器、传感器和过程故障。利用双传感器,我们可以快速检测叶片螺距位置、发电机和转子转速的传感器故障(定值故障的2个采样周期),但对故障大小有特定的限制。转换器扭矩故障(执行器)可以在两个采样周期内检测到。无法检测到俯仰***执行器中的故障。
SVM等人工智能预测方法通过大量历史数据建立输出变量与输入变量之间的非线性关系,将动态时间建模问题变为静态空间建模问题。事实上,作为典型的时间序列,风机各类数据不但具有非线性,而且具有动态特性,即***的输出不仅与当前时刻的输入有关,而且与过去的输入有关。因此,SVM对于风电故障检测的精度有限。
发明内容
作为一种循环反馈的神经网络框架,递归神经网络(recurrent neural network,RNN)能够考虑时间序列的时序相关性,理论上能够利用任意长度的历史信息,因此可以更加全面完整地对时间序列进行建模。作为一种特殊的RNN模型,长短期记忆(long short-term memory,LSTM)网络通过自身特殊的结构设计,有效地规避了常规RNN训练过程中的梯度消失和梯度***问题,能够比较有效地被训练,从而真正有效地利用历史序列信息,由于网络自身结构的特点,被广泛应用于处理和预测高度时间相关、强耦合的事件。LSTM应用领域相当广泛,例如:Wei Daqian等人将其用于非结构化文本的故障分类。Yuan Mei等人利用LSTM进行航空发动机的故障检测,从而保证发动机正常运行。针对游客出行,为了使其制定适当的出行路线,Zhao Zheng等人提出采用LSTM进行短期交通状况预测。Qiaomu Zhu等人利用LSTM进行风电场发电功率的超短期预测,并证明预测精度高于人工神经网络。DonghuiLi等人基于改进LSTM的深度学习方法,用于冷水机组传感器偏差故障检测,所提方法的检测结果与自动编码器(Auto encoder)、主元分析法(PCA)、标准的LSTM三种方法的检测结果进行比较,得出改进LSTM的深度学习方法在冷水机组传感器偏差故障检测中检测效率明显优于其他三种方法。诸多案例证明利用LSTM进行各类故障检测是一种可靠而优秀的方法。
为达到以上目的,本发明采取的技术方案是:
基于长短期记忆模型循环神经网络的风力发电机故障诊断,包括如下步骤:
步骤1:对风机基准***进行建模,将风机基准***细分为八种故障,设置故障类型及发生时间。
步骤2:对风机基准模型进行仿真,得到实际测量值。
步骤3:对步骤2得到的实际测量值进行数据预处理,构造实际测量值的数据样本集。
步骤4:搭建LSTM模型,将步骤3中经过预处理的数据用LSTM模型进行训练,在训练过程中不断调整超参数,并使用均分误差来评价训练效果,预测得到的值与步骤2得到的传感器的实际测量值进行比较,设置阈值进行判断故障发生的时间以及位置。
在上述方案的基础上,所述步骤1进一步包括:
步骤1.1:风机基准***包括:变桨***、传动***、发电机与变频器***以及控制器。
控制器通过使用叶片俯仰角参照βr来控制变桨***,通过使用发电机转矩参照τg,r来控制发电机与变频器***。Pr为参照功率,值为4.8×106;
Vw代表风速,Vw穿过变桨***,变桨***的叶片转动转子产生转子转矩τr,并传递到传动***,发电机与变频器***使用发电机转矩参照τg,r得到发电机转矩τg,传动***将转子转矩τr和发电机与变频器***产生的发电机转矩τg转换为转子转速ωr和发电机转速ωg。发电机与变频器***通过发电机转矩参照τg,r结合发电机转速ωg可得到功率Pg;
ωr,m表示转子转速测量值、ωg,m表示发电机转速测量值、τg,m表示发电机转矩测量值,βm表示俯仰角测量值,同时为了满足物理冗余度要求,转子转速,发电机转速以及每个叶片俯仰角三部分,分别使用两个传感器进行测量,所述传感器包括:传感器1、传感器2;发电机转矩使用一个传感器进行测量,分别记录传感器得到的实际测量值并传递给控制器。
在上述方案的基础上,所述转子转速测量值包括:转子转速异常测量值、转子转速正常测量值;发电机转速测量值包括:发电机转速正常测量值、发电机转速异常测量值;发电机转矩测量值包括:发电机转矩的异常测量值;俯仰角测量值包括:叶片1俯仰角异常测量值,叶片1俯仰角正常测量值,叶片2俯仰角异常测量值,叶片2俯仰角正常测量值,叶片3俯仰角异常测量值,叶片3俯仰角正常测量值;
在上述方案的基础上,所述风机基准***细分为八种故障,分别为:
(1)100-1100s时,叶片1传感器1上俯仰角测量值β1,m1产生值为-3°的固定值故障;
(2)500-1000s时,叶片2传感器2上俯仰角测量值β2,m2产生值为5的增益因子故障;
(3)900-1000s时,叶片3传感器1上俯仰角测量值β3,m1产生值为7°的固定值故障;
(4)1200-1300s时,转子转速传感器1ωr,m1产生值为2rad/s的固定值故障;
(6)2900-3000s时,由于油中空气含量过高引起的制动器故障;
(7)3500-3600s时,由于低压引起的制动器故障;
(8)3800-3900s时,由转换器转矩控制中偏移导致的制动器故障。
在上述方案的基础上,所述步骤2进一步包括:
步骤2.1:风机的空气动力学建模为:
其中,ρ代表空气密度,R代表叶片半径,Cq代表转矩系数表,λ为叶尖速比,βi代表俯仰角(i=1,2,3),vm代表风速。
建立变桨***模型:
yp=Cpx (3)
步骤2.2:建立传动***模型:
其中,Jr为低速轴转动惯量,Kdt为传动***扭转刚度,Bdt是传动***扭转阻尼系数,Ng为齿数比,Jg为高速轴转动惯量,ηdt为传动***效率,θ△为传动***扭转角,分别为ωr,ωg,θ△的一阶导数,Br是低速轴粘性摩擦,Bg为高速轴粘性摩擦,ydt为此状态空间的输出向量。
步骤2.3:建立发电机与变频器***模型:
yc=τg (7)
发电机产生的功率描述为:
Pg(t)=ηgωg(t)τg(t) (8)
其中,ηg为发电机效率。
步骤2.4:将风机基准模型模拟出的风机各部分数据形成各自的数据集,包括:转子转速异常测量值Omega_r_m1,转子转速正常测量值Omega_r_m2,发电机转速正常测量值Omega_g_m1,发电机转速异常测量值Omega_g_m2,发电机转矩的异常测量值tau_g_m,叶片1俯仰角异常测量值Beta_1_m1,叶片1俯仰角正常测量值Beta_1_m2,叶片2俯仰角正常测量值Beta_2_m1,叶片2俯仰角异常测量值Beta_2_m2,叶片3俯仰角异常测量值Beta_3_m1,叶片3俯仰角正常测量值Beta_3_m2。
在上述方案的基础上,所述步骤3进一步包括:
步骤3.1:对步骤2.4中风机基准模型模拟出的风机各部分数据形成各自的数据集中正常测量值的所有的连续型特征进行标准化操作。
若风机测量值数据样本i中的该特征值为xi,则标准化后的特征值xi*为:
其中,Mean(x)指样本i中所有特征值的均值,std(x)指样本i中所有特征值的标准差。
步骤3.2:对于步骤2.4中得到的异常测量值,将异常的数值放大10倍,从而增强异常情况与正常情况的可分性。
步骤3.3:观察经过步骤3.2处理后的各自数据集变化规律,设置一个用于构建数据集的参数。
在上述方案的基础上,步骤4所述超参数包括:隐层神经元个数,隐层个数,一个时间步中折叠的递归步数,训练轮数,训练批尺寸,学习率。
在上述方案的基础上,步骤4所述均分误差公式如下:
本发明技术方案带来的有益效果:
本发明将从风机基准模型中变桨***、传动***、发电机和变频器***可能产生的传感器故障与制动器故障的测量值输入LSTM RNN模型中进行预测估计,区别于传统的各类基于模型的方法,基于机器学习的风机检测方法具有更高的准确率与速度。鉴于机器学习方法的特性,随着时间的不断流逝以及风机各类数据不断增多,机器学习方法对故障的诊断与定位的准确性也将不断提升。而在众多机器学习方法中采用LSTM方法正是因为其能够考虑时间序列的时序相关性,理论上能够利用任意长度的历史信息,可以更加全面完整地对时间序列进行建模,而风机各部分数据也呈现出较强的时序相关性,因此我们可以通过拟合模型数据预测出一个风机的运行数据并与故障值进行比较得到一个残差值。将残差信号与设定阈值进行比较,若超过阈值则判断产生故障。此外,本发明全程没有人为干预,实现了对风机基准模型中提出所有故障进行诊断与隔离。
仿真实验条件:基准模型相关参数值为:Jr=55e6,Kdt=2.7e9,Bd1=775.45,Ng=95,Jg=45.6,ηdt=0.97,αgc=50。并将故障按要求时间范围注入到基准模型,对于LSTM模型,我们先设置一个初始参数,在后面训练的过程中再不断进行调参,相关初始参数值为:隐层神经元个数(HIDDEN_SIZE)=40,隐层个数(NUM_LAYERS)=5,一个时间步中折叠的递归步数(TIMESTEPS)=20,训练轮数(TRAINING_STEPS)=40000,训练批尺寸(BATCH_SIZE)=20,学习率(LEARNING RATE)=0.1。
综上所述,利用本发明提供的自适应观测器进行风力发电机故障诊断与隔离方法是可行的。
本发明的技术关键点和欲保护点是:
(1)长短期记忆网络通过自身特殊的结构设计,有效地规避了常规递归神经网络训练过程中的梯度消失和梯度***问题,能够比较有效地被训练,从而真正有效地利用历史序列信息,由于网络自身结构的特点,被广泛应用于处理和预测高度时间相关、强耦合的事件,该问题是当前基于其他机器学习方法的风机故障诊断中面临的难点
(2)LSTM在风机故障检测与隔离场景中的应用。
参考文献(如专利/论文/标准)
[1]Sheibat-Othman N,Othman S,Benlahrache M,et al.Fault detection andisolation in wind turbines using support vector machines and observers[C]//American Control Conference(ACC),2013.IEEE,2013.
附图说明
本发明有如下附图:
图1基准模型图。
图2标准的RNN结构设计
图3RNN隐含细胞结构
图4标准LSTM隐含层细胞结构
图5Beta1_1部分数据预测效果
具体实施方式
以下结合附图对本发明作进一步详细说明。
基于长短期记忆模型循环神经网络的风力发电机故障诊断,包括如下步骤:
步骤1:对风机基准模型进行建模,将风机基准***细分为八种故障,设置故障类型及发生时间。
所述步骤1进一步包括:
步骤1.1:参阅图1,风机基准模型包括变桨***、传动***、发电机与变频器***以及控制器。
控制器通过使用叶片俯仰角参照βr来控制变桨***,通过使用发电机转矩参照τg,r来控制发电机与变频器***。Pr为参照功率,值为4.8×106;
Vw代表风速,穿过变桨***,变桨***的叶片转动转子产生转子转矩τr,并传递到传动***,发电机与变频器***使用发电机转矩参照τg,r得到发电机转矩τg,传动***将转子转矩τr和发电机与变频器***产生的发电机转矩τg转换为转子转速ωr和发电机转速ωg。发电机与变频器***通过发电机转矩参照τg,r结合发电机转速ωg可得到功率Pg;
ωr,m表示转子转速测量值、ωg,m表示发电机转速测量值、τg,m表示发电机转矩测量值,βm表示俯仰角测量值,同时为了满足物理冗余度要求,转子转速,发电机转速以及每个叶片俯仰角三部分,分别使用两个传感器进行测量,所述传感器包括:传感器1、传感器2;发电机转矩使用一个传感器进行测量,分别记录传感器得到的实际测量值并传递给控制器。
在上述方案的基础上,所述转子转速测量值包括:转子转速异常测量值、转子转速正常测量值;发电机转速测量值包括:发电机转速正常测量值、发电机转速异常测量值;发电机转矩测量值包括:发电机转矩的异常测量值;俯仰角测量值包括:叶片1俯仰角异常测量值,叶片1俯仰角正常测量值,叶片2俯仰角异常测量值,叶片2俯仰角正常测量值,叶片3俯仰角异常测量值,叶片3俯仰角正常测量值;
步骤1.2将风机基准模型细分为八种故障,分别为:
(1)100-1100s时,β1,m1产生值为-3°的固定值故障;
(2)500-1000s时,β2,m2产生值为5的增益因子故障;
(3)900-1000s时,β3,m1产生值为7°的固定值故障;
(4)1200-1300s时,ωr,m1产生值为2rad/s的固定值故障;
(6)2900-3000s时,由于油中空气含量过高引起的制动器故障;
(7)3500-3600s时,由于低压引起的制动器故障;
(8)3800-3900s时,由转换器转矩控制中偏移导致的制动器故障。
步骤2:对风机基准模型进行仿真,为满足物理冗余度的要求各部位使用两个传感器与之相连,记录传感器得到的实际测量值。
所述步骤2进一步包括:
步骤2.1:风机的空气动力学建模为:
其中,ρ代表空气密度,R代表叶片半径,Cq代表转矩系数表,λ为叶尖速比,βi代表相俯仰角(i=1,2,3)。
建立变桨***模型为:
yp=Cpx (3)
步骤2.2:建立传动***模型:
其中,Jr为低速轴转动惯量,Kdt为传动***扭转刚度,Bdt是传动***扭转阻尼系数,Ng为齿数比,Jg为高速轴转动惯量,ηdt为传动***效率,θ△为传动***扭转角,分别为ωr,ωg,θ△的一阶导数,Br是低速轴粘性摩擦,Bg为高速轴粘性摩擦,ydt为此状态空间的输出向量。
步骤2.3:建立发电机与变频器***模型:
yc=τg
(4)
发电机产生的功率描述为:
Pg(t)=ηgωg(t)τg(t) (5)
其中,ηg为发电机效率。
步骤2.4:将风机基准模型模拟出的风机各部分数据形成各自的数据集,分别有:风速v_hub,转子转速的异常测量值Omega_r_m1,转子转速的正常测量值Omega_r_m2,发电机转速的异常测量值Omega_g_m1,发电机转速的异常测量值Omega_g_m2,发电机转矩的异常测量值tau_g_m,发电机发电量的测量值P_g_m,叶片1角度位置异常测量值Beta_1_m1,叶片1角度位置正常测量值Beta_1_m2,叶片2角度位置正常测量值Beta_2_m1,叶片2角度位置异常测量值Beta_2_m2,叶片3角度位置异常测量值Beta_3_m1,叶片3角度位置正常测量值Beta_3_m2。
步骤3:对步骤2得到的测量值进行数据预处理,构造实际测量值的数据样本集。
所述步骤3进一步包括:
步骤3.1:RNN最终经由tanh激活后输出的值位于[-1,1]内,若为分类任务则可以经由softmax进行处理,但我们这里要做的是对连续数值的预测,因此需要的输出即为tanh的输出,因此将原始数据进行尺度放缩,而尺度放缩的方法主要有两种,一种是极差规格化,另一种是标准化,我们这里选择标准化。针对对数据集中所有的连续型特征进行上述的标准化操作,构造相应的数据样本集i。
若风机测量值数据样本i中的该特征值为xi,则标准化后的特征值xi*为:
其中,Mean(x)指样本i中所有特征值的均值,std(x)指样本i中所有特征值的标准差。
步骤3.2:对于步骤2.4中得到的异常测量值,将故障的数值放大10倍,从而增强故障情况与正常情况的可分性。
步骤3.3:观察经过步骤3.2处理后的各自数据集变化规律,设置一个用于构建数据集的参数:TIMESTEPS,其指代一个时间步中折叠的递归步数。
根据该参数设计数据集特征与标签过程如下:以风机叶片Beta_1的传感器测量值为例:
假设TIMESTEPS=2,设数据集为X,其中样本总数为M,即X={x1,x2,...,xM},则构造的训练集为:
其中每一行前TIMESTEPS个数据为特征,最后一个数据为标签。在本例中训练集中每个标签集对应关系如下:y1=x3,y2=x4,...,yM-2=xM。
步骤4:设置参数,搭建LSTM模型,将步骤3中经过预处理的数据用该模型进行训练,在训练过程中不断调整超参数,并使用均分误差来评价训练效果,预测得到的值与步骤2得到的传感器的实际测量值进行比较,设置阈值进行判断故障发生的时间以及位置。
所述步骤4进一步包括:
步骤4.1:在RNN改进基础上的LSTM结构设计:标准的RNN结构设计如图2所示,其中U、V、W均表示权重,Ot为t时刻输出,St为t时刻隐含层状态,Xt为t时刻输入。
RNN隐含细胞结构如图3所示,在图3中,隐含层ht为:
ht=fh(Wxhxt+Whhht-1+bh) (8)
细胞输出yt为:
yt=fy(Whyht+by) (9)
式中,Wxh为输入x的权重矩阵;Whh为t-1时刻隐含层状态作为t时刻输入的权重矩阵;Why为输出矩阵;fh、fy为激活函数;bh、by为偏置。
LSTM相比于普通的RNN,隐含层结构多了三个控制门,遗忘门ft、输入门it、输出门ot。遗忘门ft决定从细胞状态中丢弃哪些信息,输入门it决定向细胞状态更新的信息,输出门ot控制将要输出哪些信息。
图4为标准LSTM隐含层细胞结构,其中xt、ct、ht分别为t时刻的输入单元、细胞状态、输出单元,ct-1、ht-1分别为t-1时刻细胞的状态和输出单元,Φ1为sigmoid函数,Φ2为tanh函数,
结构公式如下:
ft=σ(Wf·[ht-1,xt]+bf) (10)
it=σ(Wi·[ht-1,xt]+bi) (11)
g2=tanh(Wc·[ht-1,xt]+bc) (12)
ct=ftct-1+itg2 (13)
ot=σ(Wo·[ht-1,xt]+bo) (14)
ht=ot·tanh(ct) (15)
式中,Wf、Wi、Wo、Wc分别为遗忘门、输入门、输出门、输入单元状态权重矩阵;bf、bi、bo、bc分别为遗忘门、输入门、输出门、输入单元状态偏置项。
步骤4.2:将经过数据预处理的风机各部分数据分别放入LSTM模型中进行训练,在训练过程中不断调整超参数,超参数是在开始学习过程之前设置值的参数,在本申请中指仿真实验条件中的隐层神经元个数,隐层个数,一个时间步中折叠的递归步数,训练轮数,训练批尺寸,学习率。同时使用均分误差(MSE)来评价训练效果,直至达到最好的效果,MSE函数一般用来检测模型的预测值和真实值之间的偏差,该函数公式如下:
一般来说,MSE的值越小,说明预测效果越好,图5展示的是Beta1_1_m2部分数据输入模型进行预测与真实值进行对比的图线。
步骤4.3:将训练出来的预测数据与真实数据做比较,得到比较的结果,设置阈值,若比较的结果超过一定阈值,判断其发生故障。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (8)
1.基于长短期记忆模型循环神经网络的风力发电机故障诊断方法,其特征在于,包括如下步骤:
步骤1:对风机基准***进行建模,将风机基准***细分为八种故障,设置故障类型及发生时间;
步骤2:对风机基准模型进行仿真,得到实际测量值;
步骤3:对步骤2得到的实际测量值进行数据预处理,构造实际测量值的数据样本集;
步骤4:搭建LSTM模型,将步骤3中经过预处理的数据用LSTM模型进行训练,在训练过程中不断调整超参数,并使用均分误差来评价训练效果,预测得到的值与步骤2得到的传感器的实际测量值进行比较,设置阈值进行判断故障发生的时间以及位置。
2.如权利要求1基于长短期记忆模型循环神经网络的风力发电机故障诊断方法,其特征在于,所述步骤1进一步包括:
步骤1.1:风机基准***包括:变桨***、传动***、发电机与变频器***以及控制器;
控制器通过使用叶片俯仰角参照βr来控制变桨***,通过使用发电机转矩参照τg,r来控制发电机与变频器***;
Vw代表风速,Vw穿过变桨***,变桨***的叶片转动转子产生转子转矩τr,并传递到传动***,发电机与变频器***使用发电机转矩参照τg,r得到发电机转矩τg,传动***将转子转矩τr和发电机与变频器***产生的发电机转矩τg转换为转子转速ωr和发电机转速ωg;发电机与变频器***通过发电机转矩参照τg,r结合发电机转速ωg得到功率Pg;
ωr,m表示转子转速测量值、ωg,m表示发电机转速测量值、τg,m表示发电机转矩测量值,βm表示俯仰角测量值,同时为了满足物理冗余度要求,转子转速,发电机转速以及每个叶片俯仰角三部分,分别使用两个传感器进行测量,所述传感器包括:传感器1、传感器2;发电机转矩使用一个传感器进行测量,分别记录传感器得到的实际测量值并传递给控制器。
3.如权利要求2基于长短期记忆模型循环神经网络的风力发电机故障诊断方法,其特征在于,所述转子转速测量值包括:转子转速异常测量值、转子转速正常测量值;发电机转速测量值包括:发电机转速正常测量值、发电机转速异常测量值;发电机转矩测量值包括:发电机转矩的异常测量值;俯仰角测量值包括:叶片1俯仰角异常测量值,叶片1俯仰角正常测量值,叶片2俯仰角异常测量值,叶片2俯仰角正常测量值,叶片3俯仰角异常测量值,叶片3俯仰角正常测量值。
4.如权利要求3基于长短期记忆模型循环神经网络的风力发电机故障诊断方法,其特征在于,所述风机基准***细分为八种故障,分别为:
(1)100-1100s时,叶片1传感器1上俯仰角测量值β1,m1产生值为-3°的固定值故障;
(2)500-1000s时,叶片2传感器2上俯仰角测量值β2,m2产生值为5的增益因子故障;
(3)900-1000s时,叶片3传感器1上俯仰角测量值β3,m1产生值为7°的固定值故障;
(4)1200-1300s时,转子转速传感器1ωr,m1产生值为2rad/s的固定值故障;
(6)2900-3000s时,由于油中空气含量过高引起的制动器故障;
(7)3500-3600s时,由于低压引起的制动器故障;
(8)3800-3900s时,由转换器转矩控制中偏移导致的制动器故障。
5.如权利要求4基于长短期记忆模型循环神经网络的风力发电机故障诊断方法,其特征在于,所述步骤2进一步包括:
步骤2.1:风机的空气动力学建模为:
其中,ρ代表空气密度,R代表叶片半径,Cq代表转矩系数表,λ为叶尖速比,βi代表俯仰角,i=1,2,3,vm代表风速;
建立变桨***模型:
yp=Cpx (3)
步骤2.2:建立传动***模型:
其中,Jr为低速轴转动惯量,Kdt为传动***扭转刚度,Bdt是传动***扭转阻尼系数,Ng为齿数比,Jg为高速轴转动惯量,ηdt为传动***效率,θ△为传动***扭转角,分别为ωr,ωg,θ△的一阶导数,Br是低速轴粘性摩擦,Bg为高速轴粘性摩擦,ydt为此状态空间的输出向量;
步骤2.3:建立发电机与变频器***模型:
yc=τg (7)
发电机产生的功率描述为:
Pg(t)=ηgωg(t)τg(t) (8)
其中,ηg为发电机效率;
步骤2.4:将风机基准模型模拟出的风机各部分数据形成各自的数据集,包括:转子转速异常测量值Omega_r_m1,转子转速正常测量值Omega_r_m2,发电机转速正常测量值Omega_g_m1,发电机转速异常测量值Omega_g_m2,发电机转矩的异常测量值tau_g_m,叶片1俯仰角异常测量值Beta_1_m1,叶片1俯仰角正常测量值Beta_1_m2,叶片2俯仰角正常测量值Beta_2_m1,叶片2俯仰角异常测量值Beta_2_m2,叶片3俯仰角异常测量值Beta_3_m1,叶片3俯仰角正常测量值Beta_3_m2。
7.如权利要求6基于长短期记忆模型循环神经网络的风力发电机故障诊断方法,其特征在于,步骤4所述超参数包括:隐层神经元个数,隐层个数,一个时间步中折叠的递归步数,训练轮数,训练批尺寸,学习率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010031487.5A CN111241748A (zh) | 2020-01-13 | 2020-01-13 | 基于长短期记忆模型循环神经网络的风力发电机故障诊断 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010031487.5A CN111241748A (zh) | 2020-01-13 | 2020-01-13 | 基于长短期记忆模型循环神经网络的风力发电机故障诊断 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111241748A true CN111241748A (zh) | 2020-06-05 |
Family
ID=70864533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010031487.5A Pending CN111241748A (zh) | 2020-01-13 | 2020-01-13 | 基于长短期记忆模型循环神经网络的风力发电机故障诊断 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111241748A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110212570A (zh) * | 2019-05-14 | 2019-09-06 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于mmse挖掘的风电场等值模型及其构建方法和应用 |
CN112297008A (zh) * | 2020-10-28 | 2021-02-02 | 珠海格力电器股份有限公司 | 识别控制指令的方法及装置、非易失性存储介质、处理器 |
CN112598186A (zh) * | 2020-12-28 | 2021-04-02 | 重庆邮电大学 | 一种基于改进的lstm-mlp的小型发电机故障预测方法 |
CN112648140A (zh) * | 2020-12-21 | 2021-04-13 | 北京华能新锐控制技术有限公司 | 基于信号重构的风电机组桨距角编码器故障容错方法 |
CN113187674A (zh) * | 2021-06-22 | 2021-07-30 | 鲁能集团有限公司 | 一种风电机组变桨***的故障确定方法及*** |
CN113494416A (zh) * | 2021-07-07 | 2021-10-12 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于lstm的变桨距控制方法设计 |
CN114043506A (zh) * | 2021-10-27 | 2022-02-15 | 南昌大学 | 一种多模态触觉感知装置及其应用方法 |
CN114964370A (zh) * | 2022-05-25 | 2022-08-30 | 国家电投集团科学技术研究院有限公司 | 一种风电机组变频器状态监测方法、***及电子设备 |
CN117131457A (zh) * | 2023-10-26 | 2023-11-28 | 杭州海兴泽科信息技术有限公司 | 基于ai模型的电力大数据采集处理方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315642A (zh) * | 2008-04-25 | 2008-12-03 | 东南大学 | 风力发电***的虚拟现实仿真方法 |
CN108647839A (zh) * | 2018-06-28 | 2018-10-12 | 中国人民解放军陆军军事交通学院镇江校区 | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 |
CN109738776A (zh) * | 2019-01-02 | 2019-05-10 | 华南理工大学 | 基于lstm的风机变流器开路故障识别方法 |
CN110414666A (zh) * | 2019-05-28 | 2019-11-05 | 河海大学 | 基于改进的lstm网络的泵站机组故障识别方法 |
CN110531266A (zh) * | 2019-10-14 | 2019-12-03 | 国网山东省电力公司电力科学研究院 | 一种同步电机励磁绕组匝间短路故障预警方法 |
CN110633750A (zh) * | 2019-09-17 | 2019-12-31 | 中国石化销售有限公司华南分公司 | 一种基于lstm模型的电动阀门故障检测方法 |
-
2020
- 2020-01-13 CN CN202010031487.5A patent/CN111241748A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315642A (zh) * | 2008-04-25 | 2008-12-03 | 东南大学 | 风力发电***的虚拟现实仿真方法 |
CN108647839A (zh) * | 2018-06-28 | 2018-10-12 | 中国人民解放军陆军军事交通学院镇江校区 | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 |
CN109738776A (zh) * | 2019-01-02 | 2019-05-10 | 华南理工大学 | 基于lstm的风机变流器开路故障识别方法 |
CN110414666A (zh) * | 2019-05-28 | 2019-11-05 | 河海大学 | 基于改进的lstm网络的泵站机组故障识别方法 |
CN110633750A (zh) * | 2019-09-17 | 2019-12-31 | 中国石化销售有限公司华南分公司 | 一种基于lstm模型的电动阀门故障检测方法 |
CN110531266A (zh) * | 2019-10-14 | 2019-12-03 | 国网山东省电力公司电力科学研究院 | 一种同步电机励磁绕组匝间短路故障预警方法 |
Non-Patent Citations (2)
Title |
---|
NIDA SHEIBAT-OTHMAN,ET AL: "Fault detection and isolation in wind turbines using support vector", 《AMERICAN CONTROL CONFERENCE. IEEE》 * |
PETER FOGH ODGAARD,ET AL: ""Fault-Tolerant Control of Wind Turbines:A Benchmark Model", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110212570B (zh) * | 2019-05-14 | 2023-03-28 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于mmse挖掘的风电场等值模型及其构建方法和应用 |
CN110212570A (zh) * | 2019-05-14 | 2019-09-06 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于mmse挖掘的风电场等值模型及其构建方法和应用 |
CN112297008A (zh) * | 2020-10-28 | 2021-02-02 | 珠海格力电器股份有限公司 | 识别控制指令的方法及装置、非易失性存储介质、处理器 |
CN112648140A (zh) * | 2020-12-21 | 2021-04-13 | 北京华能新锐控制技术有限公司 | 基于信号重构的风电机组桨距角编码器故障容错方法 |
CN112648140B (zh) * | 2020-12-21 | 2022-03-18 | 北京华能新锐控制技术有限公司 | 基于信号重构的风电机组桨距角编码器故障容错方法 |
CN112598186A (zh) * | 2020-12-28 | 2021-04-02 | 重庆邮电大学 | 一种基于改进的lstm-mlp的小型发电机故障预测方法 |
CN112598186B (zh) * | 2020-12-28 | 2022-06-24 | 重庆邮电大学 | 一种基于改进的lstm-mlp的小型发电机故障预测方法 |
CN113187674A (zh) * | 2021-06-22 | 2021-07-30 | 鲁能集团有限公司 | 一种风电机组变桨***的故障确定方法及*** |
CN113494416A (zh) * | 2021-07-07 | 2021-10-12 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于lstm的变桨距控制方法设计 |
CN114043506A (zh) * | 2021-10-27 | 2022-02-15 | 南昌大学 | 一种多模态触觉感知装置及其应用方法 |
CN114964370A (zh) * | 2022-05-25 | 2022-08-30 | 国家电投集团科学技术研究院有限公司 | 一种风电机组变频器状态监测方法、***及电子设备 |
CN117131457A (zh) * | 2023-10-26 | 2023-11-28 | 杭州海兴泽科信息技术有限公司 | 基于ai模型的电力大数据采集处理方法及*** |
CN117131457B (zh) * | 2023-10-26 | 2024-01-26 | 杭州海兴泽科信息技术有限公司 | 基于ai模型的电力大数据采集处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241748A (zh) | 基于长短期记忆模型循环神经网络的风力发电机故障诊断 | |
CN109444740B (zh) | 一种风电机组的故障状态智能监测与诊断方法 | |
CN111897221B (zh) | 一种基于组合观测器的航天器故障诊断方法 | |
CN112393934B (zh) | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 | |
Pérez-Pérez et al. | Fault diagnosis in wind turbines based on ANFIS and Takagi–Sugeno interval observers | |
CN206480004U (zh) | 基于Nesterov动量法的自适应深度置信网络轴承故障诊断装置 | |
CN115329986A (zh) | 基于可解释性图神经网络的风电机组异常检测与定位方法 | |
CN111075647B (zh) | 一种基于elm的变速风电机组最大风能捕获方法 | |
CN111173688A (zh) | 基于自适应观测器的风力发电机故障诊断与隔离方法 | |
Li et al. | Early gear pitting fault diagnosis based on bi-directional LSTM | |
Donders et al. | Fault detection and identification for wind turbine systems: a closed-loop analysis | |
Stepanov et al. | Development of a decision box of diagnostic system for electric drives | |
Rahimilarki et al. | Grey-box model identification and fault detection of wind turbines using artificial neural networks | |
Pérez-Pérez et al. | Robust fault diagnosis of wind turbines based on MANFIS and zonotopic observers | |
Valikhani et al. | Inverse modeling of wind turbine drivetrain from numerical data using Bayesian inference | |
Tong et al. | Machine learning for uav propeller fault detection based on a hybrid data generation model | |
Feng et al. | A condition monitoring method of wind turbines based on long short-term memory neural network | |
CN111622815A (zh) | 基于叶尖定时和优化朴素贝叶斯的叶片裂纹在线测量方法 | |
CN116793666A (zh) | 一种基于lstm-mlp-lsgan模型的风电机组齿轮箱故障诊断方法 | |
Yang et al. | Wind turbine fault detection and diagnosis using LSTM neural network | |
Dervilis et al. | Damage detection in carbon composite material typical of wind turbine blades using auto-associative neural networks | |
Sohaidan et al. | Remaining useful life prediction of turbofan engine using long-short term memory | |
Zhang et al. | Simulation-to-reality UAV Fault Diagnosis with Deep Learning | |
Kuspijani et al. | Faults identification of induction motor based on vibration using backpropagation neural network | |
Wang et al. | Ice detection and voice alarm of wind turbine blades based on belief network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |