基于协整分析的风力发电机状态监测系统及其方法与流程

1.本发明涉及新能源领域，且更为具体的涉及一种基于协整分析的风力发电机状态监测系统及其方法。


背景技术：

2.风力发电机组正朝着大功率，高效率的方向发展，因此风力发电机组的意外事故会耗费高昂的维修费用给企业带来巨大的损失，甚至对人民的生命财产造成威胁，因此能够早期识别和处理故障显得尤为重要。
3.目前风力发电机状态监测的实现是对机械参数进行监测，常用监测对象有油液监测、温度监测、振动监测等。数据采集与监视控制(supervisory control and data acquisition，scada)系统不断地被引入到风电机组的状态监测中，scada系统所采集的数据种类多(如:速度、温度、电能和角度等)、数量大，因此对其中关键数据进行分析即可实现风电机组的状态监测。然而，对于风电机组庞大的scada数据进行分析和解释非常困难，由于风电机组受到环境及其运行因素的影响，使得数据分析结果可靠性不足。
4.因此，期待一种优化的风力发电机状态监测系统，以基于所述风电机组的运行情况和外界因素来综合对于所述风力发电机的异常状态进行监测。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于协整分析的风力发电机状态监测系统及其方法，其通过多尺度邻域特征提取模块对获取到的多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率进行处理以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量，并分别计算对应的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵，接着将其排列为三维输入张量后通过卷积神经网络后沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，再通过分类器就能得到用于表示风力发电机的状态是否正常的分类结果。这样，挖掘外部环境要素和海上风机内部因素的关联特征，提高检测判断准确性和可靠性。
6.根据本技术的一个方面，提供了一种基于协整分析的风力发电机状态监测系统，其包括：
7.数据采集与监视控制模块，用于获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率；
8.向量化模块，用于将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量；
9.多尺度时序特征提取模块，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入多尺度邻域特征提取模块以得到多
尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量；
10.协整分析模块，用于分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵；
11.关联特征提取模块，用于将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量后通过相邻层使用互为转置的卷积核的卷积神经网络以得到分类特征图；
12.校正模块，用于基于参考特征向量，对所述分类特征图的沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，其中，所述参考特征向量为计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值得到的通道特征向量；以及
13.状态监测结果生成模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示风力发电机的状态是否正常。
14.在上述基于协整分析的风力发电机状态监测系统中，所述多尺度时序特征提取模块，包括：第一卷积编码单元，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度风速关联特征向量、第一邻域尺度叶轮转速关联特征向量、第一邻域尺度发电机转速关联特征向量和第一邻域尺度功率关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二卷积编码单元，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度风速关联特征向量、第二邻域尺度叶轮转速关联特征向量、第二邻域尺度发电机转速关联特征向量和第二邻域尺度功率关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，级联单元，用于将所述第一邻域尺度风速关联特征向量和所述第二邻域尺度风速关联特征向量进行级联以得到所述多尺度风速特征向量，将所述第一邻域尺度叶轮转速关联特征向量和所述第二邻域尺度叶轮转速关联特征向量进行级联以得到所述多尺度叶轮转速特征向量，将所述第一邻域尺度发电机转速关联特征向量和所述第二邻域尺度发电机转速关联特征向量进行级联以得到所述多尺度发电机转速特征向量，将所述第一邻域尺度功率关联特征向量和所述第二邻域尺度功率关联特征向量进行级联以得到所述多尺度功率特征向量。
15.在上述基于协整分析的风力发电机状态监测系统中，所述协整分析模块，进一步用于：以如下公式分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵；其中，所述公式为：
16.mi＝mj*m117.其中mi分别表示所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量，m1表示所述多尺度风速特征向量，m分别表示所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵。
18.在上述基于协整分析的风力发电机状态监测系统中，所述校正模块，包括：参考特
征向量生成单元，用于计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值以得到所述参考特征向量；优化因数计算单元，用于基于所述参考特征向量中所有位置的特征值集合的均值和方差，计算所述参考特征向量中各个位置的特征值对应的优化因数；以及，校正单元，用于以所述参考特征向量中各个位置的特征值对应的优化因数作为权重分别对所述分类特征图中对应的特征矩阵进行加权以得到所述校正后分类特征图。
19.在上述基于协整分析的风力发电机状态监测系统中，所述优化因数计算单元，进一步用于：基于所述参考特征向量中所有位置的特征值集合的均值和方差，以如下公式计算所述参考特征向量中各个位置的特征值对应的所述优化因数；其中，所述公式为：
[0020][0021]
其中vi表示所述参考特征向量的第i个位置的特征值，且μ和σ分别表示所述参考特征向量中所有位置的特征值集合的均值和方差，exp(
·
)表示特征值的指数运算，所述特征值的指数运算表示计算以特征值为幂的自然指数函数值。
[0022]
根据本技术的另一方面，还提供了一种基于协整分析的风力发电机状态监测方法，其包括：
[0023]
获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率；
[0024]
将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量；
[0025]
将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入多尺度邻域特征提取模块以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量；
[0026]
分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵；
[0027]
将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量后通过相邻层使用互为转置的卷积核的卷积神经网络以得到分类特征图；
[0028]
基于参考特征向量，对所述分类特征图的沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，其中，所述参考特征向量为计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值得到的通道特征向量；以及
[0029]
将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示风力发电机的状态是否正常。
[0030]
与现有技术相比，本技术提供的基于协整分析的风力发电机状态监测系统及其方法，其通过多尺度邻域特征提取模块对获取到的多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率进行处理以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量，并分别计算对应的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵，接着将其排列为三维输入张量后通过卷积神经网络后沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，再通过分类器就能得到用于表示风力发电机的状态是否正常的分类结果。这样，挖掘外部环境要素和海上风机内部因素的关联特征，提高检测判断准确性和可靠性。
附图说明
[0031]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0032]
图1图示了根据本技术实施例的基于协整分析的风力发电机状态监测系统的应用场景图。
[0033]
图2图示了根据本技术实施例的基于协整分析的风力发电机状态监测系统的框图。
[0034]
图3图示了根据本技术实施例的基于协整分析的风力发电机状态监测系统的系统架构图。
[0035]
图4图示了根据本技术实施例的基于协整分析的风力发电机状态监测系统中多尺度时序特征提取模块的框图。
[0036]
图5图示了根据本技术实施例的基于协整分析的风力发电机状态监测系统中关联特征提取模块的框图。
[0037]
图6图示了根据本技术实施例的基于协整分析的风力发电机状态监测系统中校正模块的框图。
[0038]
图7图示了根据本技术实施例的基于协整分析的风力发电机状态监测方法的流程图。
具体实施方式
[0039]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0040]
申请概述
[0041]
应可以理解，由于在对于所述风力发电机的状态进行监测时，所述风电机组会受到环境及其运行因素的影响，这样会使得数据分析结果可靠性不足。因此，为了能够在进行所述风力发电机的状态监测时提高检测判断准确性和可靠性，选择通过外部环境要素和海上风机内部因素这两个方面的隐含特征信息，以及所述外部环境要素和所述海上风机内部因素的关联性特征来进行。也就是，在本技术的技术方案中，可以通过风速数据来进行所述外部环境要素的表征，并通过叶轮转速值、发电机转速和发电机功率数据来进行所述海上风机内部因素的表征，再利用深度神经网络模型来提取其各自的多尺度邻域关联特征表示后，以数据特征之间的响应性估计来进行高维特征空间的数据协整，进而提高对于所述风力发电机的异常状态监测的有效性和可靠性。
[0042]
具体地，在本技术的技术方案中，首先，通过各个传感器获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率。然后，为了整个各个数据在时间维度上的分布信息，以利于后续的深层关联特征挖掘，进一步将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量。
[0043]
应可以理解，卷积神经网络最初是应用在图像领域中的模型，但其局部特征提取的思想同样可以应用到时序数据分析中。例如一个卷积核大小为3的时序卷积结构，对于风速时序数据输入，卷积核以滑动窗口的形式沿时间维度移动，并输出每个风速时序片段内数据的加权和。每个卷积单元堆叠了多个卷积核从而输出多维风速特征。由于风速在不同的时间段内会呈现出不同的模式状态，比如，所述风速会在不同的时间段内一阵时候强，一阵时候弱。而领域的特征提取就是对于在不同的时间跨度内的数据进行深层的关联特征挖掘，大卷积核会从风速的大尺度时序邻域内提取特征，其中邻域内每项风速数值产生的影响更小，从而减弱风速输入数据的波动，减轻其中噪点对风速的输出特征的影响。但大尺度卷积核减弱了数值变化的差异，容易导致平滑过度的问题，使得风速的输出特征失去判别能力。与之相对的，小尺度卷积核能够较好地保留风速输入数据中的信息，但是也更容易受到其中噪点的干扰。因此，考虑到不同尺度卷积的特点，组合使用不同大小的卷积单元提取出不同风速时序尺度的特征。然后采用特征拼接的方式完成特征融合，从而得到多尺度风速邻域特征。值得一提的是，同样地，对于所述叶轮转速、所述发电机转速和所述功率输入数据，也能够基于此种方法来进行多尺度邻域关联特征的提取。
[0044]
也就是，具体地，在本技术的技术方案中，进一步使用多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层分别对所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到所述多尺度风速特征向量、所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量。特别地，通过这种方式，分别提取到了所述风速、所述叶轮转速、所述发电机转速和所述功率的动态隐含特征的多尺度邻域关联特征表示，使得输出的特征既包含了平滑后的特征，也保存了原始输入的特征，避免信息丢失，也提高了后续分类的准确性。特别地，在本技术的其他具体示例中，所述多尺度邻域特征提取模块还可以包含更多数量的一维卷积层，其使用不同长度的一维卷积核进行不同尺度的邻域内关联特征提取，对此，并不为本技术所局限。
[0045]
由于所述风速数据为外部环境因素，所述叶轮转速、所述发电机转速和所述功率都为所述海上风机的内部因素，并且所述风速、所述叶轮转速、所述发电机转速和所述功率的多尺度邻域关联特征之间的特征尺度并不相同，而所述叶轮转速、所述发电机转速和所述功率的多尺度邻域关联特征在高维特征空间中可以分别看作是对于所述风速的多尺度邻域关联特征的响应性特征。因此，为了更好地融合这些特征信息，进一步分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计来进行高维特征空间的数据协整，以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵。
[0046]
然后，将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量以整合各自数据在高维特征空间中的数据协整特征信息后，通过使用相邻层为互为转置的卷积核的卷积神经网络来对于所述三维输入张量进行处理以得到分类特征图。特别地，这里，所述神经网络的相邻卷积层使用互为转置的卷积核，从而在训练时能够同时更新网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。
[0047]
特别地，在本技术的技术方案中，在将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量得到所述分类特征图时，相邻层互为转置的卷积核可以提取矩阵维度内的特定结构，因此期望所述分类特征图能够在通道维度上具有更好的表达。
[0048]
基于此，首先计算所述分类特征图的沿通道的每个特征矩阵的全局均值，以获得通道特征向量，然后，基于参考特征向量计算每个通道的深度递归的压榨-激励优化因数，具体为：
[0049][0050]
其中vi表示所述参考特征向量的第i个位置的特征值，且μ和σ分别表示所述参考特征向量中所有位置的特征值集合的均值和方差。
[0051]
这里，所述深度递归的压榨-激励优化因数可以基于沿通道的特征集合的统计特性来激活特征分布的沿通道深度递归，从而推断特征在其每个通道采样深度的深度分布，并采用由relu-sigmoid函数构成的通道压榨-激励机制，来获取通道注意力增强的深度置信度值，以此为系数对所述分类特征图的每个通道的特征矩阵进行加权，可以提升其高维特征流型的深度方向的表达置信度，进而提高分类的准确性。这样，就能够对于所述风力发电机的异常状态进行监测，以避免所述风力发电机组的意外事故的发生，从而保证风机的正常运行。
[0052]
基于此，本技术提出了一种基于协整分析的风力发电机状态监测系统，其包括：数据采集与监视控制模块，用于获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率；向量化模块，用于将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量；多尺度时序特征提取模块，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入多尺度邻域特征提取模块以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量；协整分析模块，用于分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵；关联特征提取模块，用于将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量后通过相邻层使用互为转置的卷积核的卷积神经网络以得到分类特征图；校正模块，用于基于参考特征向量，对所述分类特征图的沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，其中，所述参考特征向量为计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值得到的通道特征向量；以及，状态监测结果生成模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示风力发电机的状态是否正常。
[0053]
图1图示了根据本技术实施例的基于协整分析的风力发电机状态监测系统的应用场景图。如图1所示，在该应用场景中，首先，通过各个传感器(例如，如图1中所示意的se1、se2、se3、se4)获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率。然后，将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率输入至部署有基于
协整分析的风力发电机状态监测算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够以所述基于协整分析的风力发电机状态监测算法对输入的信息进行处理以得到用于表示风力发电机的状态是否正常的分类结果。
[0054]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0055]
示例性系统
[0056]
图2图示了根据本技术实施例的基于协整分析的风力发电机状态监测系统的框图。如图2所示，根据本技术实施例的基于协整分析的风力发电机状态监测系统100，包括：数据采集与监视控制模块110，用于获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率；向量化模块120，用于将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量；多尺度时序特征提取模块130，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入多尺度邻域特征提取模块以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量；协整分析模块140，用于分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵；关联特征提取模块150，用于将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量后通过相邻层使用互为转置的卷积核的卷积神经网络以得到分类特征图；校正模块160，用于基于参考特征向量，对所述分类特征图的沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，其中，所述参考特征向量为计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值得到的通道特征向量；以及，状态监测结果生成模块170，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示风力发电机的状态是否正常。
[0057]
图3图示了根据本技术实施例的基于协整分析的风力发电机状态监测系统100的系统架构图。如图3所示，在所述基于协整分析的风力发电机状态监测系统100的系统架构中，首先获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率，并分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量。接着，利用多尺度邻域特征提取模块得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量，并分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵。然后，将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量后通过相邻层使用互为转置的卷积核的卷积神经网络以得到分类特征图，并对所述分类特征图的沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图。接着，将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示风力发电机的状态是否正常。
[0058]
在上述基于协整分析的风力发电机状态监测系统100中，所述数据采集与监视控制模块110，用于获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率。应可
以理解，由于在对于所述风力发电机的状态进行监测时，所述风电机组会受到环境及其运行因素的影响，这样会使得数据分析结果可靠性不足。因此，为了能够在进行所述风力发电机的状态监测时提高检测判断准确性和可靠性，选择通过外部环境要素和海上风机内部因素这两个方面的隐含特征信息，以及所述外部环境要素和所述海上风机内部因素的关联性特征来进行。也就是，在本技术的技术方案中，可以通过风速数据来进行所述外部环境要素的表征，并通过叶轮转速值、发电机转速和发电机功率数据来进行所述海上风机内部因素的表征。
[0059]
在上述基于协整分析的风力发电机状态监测系统100中，所述向量化模块120，用于将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量。为了整个各个数据在时间维度上的分布信息，以利于后续的深层关联特征挖掘，进一步将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量。
[0060]
在上述基于协整分析的风力发电机状态监测系统100中，所述多尺度时序特征提取模块130，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入多尺度邻域特征提取模块以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量。应可以理解，卷积神经网络最初是应用在图像领域中的模型，但其局部特征提取的思想同样可以应用到时序数据分析中。例如一个卷积核大小为3的时序卷积结构，对于风速时序数据输入，卷积核以滑动窗口的形式沿时间维度移动，并输出每个风速时序片段内数据的加权和。每个卷积单元堆叠了多个卷积核从而输出多维风速特征。由于风速在不同的时间段内会呈现出不同的模式状态，比如，所述风速会在不同的时间段内一阵时候强，一阵时候弱。而邻域的特征提取就是对于在不同的时间跨度内的数据进行深层的关联特征挖掘，大卷积核会从风速的大尺度时序邻域内提取特征，其中邻域内每项风速数值产生的影响更小，从而减弱风速输入数据的波动，减轻其中噪点对风速的输出特征的影响。但大尺度卷积核减弱了数值变化的差异，容易导致平滑过度的问题，使得风速的输出特征失去判别能力。与之相对的，小尺度卷积核能够较好地保留风速输入数据中的信息，但是也更容易受到其中噪点的干扰。因此，考虑到不同尺度卷积的特点，组合使用不同大小的卷积单元提取出不同风速时序尺度的特征。然后采用特征拼接的方式完成特征融合，从而得到多尺度风速邻域特征。值得一提的是，同样地，对于所述叶轮转速、所述发电机转速和所述功率输入数据，也能够基于此种方法来进行多尺度邻域关联特征的提取。
[0061]
也就是，具体地，在本技术的技术方案中，进一步使用多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层分别对所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到所述多尺度风速特征向量、所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量。特别地，通过这种方式，分别提取到了所述风速、所述叶轮转速、所述发电机转速和所述功率的动态隐含特征的多尺度邻域关联特征表示，使得输出的特征既包含了平滑后的特征，也保存了原始输入的特征，避免信息丢失，也提高了后续分类的准确性。特别地，在本技术的
其他具体示例中，所述多尺度邻域特征提取模块还可以包含更多数量的一维卷积层，其使用不同长度的一维卷积核进行不同尺度的邻域内关联特征提取，对此，并不为本技术所局限。
[0062]
图4图示了根据本技术实施例的基于协整分析的风力发电机状态监测系统中多尺度时序特征提取模块的框图。如图4所示，所述多尺度时序特征提取模块130，包括：第一卷积编码单元131，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度风速关联特征向量、第一邻域尺度叶轮转速关联特征向量、第一邻域尺度发电机转速关联特征向量和第一邻域尺度功率关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二卷积编码单元132，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度风速关联特征向量、第二邻域尺度叶轮转速关联特征向量、第二邻域尺度发电机转速关联特征向量和第二邻域尺度功率关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，级联单元133，用于将所述第一邻域尺度风速关联特征向量和所述第二邻域尺度风速关联特征向量进行级联以得到所述多尺度风速特征向量，将所述第一邻域尺度叶轮转速关联特征向量和所述第二邻域尺度叶轮转速关联特征向量进行级联以得到所述多尺度叶轮转速特征向量，将所述第一邻域尺度发电机转速关联特征向量和所述第二邻域尺度发电机转速关联特征向量进行级联以得到所述多尺度发电机转速特征向量，将所述第一邻域尺度功率关联特征向量和所述第二邻域尺度功率关联特征向量进行级联以得到所述多尺度功率特征向量。
[0063]
在一个示例中，在上述基于协整分析的风力发电机状态监测系统100中，所述第一卷积编码单元131，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式分别对所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量进行一维卷积编码以得到所述第一邻域尺度风速关联特征向量、所述第一邻域尺度叶轮转速关联特征向量、所述第一邻域尺度发电机转速关联特征向量和所述第一邻域尺度功率关联特征向量；
[0064]
其中，所述公式为：
[0065][0066]
其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量。
[0067]
在一个示例中，在上述基于协整分析的风力发电机状态监测系统100中，所述第二卷积编码单元132，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式分别对所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量进行一维卷积编码以得到所述第二邻域尺度风速关联特征向量、所述第二邻域尺度叶轮转速关联特征向量、所述第二邻域尺度发电机转速关联特征向量和所述第二邻域
尺度功率关联特征向量；
[0068]
其中，所述公式为：
[0069][0070]
其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量。
[0071]
在上述基于协整分析的风力发电机状态监测系统100中，所述协整分析模块140，用于分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵。由于所述风速数据为外部环境因素，所述叶轮转速、所述发电机转速和所述功率都为所述海上风机的内部因素，并且所述风速、所述叶轮转速、所述发电机转速和所述功率的多尺度邻域关联特征之间的特征尺度并不相同，而所述叶轮转速、所述发电机转速和所述功率的多尺度邻域关联特征在高维特征空间中可以分别看作是对于所述风速的多尺度邻域关联特征的响应性特征。因此，为了更好地融合这些特征信息，进一步分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计来进行高维特征空间的数据协整，以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵。
[0072]
在一个示例中，在上述基于协整分析的风力发电机状态监测系统100中，所述协整分析模块140，进一步用于：以如下公式分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵；
[0073]
其中，所述公式为：
[0074]
mi＝mj*m1[0075]
其中mi分别表示所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量，m1表示所述多尺度风速特征向量，m分别表示所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵。
[0076]
在上述基于协整分析的风力发电机状态监测系统100中，所述关联特征提取模块150，用于将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量后通过相邻层使用互为转置的卷积核的卷积神经网络以得到分类特征图。也就是，将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量以整合各自数据在高维特征空间中的数据协整特征信息后，通过使用相邻层为互为转置的卷积核的卷积神经网络来对于所述三维输入张量进行处理以得到分类特征图。特别地，这里，所述神经网络的相邻卷积层使用互为转置的卷积核，从而在训练时能够同时更新网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。
[0077]
图5图示了根据本技术实施例的基于协整分析的风力发电机状态监测系统中关联
特征提取模块的框图。如图5所示，所述关联特征提取模块150，包括：浅层特征图提取单元151，用于从所述相邻层使用互为转置的卷积核的卷积神经网络的第m层提取浅层特征图，m是偶数；深层特征图提取单元152，用于从所述相邻层使用互为转置的卷积核的卷积神经网络的第n层提取深层特征图，其中，n为偶数，且n大于m的2倍；以及，特征图融合单元153，用于融合所述浅层特征图和所述深层特征图以生成所述分类特征图。
[0078]
在上述基于协整分析的风力发电机状态监测系统100中，所述校正模块160，用于基于参考特征向量，对所述分类特征图的沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，其中，所述参考特征向量为计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值得到的通道特征向量。特别地，在本技术的技术方案中，在将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量得到所述分类特征图时，相邻层互为转置的卷积核可以提取矩阵维度内的特定结构，因此期望所述分类特征图能够在通道维度上具有更好的表达。
[0079]
基于此，首先计算所述分类特征图的沿通道的每个特征矩阵的全局均值，以获得通道特征向量，然后，基于参考特征向量计算每个通道的深度递归的压榨-激励优化因数。这里，所述深度递归的压榨-激励优化因数可以基于沿通道的特征集合的统计特性来激活特征分布的沿通道深度递归，从而推断特征在其每个通道采样深度的深度分布，并采用由relu-sigmoid函数构成的通道压榨-激励机制，来获取通道注意力增强的深度置信度值，以此为系数对所述分类特征图的每个通道的特征矩阵进行加权，可以提升其高维特征流型的深度方向的表达置信度，进而提高分类的准确性。这样，就能够对于所述风力发电机的异常状态进行监测，以避免所述风力发电机组的意外事故的发生，从而保证风机的正常运行。
[0080]
图6图示了根据本技术实施例的基于协整分析的风力发电机状态监测系统中校正模块的框图。如图6所示，所述校正模块160，包括：参考特征向量生成单元161，用于计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值以得到所述参考特征向量；优化因数计算单元162，用于基于所述参考特征向量中所有位置的特征值集合的均值和方差，计算所述参考特征向量中各个位置的特征值对应的优化因数；以及，校正单元163，用于以所述参考特征向量中各个位置的特征值对应的优化因数作为权重分别对所述分类特征图中对应的特征矩阵进行加权以得到所述校正后分类特征图。
[0081]
在一个示例中，在上述基于协整分析的风力发电机状态监测系统100中，所述优化因数计算单元162，进一步用于：基于所述参考特征向量中所有位置的特征值集合的均值和方差，以如下公式计算所述参考特征向量中各个位置的特征值对应的所述优化因数；
[0082]
其中，所述公式为：
[0083][0084]
其中vi表示所述参考特征向量的第i个位置的特征值，且μ和σ分别表示所述参考特征向量中所有位置的特征值集合的均值和方差，exp(
·
)表示特征值的指数运算，所述特征值的指数运算表示计算以特征值为幂的自然指数函数值。
[0085]
在上述基于协整分析的风力发电机状态监测系统100中，所述状态监测结果生成模块170，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示风力发电机的状态是否正常。
[0086]
在一个示例中，在上述基于协整分析的风力发电机状态监测系统100中，所述状态监测结果生成模块170，进一步用于：所述分类器以如下公式对所述校正后分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|project(f)}，其中project(f)表示将所述校正后分类特征图投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0087]
综上，根据本技术实施例的所述基于协整分析的风力发电机状态监测系统100被阐明，其通过多尺度邻域特征提取模块对获取到的多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率进行处理以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量，并分别计算对应的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵，接着将其排列为三维输入张量后通过卷积神经网络后沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，再通过分类器就能得到用于表示风力发电机的状态是否正常的分类结果。这样，挖掘外部环境要素和海上风机内部因素的关联特征，提高检测判断准确性和可靠性。
[0088]
如上所述，根据本技术实施例的基于协整分析的风力发电机状态监测系统100可以实现在各种终端设备中，例如具有基于协整分析的风力发电机状态监测的服务器等。在一个示例中，根据本技术实施例的基于协整分析的风力发电机状态监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于协整分析的风力发电机状态监测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于协整分析的风力发电机状态监测系统100同样可以是该终端设备的众多硬件模块之一。
[0089]
替换地，在另一示例中，该基于协整分析的风力发电机状态监测系统100与该终端设备也可以是分立的设备，并且该基于协整分析的风力发电机状态监测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0090]
示例性方法
[0091]
根据本技术的另一方面，还提供了一种基于协整分析的风力发电机状态监测方法。如图7所示，根据本技术实施例的所述基于协整分析的风力发电机状态监测方法，包括步骤：s110，获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率；s120，将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量；s130，将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入多尺度邻域特征提取模块以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量；s140，分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵；s150，将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量后通过相邻层使用互为转置的卷积核的卷积神经网络以得到分类特征图；s160，基于参考特征向量，对所述分类特征图的沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，其中，所述参考特征向量为计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值得到的通道特征向量；以及，s170，将所述校正后分类特征图通过分类器以得
到分类结果，所述分类结果用于表示风力发电机的状态是否正常。
[0092]
综上，根据本技术实施例的所述基于协整分析的风力发电机状态监测方法被阐明，其通过多尺度邻域特征提取模块对获取到的多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率进行处理以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量，并分别计算对应的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵，接着将其排列为三维输入张量后通过卷积神经网络后沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，再通过分类器就能得到用于表示风力发电机的状态是否正常的分类结果。这样，挖掘外部环境要素和海上风机内部因素的关联特征，提高检测判断准确性和可靠性。

技术特征：
1.一种基于协整分析的风力发电机状态监测系统，其特征在于，包括：数据采集与监视控制模块，用于获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率；向量化模块，用于将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量；多尺度时序特征提取模块，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入多尺度邻域特征提取模块以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量；协整分析模块，用于分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵；关联特征提取模块，用于将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量后通过相邻层使用互为转置的卷积核的卷积神经网络以得到分类特征图；校正模块，用于基于参考特征向量，对所述分类特征图的沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，其中，所述参考特征向量为计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值得到的通道特征向量；以及状态监测结果生成模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示风力发电机的状态是否正常。2.根据权利要求1所述的基于协整分析的风力发电机状态监测系统，其特征在于，所述多尺度时序特征提取模块，包括：第一卷积编码单元，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度风速关联特征向量、第一邻域尺度叶轮转速关联特征向量、第一邻域尺度发电机转速关联特征向量和第一邻域尺度功率关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二卷积编码单元，用于将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度风速关联特征向量、第二邻域尺度叶轮转速关联特征向量、第二邻域尺度发电机转速关联特征向量和第二邻域尺度功率关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及级联单元，用于将所述第一邻域尺度风速关联特征向量和所述第二邻域尺度风速关联特征向量进行级联以得到所述多尺度风速特征向量，将所述第一邻域尺度叶轮转速关联特征向量和所述第二邻域尺度叶轮转速关联特征向量进行级联以得到所述多尺度叶轮转速特征向量，将所述第一邻域尺度发电机转速关联特征向量和所述第二邻域尺度发电机转速关联特征向量进行级联以得到所述多尺度发电机转速特征向量，将所述第一邻域尺度功率关联特征向量和所述第二邻域尺度功率关联特征向量进行级联以得到所述多尺度功率特征向量。
3.根据权利要求2所述的基于协整分析的风力发电机状态监测系统，其特征在于，所述第一卷积编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式分别对所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量进行一维卷积编码以得到所述第一邻域尺度风速关联特征向量、所述第一邻域尺度叶轮转速关联特征向量、所述第一邻域尺度发电机转速关联特征向量和所述第一邻域尺度功率关联特征向量；其中，所述公式为：其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量。4.根据权利要求3所述的基于协整分析的风力发电机状态监测系统，其特征在于，所述第二卷积编码单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式分别对所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量进行一维卷积编码以得到所述第二邻域尺度风速关联特征向量、所述第二邻域尺度叶轮转速关联特征向量、所述第二邻域尺度发电机转速关联特征向量和所述第二邻域尺度功率关联特征向量；其中，所述公式为：其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量。5.根据权利要求4所述的基于协整分析的风力发电机状态监测系统，其特征在于，所述协整分析模块，进一步用于：以如下公式分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵；其中，所述公式为：m
i
＝m
j
*m1其中m
i
分别表示所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量，m1表示所述多尺度风速特征向量，m
j
分别表示所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵。6.根据权利要求5所述的基于协整分析的风力发电机状态监测系统，其特征在于，所述关联特征提取模块，包括：浅层特征图提取单元，用于从所述相邻层使用互为转置的卷积核的卷积神经网络的第
m层提取浅层特征图，m是偶数；深层特征图提取单元，用于从所述相邻层使用互为转置的卷积核的卷积神经网络的第n层提取深层特征图，其中，n为偶数，且n大于m的2倍；以及特征图融合单元，用于融合所述浅层特征图和所述深层特征图以生成所述分类特征图。7.根据权利要求6所述的基于协整分析的风力发电机状态监测系统，其特征在于，所述校正模块，包括：参考特征向量生成单元，用于计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值以得到所述参考特征向量；优化因数计算单元，用于基于所述参考特征向量中所有位置的特征值集合的均值和方差，计算所述参考特征向量中各个位置的特征值对应的优化因数；以及校正单元，用于以所述参考特征向量中各个位置的特征值对应的优化因数作为权重分别对所述分类特征图中对应的特征矩阵进行加权以得到所述校正后分类特征图。8.根据权利要求7所述的基于协整分析的风力发电机状态监测系统，其特征在于，所述优化因数计算单元，进一步用于：基于所述参考特征向量中所有位置的特征值集合的均值和方差，以如下公式计算所述参考特征向量中各个位置的特征值对应的所述优化因数；其中，所述公式为：其中v
i
表示所述参考特征向量的第i个位置的特征值，且μ和σ分别表示所述参考特征向量中所有位置的特征值集合的均值和方差，exp(-σ)表示计算以所述方差的负值为幂的自然指数函数值。9.根据权利要求8所述的基于协整分析的风力发电机状态监测系统，其特征在于，所述状态监测结果生成模块，进一步用于：所述分类器以如下公式对所述校正后分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(w
n
,b
n
):
…
:(w1,b1)|project(f)}，其中project(f)表示将所述校正后分类特征图投影为向量，w1至w
n
为各层全连接层的权重矩阵，b1至b
n
表示各层全连接层的偏置矩阵。10.一种基于协整分析的风力发电机状态监测方法，其特征在于，包括：获取多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率；将所述多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率分别排列为风速输入向量、叶轮转速输入向量、发电机转速输入向量和功率输入向量；将所述风速输入向量、所述叶轮转速输入向量、所述发电机转速输入向量和所述功率输入向量分别输入多尺度邻域特征提取模块以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量；分别计算所述多尺度叶轮转速特征向量、所述多尺度发电机转速特征向量和所述多尺度功率特征向量相对于所述多尺度风速特征向量的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵；将所述第一协整转移矩阵、所述第二协整转移矩阵和所述第三协整转移矩阵排列为三维输入张量后通过相邻层使用互为转置的卷积核的卷积神经网络以得到分类特征图；
基于参考特征向量，对所述分类特征图的沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，其中，所述参考特征向量为计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值得到的通道特征向量；以及将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示风力发电机的状态是否正常。

技术总结
公开了一种基于协整分析的风力发电机状态监测系统及其方法，其通过多尺度邻域特征提取模块对获取到的多个预定时间点的风速、叶轮转速值、发电机转速和发电机功率进行处理以得到多尺度风速特征向量、多尺度叶轮转速特征向量、多尺度发电机转速特征向量和多尺度功率特征向量，并分别计算对应的响应性估计以得到第一协整转移矩阵、第二协整转移矩阵和第三协整转移矩阵，接着将其排列为三维输入张量后通过卷积神经网络后沿通道维度的各个特征矩阵进行校正以得到校正后分类特征图，再通过分类器就能得到用于表示风力发电机的状态是否正常的分类结果。这样，挖掘外部环境要素和海上风机内部因素的关联特征，提高检测判断准确性和可靠性。可靠性。可靠性。


技术研发人员：黄力哲 刘庆伏 陈思 张雨军 程施霖 安达 赵仕文 黄泽伟
受保护的技术使用者：北京华能新锐控制技术有限公司
技术研发日：2022.09.07
技术公布日：2023/6/27