专利商城

本发明涉及一种基于多视角时空特征融合的风电机组状态监测方法，其包括：S1、获取风电机组的多变量时间序列数据并进行预处理；S2、建立风电机组多视角时空特征融合预测模型；S3、利用验证集构建监测指标并确定报警阈值；S4、实时分析风电机组在线监测数据，确定风电机组状态。本发明针对风电SCADA多变量时间序列固有的时空相关性特性，以卷积神经网络为基础，通过设置具有不同大小卷积核的卷积神经网络模块以并行方式提取SCADA数据中多个传感器变量之间的相关性和隐含在每个变量中的时间依赖性，能够增强特征提取能力和状态监测性能，实现潜在故障的及时有效检测，有利于预防机组或关键部件发生重大事故，确保了机组安全稳定运行。

1.一种基于多视角时空特征融合的风电机组状态监测方法，其特征在于：其包括：

S1：获取风电机组的多变量时间序列数据并进行预处理；

获取风电场数据采集与监视控制系统数据库中风电机组处于正常运行状态下的多变量时间序列历史数据，进行标准化处理并获取建模所需要的风电机组输入数据；

进一步将风电机组输入数据划分为具有固定窗口宽度的二维多变量风电机组时间序列矩阵，设置建模输出为二维输入矩阵在下一时刻的风电机组多变量数据；

并将获取的数据划分为训练集数据和验证集数据；

S2：建立风电机组多视角时空特征融合预测模型，并进行模型训练；

将步骤S1预处理后的二维多变量风电机组时间序列矩阵并行输入到P个具有不同卷积核大小的卷积神经网络，同时提取时间维度上的多尺度局部信息及全局信息和空间维度上的多尺度局部信息及全局信息；分别输入到Flatten层进行展平处理，将处理后的特征级联并输入到全连接层，进一步利用回归输出层进行预测，其中回归输出层的神经元个数等于建模输出的传感器变量个数，建立风电机组多视角时空特征融合预测模型；

获得风电机组多视角时空特征融合预测模型，利用步骤S1中的训练集数据对风电机组多视角时空特征融合预测模型进行训练，并采用均方误差作为模型训练过程中的损失函数，计算公式如下所示：

其中，H为损失函数；N为样本总数；i为样本标号；Y'为预测输出值；Y为实际输出值；

S3：利用验证集构建风电机组监测指标并确定报警阈值；

将步骤S1中的验证集数据输入到步骤S2中完成训练的多视角时空特征融合预测模型，计算实际输出值和模型预测值之间的残差；

使用马氏距离对多变量残差进行分析得出用于风电机组状态监测的监测指标；并利用核密度估计方法估计监测指标的概率密度函数获得故障检测阈值，计算公式如下所示:

其中，为估计的概率密度函数；x为随机变量；α为置信水平；Ta为故障检测阈值；

S4：实时分析风电机组在线监测数据，确定风电机组状态；

获取风电机组实时在线多变量时间序列数据，利用步骤S1中所述方法进行标准化处理并构造实时输入数据和实时输出数据；将实时输入数据输入到步骤S2中训练后的多视角时空特征融合预测模型，根据得到的实时预测值和实时输出数据之间的残差计算监测指标，当监测指标值超出步骤S3中确定的故障检测阈值时发出报警信号；最终确定风电机组状态。