一种变桨系统的安全收桨的控制方法与流程

1.本发明涉及风力发电技术领域，具体而言，涉及一种变桨系统的安全收桨的控制方法。


背景技术：

2.现有变桨系统的收桨的控制方法，均是通过采集变桨系统各种信号，依次判断该信号的异常程度，在有一种信号异常程度超过阈值时，则进行收桨操作，保障安全。但各信号共同作用于变桨系统，在各信号均发生微弱异常时，对于变桨系统而言，也会造成较大的故障，因此通过判断信号的异常程度超过阈值的方式进行收桨控制，存在无法综合各信号的情况，对变桨系统当前的故障程度进行预测，实现安全收桨。


技术实现要素：

3.针对现有技术中的上述不足，本发明提供的一种变桨系统的安全收桨的控制方法解决了现有通过判断信号的异常程度超过阈值的方式进行收桨控制，存在无法综合各信号的情况，对变桨系统当前的故障程度进行预测的问题。
4.为了达到上述发明目的，本发明采用的技术方案为：一种变桨系统的安全收桨的控制方法，包括：
5.采集变桨系统的数据；
6.采用故障预测模型处理变桨系统的数据，得到预测故障程度；
7.在预测故障程度为重大故障时，变桨系统进行收桨操作。
8.进一步地，所述变桨系统的数据类型包括：变桨驱动电机温度数据、任意两个变桨电机位置偏差角度数据和电源数据。
9.进一步地，所述故障预测模型包括：lstm1特征提取层至lstmn特征提取层，共n个lstm，n为变桨系统的数据类型，卷积层conv1至卷积层convn，共n个卷积层conv，池化层poo11至池化层poo1n，共n个池化层poo1，第一concat层，第二concat层，最大池化层maxpool1，最大池化层maxpool2，最大池化层maxpool3和全连接层；
10.lstmi特征提取层的输入端用于输入第i种变桨系统的数据，其输出端与卷积层convi的输入端连接；卷积层convi的输出端与池化层poo1i的输入端连接；所述第一concat层的输入端与池化层poo1i的输出端连接，其输出端分别与最大池化层maxpool1的输入端、最大池化层maxpool2的输入端和最大池化层maxpool3的输入端连接，其中，i为整数，取值范围1～n；所述第二concat层的输入端分别与最大池化层maxpool1的输出端、最大池化层maxpool2的输出端和最大池化层maxpool3的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端作为故障预测模型的输出端。
11.上述进一步地方案的有益效果为：本发明通过每一路的lstm、卷积和池化将每种变桨系统的数据的特征进行提取，并在第一concat层进行融合，保障各种数据特征被保留，再通过三个最大池化层提取显著特征，根据各种数据的显著特征预测故障程度。
12.进一步地，所述第一concat层用于将多个池化层poo1i的输出特征进行拼接，所述第二concat层用于将最大池化层maxpool1、最大池化层maxpool2和最大池化层maxpool3的输出特征进行拼接。
13.进一步地，所述最大池化层maxpool1的池化核大小为3*3，最大池化层maxpool2的池化核大小为5*5，最大池化层maxpool3的池化核大小7*7。
14.进一步地，所述故障预测模型的训练过程为：
15.将变桨系统的数据作为训练数据；
16.第一次训练：
17.将训练数据输入故障预测模型中，进行前向传播，得到故障预测模型的输出值；
18.根据故障预测模型的输出值，计算损失值；
19.在损失值大于第一阈值时，根据损失值，进行反向传播，对故障预测模型的权重进行更新，更新后的故障预测模型采用新的训练数据进行再次训练，直到损失值小于等于第一阈值，结束第一次训练；
20.第二次训练：
21.将训练数据输入故障预测模型中，进行前向传播，得到故障预测模型的输出值；
22.根据故障预测模型的输出值，计算损失值；
23.在损失值大于第二阈值时，根据损失值，进行反向传播，对故障预测模型的偏置进行更新，更新后的故障预测模型采用新的训练数据进行再次训练，直到损失值小于等于第二阈值，结束第二次训练。
24.上述进一步地方案的有益效果为：第一次训练，对故障预测模型的权重进行训练，使得损失值低于第一阈值，第二次训练，通过故障预测模型的偏置，微调故障预测模型的输出，使得其逼近目标值。
25.进一步地，所述对故障预测模型的权重进行更新的公式为：
[0026][0027]
其中，ωi为第i次训练的权重，ω
i-1
为第i-1次训练的权重，j
i-1
为第i-1次训练的损失值，tanh()为双曲正切函数，j
i-2
为第i-2次训练的损失值，为偏导运算，λ为比例参数，i为第一次训练中记录训练次数的编号。
[0028]
上述进一步地方案的有益效果为：在训练时，通过第i-1次训练的损失值j
i-1
的大小和两次损失j
i-1-j
i-2
的差值情况作为权重下降的梯度，使得权重快速更新到目标值。
[0029]
进一步地，所述对故障预测模型的偏置进行更新的公式为：
[0030][0031]
其中，b
t
为第t次训练的偏置，b
t-1
为第t-1次训练的偏置，j
t-1
为第t-1次训练的损失值，j
t-n
为第t-n次训练的损失值，n为叠加的训练次数，n为叠加的训练次数的编号，j
max
为设定的最大损失量，t为第二次训练中记录训练次数的编号。
[0032]
上述进一步地方案的有益效果为：通过第t-1次训练的损失值j
t-1
与最大损失量jmax
的比值确定当前偏置减少的程度，并通过优化减缓偏置下降的速度，使其缓慢下降，调节n的大小，可以调节偏置下降的速度，n越大，下降速度越慢，n越小，下降速度越快。
[0033]
进一步地，所述预测故障程度包括：轻微故障、中度故障和重大故障。
[0034]
本发明实施例的技术方案至少具有如下优点和有益效果：
[0035]
本发明通过故障预测模型找到各种变桨系统的数据与故障程度的关系，从而可以综合各信号的情况，实现对变桨系统当前的故障程度进行预测，在预测故障程度为重大故障时，变桨系统进行收桨操作，保障桨的安全。
附图说明
[0036]
图1为一种变桨系统的安全收桨的控制方法的流程图；
[0037]
图2为故障预测模型的结构示意图。
具体实施方式
[0038]
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0039]
如图1所示，一种变桨系统的安全收桨的控制方法，包括以下步骤：
[0040]
s1、采集变桨系统的数据；
[0041]
在步骤s1中，所述变桨系统的数据类型包括：变桨驱动电机温度数据、任意两个变桨电机位置偏差角度数据和电源数据。
[0042]
s2、采用故障预测模型处理变桨系统的数据，得到预测故障程度；
[0043]
在步骤s2中，如图2所示，所述故障预测模型包括：lstm1特征提取层至lstmn特征提取层，共n个lstm，n为变桨系统的数据类型，卷积层conv1至卷积层convn，共n个卷积层conv，池化层poo11至池化层poo1n，共n个池化层poo1，第一concat层，第二concat层，最大池化层maxpool1，最大池化层maxpool2，最大池化层maxpool3和全连接层；
[0044]
lstmi特征提取层的输入端用于输入第i种变桨系统的数据，其输出端与卷积层convi的输入端连接；卷积层convi的输出端与池化层poo1i的输入端连接；所述第一concat层的输入端与池化层poo1i的输出端连接，其输出端分别与最大池化层maxpool1的输入端、最大池化层maxpool2的输入端和最大池化层maxpool3的输入端连接，其中，i为整数，取值范围1～n；所述第二concat层的输入端分别与最大池化层maxpool1的输出端、最大池化层maxpool2的输出端和最大池化层maxpool3的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端作为故障预测模型的输出端。
[0045]
本发明通过每一路的lstm、卷积和池化将每种变桨系统的数据的特征进行提取，并在第一concat层进行融合，保障各种数据特征被保留，再通过三个最大池化层提取显著特征，根据各种数据的显著特征预测故障程度。
[0046]
所述第一concat层用于将多个池化层poo1i的输出特征进行拼接，所述第二
concat层用于将最大池化层maxpool1、最大池化层maxpool2和最大池化层maxpool3的输出特征进行拼接。
[0047]
所述最大池化层maxpool1的池化核大小为3*3，最大池化层maxpool2的池化核大小为5*5，最大池化层maxpool3的池化核大小7*7。
[0048]
在使用故障预测模型进行故障程度预测时，需先对其进行训练：
[0049]
故障预测模型的训练过程为：
[0050]
将变桨系统的数据作为训练数据；
[0051]
第一次训练：
[0052]
将训练数据输入故障预测模型中，进行前向传播，得到故障预测模型的输出值；
[0053]
根据故障预测模型的输出值，计算损失值；
[0054]
在损失值大于第一阈值时，根据损失值，进行反向传播，对故障预测模型的权重进行更新，更新后的故障预测模型采用新的训练数据进行再次训练，直到损失值小于等于第一阈值，结束第一次训练。
[0055]
所述对故障预测模型的权重进行更新的公式为：
[0056][0057]
其中，ωi为第i次训练的权重，ω
i-1
为第i-1次训练的权重，j
i-1
为第i-1次训练的损失值，tanh()为双曲正切函数，j
i-2
为第i-2次训练的损失值，为偏导运算，λ为比例参数，i为第一次训练中记录训练次数的编号。
[0058]
在训练时，通过第i-1次训练的损失值j
i-1
的大小和两次损失j
i-1-j
i-2
的差值情况作为权重下降的梯度，使得权重快速更新到目标值。
[0059]
第二次训练：
[0060]
将训练数据输入故障预测模型中，进行前向传播，得到故障预测模型的输出值；
[0061]
根据故障预测模型的输出值，计算损失值；
[0062]
在损失值大于第二阈值时，根据损失值，进行反向传播，对故障预测模型的偏置进行更新，更新后的故障预测模型采用新的训练数据进行再次训练，直到损失值小于等于第二阈值，结束第二次训练。
[0063]
第一次训练，对故障预测模型的权重进行训练，使得损失值低于第一阈值，第二次训练，通过故障预测模型的偏置，微调故障预测模型的输出，使得其逼近目标值。
[0064]
所述对故障预测模型的偏置进行更新的公式为：
[0065][0066]
其中，b
t
为第t次训练的偏置，b
t-1
为第t-1次训练的偏置，j
t-1
为第t-1次训练的损失值，j
t-n
为第t-n次训练的损失值，n为叠加的训练次数，n为叠加的训练次数的编号，j
max
为设定的最大损失量，t为第二次训练中记录训练次数的编号。
[0067]
通过第t-1次训练的损失值j
t-1
与最大损失量j
max
的比值确定当前偏置减少的程度，并通过优化减缓偏置下降的速度，使其缓慢下降，调节n的大小，可以调
节偏置下降的速度，n越大，下降速度越慢，n越小，下降速度越快。
[0068]
s3、在预测故障程度为重大故障时，变桨系统进行收桨操作。
[0069]
在步骤s3中，预测故障程度包括：轻微故障、中度故障和重大故障。
[0070]
本发明实施例的技术方案至少具有如下优点和有益效果：
[0071]
本发明通过故障预测模型找到各种变桨系统的数据与故障程度的关系，从而可以综合各信号的情况，实现对变桨系统当前的故障程度进行预测，在预测故障程度为重大故障时，变桨系统进行收桨操作，保障桨的安全。
[0072]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种变桨系统的安全收桨的控制方法，其特征在于，包括：采集变桨系统的数据；采用故障预测模型处理变桨系统的数据，得到预测故障程度；在预测故障程度为重大故障时，变桨系统进行收桨操作。2.根据权利要求1所述的变桨系统的安全收桨的控制方法，其特征在于，所述变桨系统的数据类型包括：变桨驱动电机温度数据、任意两个变桨电机位置偏差角度数据和电源数据。3.根据权利要求2所述的变桨系统的安全收桨的控制方法，其特征在于，所述故障预测模型包括：lstm1特征提取层至lstmn特征提取层，共n个lstm，n为变桨系统的数据类型，卷积层conv1至卷积层convn，共n个卷积层conv，池化层poo11至池化层poo1n，共n个池化层poo1，第一concat层，第二concat层，最大池化层maxpool1，最大池化层maxpool2，最大池化层maxpool3和全连接层；lstmi特征提取层的输入端用于输入第i种变桨系统的数据，其输出端与卷积层convi的输入端连接；卷积层convi的输出端与池化层poo1i的输入端连接；所述第一concat层的输入端与池化层poo1i的输出端连接，其输出端分别与最大池化层maxpool1的输入端、最大池化层maxpool2的输入端和最大池化层maxpool3的输入端连接，其中，i为整数，取值范围1～n；所述第二concat层的输入端分别与最大池化层maxpool1的输出端、最大池化层maxpool2的输出端和最大池化层maxpool3的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端作为故障预测模型的输出端。4.根据权利要求3所述的变桨系统的安全收桨的控制方法，其特征在于，所述第一concat层用于将多个池化层poo1i的输出特征进行拼接，所述第二concat层用于将最大池化层maxpool1、最大池化层maxpool2和最大池化层maxpool3的输出特征进行拼接。5.根据权利要求3所述的变桨系统的安全收桨的控制方法，其特征在于，所述最大池化层maxpool1的池化核大小为3*3，最大池化层maxpool2的池化核大小为5*5，最大池化层maxpool3的池化核大小7*7。6.根据权利要求3所述的变桨系统的安全收桨的控制方法，其特征在于，所述故障预测模型的训练过程为：将变桨系统的数据作为训练数据；第一次训练：将训练数据输入故障预测模型中，进行前向传播，得到故障预测模型的输出值；根据故障预测模型的输出值，计算损失值；在损失值大于第一阈值时，根据损失值，进行反向传播，对故障预测模型的权重进行更新，更新后的故障预测模型采用新的训练数据进行再次训练，直到损失值小于等于第一阈值，结束第一次训练；第二次训练：将训练数据输入故障预测模型中，进行前向传播，得到故障预测模型的输出值；根据故障预测模型的输出值，计算损失值；在损失值大于第二阈值时，根据损失值，进行反向传播，对故障预测模型的偏置进行更新，更新后的故障预测模型采用新的训练数据进行再次训练，直到损失值小于等于第二阈
值，结束第二次训练。7.根据权利要求6所述的变桨系统的安全收桨的控制方法，其特征在于，所述对故障预测模型的权重进行更新的公式为：其中，ω
i
为第i次训练的权重，ω
i-1
为第i-1次训练的权重，j
i-1
为第i-1次训练的损失值，tanh()为双曲正切函数，j
i-2
为第i-2次训练的损失值，为偏导运算，λ为比例参数，i为第一次训练中记录训练次数的编号。8.根据权利要求6所述的变桨系统的安全收桨的控制方法，其特征在于，所述对故障预测模型的偏置进行更新的公式为：其中，b
t
为第t次训练的偏置，b
t-1
为第t-1次训练的偏置，j
t-1
为第t-1次训练的损失值，j
t-n
为第t-n次训练的损失值，n为叠加的训练次数，n为叠加的训练次数的编号，j
max
为设定的最大损失量，t为第二次训练中记录训练次数的编号。9.根据权利要求1所述的变桨系统的安全收桨的控制方法，其特征在于，所述预测故障程度包括：轻微故障、中度故障和重大故障。

技术总结
本发明提供了一种变桨系统的安全收桨的控制方法，包括：采集变桨系统的数据；采用故障预测模型处理变桨系统的数据，得到预测故障程度；在预测故障程度为重大故障时，变桨系统进行收桨操作；本发明解决了现有通过判断信号的异常程度超过阈值的方式进行收桨控制，存在无法综合各信号的情况，对变桨系统当前的故障程度进行预测的问题。度进行预测的问题。度进行预测的问题。


技术研发人员：尚晓龙 李成昌 郝延 杨立平 陶成强 刘雪峰 杨灏
受保护的技术使用者：华能酒泉风电有限责任公司
技术研发日：2022.12.12
技术公布日：2023/5/13