一种风电机组结冰故障诊断方法、系统、设备及存储介质

1.本发明涉及风电机组结冰故障诊断领域，特别是涉及一种风电机组结冰故障诊断方法、系统、设备及存储介质。


背景技术：

2.以光伏和风电为主体的新能源不断发展，装机容量逐年上升。但在海上、高山地区建设的大型风电机组所处环境恶劣，设备故障问题频发。其中，风机桨叶覆冰是主要故障之一，严重时将发生叶片断裂、抛冰伤人等一系列危害。
3.目前，针对风电机组结冰故障的诊断研究方法主要分为两大类：基于结冰机理分析方法和数据驱动方法。传统结冰机理分析法主要通过传感器和结冰内部机制构建覆冰数学模型进行结冰诊断，但该方法诊断精度不高，计算能力差、计算速度较慢；且传感器造价和维护费用较高，过度依赖经验建立模型，普适性较差。
4.随着监控和数据采集(supervisory control and data acquisition，scada)系统在风电场中广泛应用，大量包含异常运行状态的数据变得易于获取，许多通过神经网络使用scada历史数据构建风机模型的诊断方法被提出，实现了对风机的覆冰故障检测的经济性优势，但忽视了不同风机的特征分布差异，导致在不同风机测试集上泛化能力不足，重新训练模型耗时过长，难以构建多风机检测模型。
5.从上述研究可知，传统的风机结冰故障诊断方法主要存在两个问题：(1)为建立精确覆冰数学模型需安装多个传感器，这将增添额外的生产和维护成本；(2)实际场景中，不同风机监测数据差异性较大，这导致即使是通过同型号风机数据训练得到的模型，也很难在其他风机的数据上取得可靠的诊断结果，所建立模型难以拓展到多风机场景，缺乏鲁棒性。
6.近年来，深度学习发展迅速，其中迁移学习在处理异质性数据、提高模型泛化能力方面效果显著，可以把已训练好的模型参数迁移到新的模型来帮助新模型训练。但现有研究中建立的迁移学习模型，其网络计算速度较慢，模型建立时间较长，图像数据获取与处理难度较大，难以适用于多风机结冰诊断模型的建立。
7.传统lenet-5神经网络层数较浅，在使用scada数据训练过程中拟合程度较低。上述迁移学习方法虽然比传统风机结冰故障诊断方法取得了泛化性的优势，但仍有进一步提升空间。


技术实现要素：

8.本发明的目的是提供一种风电机组结冰故障诊断方法、系统、设备及存储介质，以提高网络模型对故障特征的提取能力，加强模型的泛化性，在保证快速性的同时提高模型的准确性，能够有效地实现风机结冰的快速准确诊断。
9.为实现上述目的，本发明提供了如下方案：
10.一种风电机组结冰故障诊断方法，包括：
11.获取风电机组的监控数据和结冰情况；
12.根据所述监控数据和结冰情况确定训练集并将所述训练集划分为第一训练集和第二训练集；
13.利用所述第一训练集对lenet5like网络进行训练，得到预训练网络；
14.采用迁移学习算法利用所述第二训练集对所述预训练网络进行网络参数微调，得到结冰故障诊断模型；
15.根据待检测的风电机组的监控数据利用所述结冰故障诊断模型进行故障诊断，得到结冰故障诊断结果。
16.可选地，在获取风电机组的监控数据和结冰情况之后，还包括：对所述监控数据和结冰情况进行预处理，所述预处理包括归一化处理以及数据删除。
17.可选地，所述lenet5like网络包括依次连接的第一卷积层、第一批归一化层、第一relu层、第一池化层、第一失活层、第二卷积层、第二批归一化层、第二relu层、第二池化层、第三卷积层、第三批归一化层、第三relu层、第三池化层和两层线性层。
18.可选地，网络参数微调的优化目标函数表达式为：
[0019][0020]
其中，y
t
为真实故障情况数字化表示，y
p
为网络诊断故障情况数字化表示，ck为k层已提取特征参数，c
k-1
为k-1层已提取特征参数，x为训练集数据次序。
[0021]
本发明还提供一种风电机组结冰故障诊断系统，包括：
[0022]
获取模块，用于获取风电机组的监控数据和结冰情况；
[0023]
划分模块，用于根据所述监控数据和结冰情况确定训练集并将所述训练集划分为第一训练集和第二训练集；
[0024]
训练模块，用于利用所述第一训练集对lenet5like网络进行训练，得到预训练网络；
[0025]
网络参数微调模块，用于采用迁移学习算法利用所述第二训练集对所述预训练网络进行网络参数微调，得到结冰故障诊断模型；
[0026]
故障诊断模块，用于根据待检测的风电机组的监控数据利用所述结冰故障诊断模型进行故障诊断，得到结冰故障诊断结果。
[0027]
可选地，所述lenet5like网络包括依次连接的第一卷积层、第一批归一化层、第一relu层、第一池化层、第一失活层、第二卷积层、第二批归一化层、第二relu层、第二池化层、第三卷积层、第三批归一化层、第三relu层、第三池化层和两层线性层。
[0028]
本发明还提供一种电子设备，包括：
[0029]
一个或多个处理器；
[0030]
存储装置，其上存储有一个或多个程序；
[0031]
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如所述的方法。
[0032]
本发明还提供一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如所述的方法。
[0033]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0034]
本发明获取风电机组的监控数据和结冰情况；根据所述监控数据和结冰情况确定训练集并将所述训练集划分为第一训练集和第二训练集；利用所述第一训练集对lenet5like网络进行训练，得到预训练网络；采用迁移学习算法利用所述第二训练集对所述预训练网络进行网络参数微调，得到结冰故障诊断模型；根据待检测的风电机组的监控数据利用所述结冰故障诊断模型进行故障诊断，得到结冰故障诊断结果。本发明利用lenet5like网络和迁移学习算法能提高网络模型对故障特征的提取能力，加强模型的泛化性，在保证快速性的同时提高模型的准确性，能够有效地实现风机结冰的快速准确诊断。
附图说明
[0035]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]
图1为lenet5like网络结构图；
[0037]
图2为风电机组结冰故障诊断方法示意图；
[0038]
图3为w1风机数据训练测试准确率图；
[0039]
图4为w1风机数据训练测试损失图；
[0040]
图5为w2风机数据训练测试准确率图；
[0041]
图6为w2风机数据训练测试损失图；
[0042]
图7为w2风机数据迁移学习训练测试准确率图；
[0043]
图8为w2风机数据迁移学习训练测试损失图；
[0044]
图9为本发明提供的风电机组结冰故障诊断方法流程图。
具体实施方式
[0045]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0046]
本发明的目的是提供一种风电机组结冰故障诊断方法、系统、设备及存储介质，以提高网络模型对故障特征的提取能力，加强模型的泛化性，在保证快速性的同时提高模型的准确性，能够有效地实现风机结冰的快速准确诊断。
[0047]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0048]
如图2和图9所示，本发明提供的一种风电机组结冰故障诊断方法，包括：
[0049]
步骤101：获取风电机组的监控数据和结冰情况。
[0050]
在获取风电机组的监控数据和结冰情况之后，还包括：对所述监控数据和结冰情况进行预处理，所述预处理包括归一化处理以及数据删除。
[0051]
步骤102：根据所述监控数据和结冰情况确定训练集并将所述训练集划分为第一训练集和第二训练集。
[0052]
本发明中的监控数据为scada数据，整合风电机组scada数据与结冰情况并进行数据预处理，得到训练数据集；训练集中的样本数据是通过每台风机上安装的采集系统进行采集后预处理得到的，具体包括：
[0053]
本发明所用数据集采集自某风电场两台三桨叶风力发电机(wl、w2)的scada系统数据，采集时间从2020年11月1日20时20分至2021年1月1日21时38分。scada系统每7s采样一次，共采集到584380条数据样本和80个数据变量。通过风机的机理模型和人工经验等保留了风机的状态参数、环境参数和工况参数等26个连续数值特征变量。具体检测变量数据说明见表1。为便于数据输入运算，所有数据已经归一化处理，与工程师标注的风机覆冰状态一同整合形成训练数据集。本发明中的第一训练集为处理后的w1风机数据集，第二训练集为处理后的w2风机数据集。
[0054]
表1 scada风机检测变量说明
[0055]
序号检测变量序号检测变量1风速14变桨电机2温度2发电机转速15变桨电机3温度3网侧有功功率16x方向加速度4对风角17y方向加速度525s平均对风角18环境温度6偏航位置19机舱温度7叶片1桨距角20叶片1ng5温度8叶片2桨距角21叶片2ng5温度9叶片3桨距角22叶片3ng5温度10叶片1速度23叶片1ng5直流电流11叶片2速度24叶片2ng5直流电流12叶片3速度25叶片3ng5直流电流13变桨电机1温度26数据分组标识
[0056]
删除其中的缺失数据与错误数据，以故障数据为标准对正常数据进行降采样，将得到的w1和w2数据集按比例划分为训练集与测试集。数据划分类型及状态信息见表2。
[0057]
表2数据集类型及状态统计表
[0058][0059]
步骤103：利用所述第一训练集对lenet5like网络进行训练，得到预训练网络。所述lenet5like网络包括依次连接的第一卷积层、第一批归一化层、第一relu层、第一池化层、第一失活层、第二卷积层、第二批归一化层、第二relu层、第二池化层、第三卷积层、第三
批归一化层、第三relu层、第三池化层和两层线性层。其中，两层线性层均为全连接层。
[0060]
利用采集的样本数据中w1号风机的数据对lenet5like网络模型进行训练，得到w1号风机对应的结冰故障诊断模型。模型训练时，输入为表1中的26种参数，输出为是否覆冰的结果。将处理后的w1风机数据集输入lenet5like网络进行特征提取，网络习得w1风机结冰特征，w1风机结冰故障诊断模型建立。lenet5like网络具体结构如图1所示。
[0061]
表3lenet5like网络各层参数
[0062][0063]
表3即为lenet5like网络训练过程中各层的输入和输出参数，参数信息一列为步长、内核尺寸、填充像素等参数信息，本发明所提lenet5like网络在传统的lenet-5网络基础上进行了调整与改进，对网络层的种类与个数进行了调整，添加三个批归一化层、一个池化层和一个失活层，减少每层神经网络的运算所需参数，更换为提取能力更强的relu函数，缩小了运算所需数据规模，增强鲁棒性。使用adam(adaptive moment estimation，自适应矩估计)算法不断自适应学习率，优化参数，使模型达到最优解。
[0064]
步骤104：采用迁移学习算法利用所述第二训练集对所述预训练网络进行网络参数微调，得到结冰故障诊断模型。
[0065]
lenet5like迁移学习网络参数微调法计算公式如下：
[0066][0067]
min∑||c
k-c
k-1
||2ꢀꢀ
(2)
[0068][0069]
式(1)为第一优化目标，y
t
为真实故障情况数字化表示，y
p
为网络诊断故障情况数字化表示，用以最小化目标的故障诊断误差；式(2)为第二优化目标，ck为k层已提取特征参数，c
k-1
为k-1层已提取特征参数，要将w1与w2之间的表示发散最小化，保留卷积池化层中大部分参数不变，用以最小化预训练网络结构中已提取特征的参数变化；将两优化目标结合，得到用以微调网络结构参数的最终优化目标函数式(3)。
[0070]
网络参数微调的优化目标函数表达式为：
[0071][0072]
其中，y
t
为真实故障情况数字化表示，y
p
为网络诊断故障情况数字化表示，ck为k层已提取特征参数，c
k-1
为k-1层已提取特征参数，x为训练集数据次序。
[0073]
利用数据集中w2号风机的数据对w1号风机对应的结冰故障诊断模型进行网络参数微调，以得到w2对应的结冰故障诊断模型，基于预训练完成的特征提取lenet5like网络，使用目标w2数据集，对建立的w1诊断网络进行网络参数微调，完成w2风机迁移诊断模型。
[0074]
其中，迁移学习训练过程通过如下方式进行：
[0075]
将得到的w1风机结冰故障诊断模型作为预训练网络，通过式(3)构建微调网络结构参数的最终优化目标函数，用以对w2风机数据进行网络参数微调迁移学习，建立故障诊断模型。训练后得到适用于w2风机的结冰故障诊断模型。
[0076]
步骤105：根据待检测的风电机组的监控数据利用所述结冰故障诊断模型进行故障诊断，得到结冰故障诊断结果。
[0077]
将w2风机的scada数据输入到建立好的迁移诊断网络，得到结冰情况，完成结冰故障情况诊断。其中，将w2风机的scada数据输入到建立好的迁移诊断网络，得到结冰情况，完成结冰故障情况诊断。
[0078]
覆冰结果诊断标准公式如下：
[0079][0080][0081][0082]
式中，tp(true positive)为待诊断风机覆冰情况判定成正常且分类模型预测为正常；fn(false negative)为待诊断情况判定成正常但分类模型预测为覆冰；fp(false positive)为待诊断情况判定成覆冰但分类模型预测为正常；tn(true negative)为待诊断
情况判定成覆冰且分类模型预测为覆冰。precision为准确率，recall为查全率，f1为综合指标。
[0083]
以上三种测评标准的取值范围均为[0,1]，取值越接近1，说明模型在此方面的效果越好。
[0084]
本发明在面对需要对不同机组风机建立结冰故障诊断模型时，将已训练好的同类型风机结冰故障预警模型作为预训练网络，利用迁移学习模块训练得到不同风机的故障诊断模型。将训练次数设置为30次，每次训练后打印本次训练准确率和损失，以及测试准确率和损失，并最终绘制训练测试损失准确变化图。用lenet5like网络对w1数据进行训练，结果表现如图3和图4所示。
[0085]
如图3和图4所示，经过15次迭代，故障分类精度快速收敛趋于稳定，在98.4％以上，最高准确率为99.26％；损失函数值在前10次迭代中迅速减小，然后缓慢减小并接近于0，在训练20次后达到收敛状态，测试集损失基本维持在0.05以下，最少误差损失为0.0226。
[0086]
表4 w1风机数据实验结果对比表
[0087]
方法查全率(％)查准率(％)f1(％)knn94.7499.4197.02决策树94.0491.9192.64随机森林97.5492.6095.00lenet-597.4097.2497.27lenet5like99.2099.6199.41
[0088]
根据实验结果表4可知，基于公式(4)、(5)、(6)所得，相较各传统机器学习算法和传统lenet-5网络，本发明的查全率、查准率和f1参数均取得最高指标，平均提升率约为3.27％、4.32％和3.93％，在精度高于90％时，取得显著提升。证明了lenet5like网络更好地提取了变量间相关性特征，显著提高了精确性。
[0089]
如图5和图6所示，模型训练结果接近模型测试结果，且没有欠拟合或过拟合，证明了所提出的故障诊断模型的有效性。本次训练时长为1m51s。若将经w1训练后的模型用以测试w2风机数据，所得最高准确率和最少损失分别为93.38％和0.5987。从数据中可得该诊断结果损失严重，并不适用于诊断。用lenet5like网络对w2数据进行训练，本次训练时长为2m56s，最少损失为0.0092，最高准确率为99.77％。
[0090]
基于w1风机结冰诊断模型为预训练网络，使用迁移学习模块训练后，w2风机数据迁移学习训练测试准确率如图7和图8所示。本次训练时长为2m28s，最少损失为0.0689，最高准确率为98.90％。相较未调用迁移学习模块对w2数据进行训练，迁移学习预训练网络的训练时间缩短了28s，时间提升约为15.91％，同时准确率和损失与其结果相差不大。
[0091]
表5 w2风机数据实验结果对比表
[0092]
方法查全率(％)查准率(％)f1(％)knn95.0998.8596.93决策树93.8895.9394.89随机森林98.2591.5294.76lenet-594.9797.7096.32lenet5like99.2299.8699.54
[0093]
根据实验结果表5可知，将带有迁移学习模块的lenet5like网络训练结果的参数指标与传统机器学习方法和传统lenet-5网络进行对比，lenet5like网络在三个参数指标上较其他方法的平均提升率分别为3.67％、3.86％和3.82％。
[0094]
可以看出本发明提供的基于lenet5like的迁移学习风电机组结冰故障诊断方法，在使用scada数据建立风电机组结冰故障诊断模型时，具有鲁棒性好、准确率高和建模速度快的优点。
[0095]
本发明提供的基于lenet5like的迁移学习风机结冰故障诊断方法，采用易于处理且获取容易的scada数据集作为神经网络的训练输入；针对数据集低频采样、样本小的特点，对传统浅层lenet-5神经网络进行改进，使其加快网络运算速度，提高目标故障诊断精度，增加模型的泛用性与鲁棒性；通过网络参数微调迁移学习方式，可以在已有风机模型基础上更快速地建立多风机诊断模型，提升对目标风机特征迁移的精确度，适用于多风机结冰故障诊断。
[0096]
本发明通过在传统lenet-5网络结构基础上进行改进，增添网络层个数与种类，更换激活函数并微调网络各层参数，作为故障诊断的模型框架，并加入迁移学习模块，形成lenet5like网络；通过对w1风机学习故障特征进行网络模型的预训练，使用网络参数微调方式快速建立w2风机故障诊断模型。经实际风力发电scada数据集算例分析，结果表明，相较传统机器学习方法，本发明提出的方法准确率高达98.90％，较传统lenet-5网络训练精度提高约2％，较未训练网络训练时间缩短28s，提升约15.91％。该方法提高了网络模型对故障特征的提取能力，加强了模型的泛化性，在保证快速性的同时提高模型的准确性，能够有效地实现风机结冰的快速准确诊断。
[0097]
本发明还提供一种风电机组结冰故障诊断系统，包括：
[0098]
获取模块，用于获取风电机组的监控数据和结冰情况。
[0099]
划分模块，用于根据所述监控数据和结冰情况确定训练集并将所述训练集划分为第一训练集和第二训练集。
[0100]
训练模块，用于利用所述第一训练集对lenet5like网络进行训练，得到预训练网络。
[0101]
网络参数微调模块，用于采用迁移学习算法利用所述第二训练集对所述预训练网络进行网络参数微调，得到结冰故障诊断模型。
[0102]
故障诊断模块，用于根据待检测的风电机组的监控数据利用所述结冰故障诊断模型进行故障诊断，得到结冰故障诊断结果。
[0103]
作为一种可选地实施方式，所述lenet5like网络包括依次连接的第一卷积层、第一批归一化层、第一relu层、第一池化层、第一失活层、第二卷积层、第二批归一化层、第二relu层、第二池化层、第三卷积层、第三批归一化层、第三relu层、第三池化层和两层线性层。
[0104]
本发明还提供一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如所述的方法。
[0105]
本发明还提供一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如所述的方法。
[0106]
本发明基于传统lenet-5网络进行调整与改进，对网络层的种类与个数进行了调整，更换了网络函数与优化器函数；添加网络参数微调迁移学习模块，实现对风电机组的结冰故障诊断模型的快速建立。
[0107]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0108]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种风电机组结冰故障诊断方法，其特征在于，包括：获取风电机组的监控数据和结冰情况；根据所述监控数据和结冰情况确定训练集并将所述训练集划分为第一训练集和第二训练集；利用所述第一训练集对lenet5like网络进行训练，得到预训练网络；采用迁移学习算法利用所述第二训练集对所述预训练网络进行网络参数微调，得到结冰故障诊断模型；根据待检测的风电机组的监控数据利用所述结冰故障诊断模型进行故障诊断，得到结冰故障诊断结果。2.根据权利要求1所述的风电机组结冰故障诊断方法，其特征在于，在获取风电机组的监控数据和结冰情况之后，还包括：对所述监控数据和结冰情况进行预处理，所述预处理包括归一化处理以及数据删除。3.根据权利要求1所述的风电机组结冰故障诊断方法，其特征在于，所述lenet5like网络包括依次连接的第一卷积层、第一批归一化层、第一relu层、第一池化层、第一失活层、第二卷积层、第二批归一化层、第二relu层、第二池化层、第三卷积层、第三批归一化层、第三relu层、第三池化层和两层线性层。4.根据权利要求1所述的风电机组结冰故障诊断方法，其特征在于，网络参数微调的优化目标函数表达式为：其中，y
t
为真实故障情况数字化表示，y
p
为网络诊断故障情况数字化表示，c
k
为k层已提取特征参数，c
k-1
为k-1层已提取特征参数，x为训练集数据次序。5.一种风电机组结冰故障诊断系统，其特征在于，包括：获取模块，用于获取风电机组的监控数据和结冰情况；划分模块，用于根据所述监控数据和结冰情况确定训练集并将所述训练集划分为第一训练集和第二训练集；训练模块，用于利用所述第一训练集对lenet5like网络进行训练，得到预训练网络；网络参数微调模块，用于采用迁移学习算法利用所述第二训练集对所述预训练网络进行网络参数微调，得到结冰故障诊断模型；故障诊断模块，用于根据待检测的风电机组的监控数据利用所述结冰故障诊断模型进行故障诊断，得到结冰故障诊断结果。6.根据权利要求5所述的风电机组结冰故障诊断系统，其特征在于，所述lenet5like网络包括依次连接的第一卷积层、第一批归一化层、第一relu层、第一池化层、第一失活层、第二卷积层、第二批归一化层、第二relu层、第二池化层、第三卷积层、第三批归一化层、第三relu层、第三池化层和两层线性层。7.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任意一项所述的方法。8.一种计算机存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的方法。

技术总结
本发明公开一种风电机组结冰故障诊断方法、系统、设备及存储介质，涉及风电机组结冰故障诊断领域，方法包括获取风电机组的监控数据和结冰情况；根据所述监控数据和结冰情况确定训练集并将所述训练集划分为第一训练集和第二训练集；利用所述第一训练集对LeNet5like网络进行训练，得到预训练网络；采用迁移学习算法利用所述第二训练集对所述预训练网络进行网络参数微调，得到结冰故障诊断模型；根据待检测的风电机组的监控数据利用所述结冰故障诊断模型进行故障诊断，得到结冰故障诊断结果。本发明能有效地实现风机结冰的快速准确诊断。断。断。


技术研发人员：吕游 封烁 郑茜 宋子仪
受保护的技术使用者：华北电力大学
技术研发日：2023.06.27
技术公布日：2023/9/20