CN112270273A - 基于gcn和wpt-md的风力发电机故障部位识别方法 - Google Patents

基于gcn和wpt-md的风力发电机故障部位识别方法 Download PDF

Info

Publication number
CN112270273A
CN112270273A CN202011199637.XA CN202011199637A CN112270273A CN 112270273 A CN112270273 A CN 112270273A CN 202011199637 A CN202011199637 A CN 202011199637A CN 112270273 A CN112270273 A CN 112270273A
Authority
CN
China
Prior art keywords
gcn
wpt
fault
identification method
driven generator
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
Application number
CN202011199637.XA
Other languages
English (en)
Inventor
易灵芝
徐秀
于文新
陈智勇
刘江永
范朝冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN202011199637.XA priority Critical patent/CN112270273A/zh
Publication of CN112270273A publication Critical patent/CN112270273A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Wind Motors (AREA)

Abstract

提出一种基于GCN和WPT‑MD的风力发电机故障部位识别方法。首先对WTP、MD和GCN算法进行了简单介绍，然后将GCN与WPT‑MD结合，提出了一种基于GCN和WPT‑MD的方法，该算法可以有效、快速的实现异步发电机的故障诊断，识别出故障部位。将笼型异步发电机作为应用对象进行仿真实验，实验结果表明，该算法的诊断速度更快，且损失率最小。

Description

基于GCN和WPT-MD的风力发电机故障部位识别方法
技术领域
本发明涉及一种风力发电机故障部位识别的新方法，特别是基于GCN和 WPT-MD的风力发电机故障部位识别。
背景技术
风力发电机的故障率随着风电机组技术的发展而逐渐降低，但对比于传统的发电***， 如蒸汽轮机、燃气轮机、水轮机等，风力发电机的故障率还是很高的，其运行可靠性还有待 进一步的增强和提高。笼型异步发电机在风力发电***中担任着重要的角色，发电机是风电 机组中的关键部件，发电机出现故障会对风机发电造成很大影响，因此，对笼型异步发电机 故障进行诊断具有一定的价值。通过各种检查和测试方法，发现设备是否存在故障，而进一 步确定故障的位置或者故障的类型叫做故障诊断，故障诊断也可被视为故障识别问题。
发明内容
本发明的目的是为了解决异步发电机故障多、诊断速度慢等问题，提出了一种基于小 波包变换、马氏距离、图卷积神经网络的风力发电机故障部位识别方法。本文主 要针对风力发电机中最常用的笼型异步发电机故障进行研究。首先采集异步发电 机的正常数据和其他五种故障数据，然后利用小波包变换和马氏距离对采集的样 本数据进行预处理，构建图结构后，利用图卷积神经网络实现异步发电机的故障 诊断，将正常发电机数据和五类故障数据有效分离。
为实现上述的目的，本发明采用如下技术方案：
一种基于于GCN和WPT-MD的风力发电机故障部位识别方法。它包括数据 预处理模块、小波包变换、马氏距离和图卷积神经网络。其中，数据预处理是将 采集到的原始电流信号数据归一化处理，消除数量级的影响。小波包变换用来提 取数据特征，提取出的特征向量利用马氏距离计算各个向量之间的相似度。图卷 积神经网络的主要作用是识别最终的不同故障。
本发明主要利用如下技术：
1.小波包变换
小波包变换(Wavelet Packet Transform,WPT)是对小波变换的一个改进，主 要的算法思想是：在小波变换的基础上，在每一级信号分解时，除了对低频子带 进行进一步分解，也对高频子带进行进一步分解，最后通过最小化一个代价函数， 计算出最优的信号分解路径，并以此分解路径对原始信号进行分解。小波包变换 的公式为：
Figure BDA0002753452020000011
公式(1)中，
Figure BDA0002753452020000012
分别为小波包分解系数，hk-21,gk-21分别是小波包分 解的低通和高通滤波器系数，WPT系数dij(k)之和等于原始时域振动信号，从 而得到归一化能量特征向量En。
2.马氏距离
马氏距离(Mahalanobis Distance,MD)是一种距离的度量，它是一种有效的计 算两个未知样本集的相似度的方法。与欧氏距离不同的是它考虑到各种特性之间 的联系。数据点x,y之间的马氏距离可以利用公式(2)计算：
Figure RE-GDA0002836728400000021
其中Σ是多维随机变量的协方差矩阵，如果协方差矩阵是单位向量，也就是各维度独立同分布，马氏距离就变成了欧氏距离。
3.图卷积神经网络
GCN是一个神经网络层，假设一组数据有N个节点，每个节点都有自己的 特征，这些节点的特征组成一个N*D维的矩阵X，然后各个节点之间的关系也 会形成一个N*N维的矩阵A，也称为邻接矩阵。X和A便是我们模型的输入。 GCN的层与层之间的传播方为：
Figure BDA0002753452020000022
其中：
Figure BDA0002753452020000023
I是单位矩阵；
Figure BDA0002753452020000024
是
Figure BDA0002753452020000025
的度矩阵，公式为
Figure BDA0002753452020000026
H是每 一层的特征，对于输入层，H就是X；σ是非线性激活函数。
附图说明
图1基于GCN和WPT-MD的风力发电机故障部位识别方法流程图。
具体实施方式
下面结合附图及利用各种技术对本发明做一个详细的说明。
图1中描述了整个风力发电机故障部位识别方法实现流程，其流程如下。
第一步是数据采集。SCADA***监视并采集数据。将发电机组中异步发电 机分别设置在正常状态、定子绕组相间短路故障、气隙偏心、轴承故障、转轴弯 曲和转子断条这六种不同的状态下，采集这六种不同状态下的电流信号数据。每 类状态选取5组，每组10000个采样点，包含10个周期，截取其中的6个周期 作为实验的总样本。其中24000作为训练集，6000作为测试样本。
第二步特征提取。为了避免特征提取过程中出现混频现象，我们采用小波包 变换对采集的发电机故障数据和正常数据做特征提取。
第三步是构建图结构。特征向量之间的相似度可以表示他们之间的关系。由 于马氏距离可以考虑到各种特性之间的联系，因此我们选择了马氏距离来计算 各个未知样本集的相似度。通过计算各个特征向量之间的相似度，得到不同的距 离，距离越小，相似度就越大，反之，距离越大，相似度就越小。通多次实验验 证，马氏距离的阈值为0.3时，能够尽可能使得多数特征向量之间都可存在关系， 即：当任意两个特征向量之间的距离小于0.3时，这两个特征向量可定义为存在 一定的关系。利用特征向量之间的关系构建拓扑图结构。以每个特征向量为节点， 特征向量之间的关系为边构建拓扑结构。
第四步实现风力发电机故障部位识别。由第三步中构建的图结构，输入到图 卷积神经网络中。GCN输入的是两个矩阵，分别为N*N邻接矩阵和N*D的特征 矩阵。N为节点数，在本文中，我们将特征向量作为节点数，由小波包变换提取 出的六类数据的特征向量为2705，因此输入一个2705*2705的邻接矩阵。而D 为邻接矩阵的度矩阵。判断是否满足收敛条件，若满足，则过程结束，实现风力 发电机故障部位识别；若不满足，继续分类。

Claims (4)

1.一种基于GCN和WPT-MD的风力发电机故障部位识别方法，这种方法将图卷积神经网络(GCN)和小波包变换(WPT)、马氏距离(MD)进行融合，以风力发电机作为应用对象进行故障部位识别；
WPT通过对每一级信号进行信号分解，用来提取出不同的特征，构建出特征向量；
MD用来计算不同的特征向量之间的距离，通过设置阈值，得到不同特征向量之间的相似度，是一种有效的计算样本集的相似度的方法；
GCN用来处理高维、非线性大数据等数据，把收集和预处理过的数据输入到GCN中，利用GCN实现故障分类，从而达到故障部位识别的方法。
2.根据权利要求1所述的基于GCN和WPT-MD的风力发电机故障部位识别方法，其特征在于可以快速有效的识别风力发电机的故障部位。
3.根据权利要求2所述的基于GCN和WPT-MD的风力发电机故障部位识别方法能够快速有效的识别风力发电机的故障部位。其方法包括三个步骤：小波包变换实现信号特征提取、马氏距离计算特征向量之间的相似度、图卷积神经网络实现风力发电机的故障部位识别。
4.根据权利要求1所述的基于GCN和WPT-MD的风力发电机故障部位识别方法，其特征在于图卷积神经网络是一种新型的智能算法，该算法的诊断速度快、精确度高，具有很好的发展前景。
CN202011199637.XA 2020-10-30 2020-10-30 基于gcn和wpt-md的风力发电机故障部位识别方法 Pending CN112270273A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011199637.XA CN112270273A (zh) 2020-10-30 2020-10-30 基于gcn和wpt-md的风力发电机故障部位识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011199637.XA CN112270273A (zh) 2020-10-30 2020-10-30 基于gcn和wpt-md的风力发电机故障部位识别方法

Publications (1)

Publication Number Publication Date
CN112270273A true CN112270273A (zh) 2021-01-26

Family

ID=74344760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011199637.XA Pending CN112270273A (zh) 2020-10-30 2020-10-30 基于gcn和wpt-md的风力发电机故障部位识别方法

Country Status (1)

Country Link
CN (1) CN112270273A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419172A (zh) * 2021-06-21 2021-09-21 湘潭大学 基于gcn和vmd-ed的新能源汽车三相异步电机故障识别

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090237021A1 (en) * 2008-03-21 2009-09-24 Denso Corporation Apparatus for carrying out improved control of rotary machine
CN102944435A (zh) * 2012-10-25 2013-02-27 北京航空航天大学 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法
CN105300692A (zh) * 2015-08-07 2016-02-03 浙江工业大学 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法
CN108196161A (zh) * 2018-01-10 2018-06-22 哈尔滨理工大学 一种异步化超高压同步发电机失磁故障诊断方法
CN111461392A (zh) * 2020-01-23 2020-07-28 华中科技大学 一种基于图神经网络的电力故障预测方法及***
CN111652329A (zh) * 2020-08-05 2020-09-11 腾讯科技（深圳）有限公司 一种图像分类方法、装置、存储介质和电子设备
CN111812507A (zh) * 2020-05-27 2020-10-23 浙江工业大学 一种基于图卷积的电机故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090237021A1 (en) * 2008-03-21 2009-09-24 Denso Corporation Apparatus for carrying out improved control of rotary machine
CN102944435A (zh) * 2012-10-25 2013-02-27 北京航空航天大学 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法
CN105300692A (zh) * 2015-08-07 2016-02-03 浙江工业大学 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法
CN108196161A (zh) * 2018-01-10 2018-06-22 哈尔滨理工大学 一种异步化超高压同步发电机失磁故障诊断方法
CN111461392A (zh) * 2020-01-23 2020-07-28 华中科技大学 一种基于图神经网络的电力故障预测方法及***
CN111812507A (zh) * 2020-05-27 2020-10-23 浙江工业大学 一种基于图卷积的电机故障诊断方法
CN111652329A (zh) * 2020-08-05 2020-09-11 腾讯科技（深圳）有限公司 一种图像分类方法、装置、存储介质和电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DINGCHENG ZHANG等: "Intelligent Acoustic-based Fault Diagnosis of Roller Bearings Using a Deep Graph Convolutional Network", 《MEASUREMENT》 *
宋才华等: "基于人工智能方法的电力***动态等值的应用研究", 《微型电脑应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419172A (zh) * 2021-06-21 2021-09-21 湘潭大学 基于gcn和vmd-ed的新能源汽车三相异步电机故障识别

Similar Documents

Publication Publication Date Title
CN110609477B (zh) 一种基于深度学习的电力***暂态稳定性判别***及方法
CN113094862B (zh) 一种基于数据驱动的台区多层拓扑结构辨识方法
CN113255458A (zh) 基于多视图关联特征学习的轴承故障诊断方法
Mahdi et al. Defensive islanding using self-organizing maps neural networks and hierarchical clustering
CN107590604B (zh) 一种结合s变换和2dpca的同调机组分群方法及***
CN111401792A (zh) 一种基于极限梯度提升决策树的动态安全评估方法
Mishra et al. Loss of main detection in distribution generation system based on hybrid signal processing and machine learning technique
Sima et al. Edge–cloud collaboration detection approach for small-sample imbalanced faults in power lines
Yan et al. Deep learning based total transfer capability calculation model
CN115983374A (zh) 基于优化sa-cacgan的电缆局放数据库样本扩充方法
Harish et al. Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine
CN112270273A (zh) 基于gcn和wpt-md的风力发电机故障部位识别方法
CN117171544B (zh) 基于多通道融合卷积神经网络的电机振动故障诊断方法
Hassani et al. Design of a cost-effective deep convolutional neural network–based scheme for diagnosing faults in smart grids
Aljohani et al. Smart fault detection and classification for distribution grid hybridizing ST and MLP-NN
Fu et al. Fault classification in wind turbines using principal component analysis technique
Zhao et al. A fault diagnosis approach for rolling element bearing based on S-transform and artificial neural network
CN109031020B (zh) 一种基于逻辑斯蒂回归的变压器涌流识别方法
Zhu et al. Bearing fault diagnosis based on sparse wavelet decomposition and sparse graph connection using GraphSAGE
Rababaah Wind turbine signal fault diagnosis using deep neural networks-inspired model
CN111368933A (zh) 一种基于Softmax回归的配电网暂态过程故障分类方法及***
CN114325236B (zh) 一种基于频谱熵和随机森林的配电网故障识别方法及***
Bhuyan et al. Fault Classification in a DG Connected Power System using Artificial Neural Network
Dong et al. Partial Discharge Data Augmentation and Pattern Recognition for Unbalanced and Small Sample Scenarios
Haroun et al. Self-Organizing Map and feature selection for of IM broken rotor bars faults detection and diagnosis

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: 20210126