一种风力发电机故障检测方法及系统与流程

1.本技术涉及风力发电机故障检测技术领域，更具体地，涉及一种风力发电机故障检测方法及系统。


背景技术：

2.风力发电机是将风能转换为机械功，机械功带动转子旋转，最终输出交流电的电力设备。风力发电机一般有风轮、发电机(包括装置)、调向器(尾翼)、塔架、限速安全机构和储能装置等构件组成。风力发电机的工作原理比较简单，风轮在风力的作用下旋转，它把风的动能转变为风轮轴的机械能，发电机在风轮轴的带动下旋转发电。广义地说，风能也是太阳能，所以也可以说风力发电机，是一种以太阳为热源，以大气为工作介质的热能利用发电机。
3.风力发电机的系统较为复杂，当风机出现故障时，往往是系统内容各个参数量之间相互影响，分析起来较为费时费力。现有技术中，分析风机故障，因为各个系统的参数特性不同，需要将每个系统的参数全部分析一遍，使得计算资源消耗较多，且分析效果较差。
4.因此，如何降低计算资源且提高分析效果，是目前有待解决的技术问题。


技术实现要素：

5.本发明提供一种风力发电机故障检测方法，用以解决现有技术中耗费计算资源多且分析效果差的技术问题。该方法应用于scada系统中，所述方法包括：
6.获取scada中风机的离散量和连续量，确定两两离散量之间的第一关联度，若第一关联度符合第一预设要求，则确定两两离散量之间存在迁移关联；
7.确定两两连续量之间的第二关联度，若第二关联度符合第二预设要求，则确定两两连续量之间存在迁移关联；
8.区分出存在迁移关联的两两离散量和两两连续量中的源量和目标量，且源量和目标量相对应；
9.根据源量建立分类模型，根据分类模型预测源量和目标量未来一段时间内的预测量，根据预测量确定风机的故障情况。
10.本技术一些实施例中，源量包括源离散量和源连续量，目标量包括目标离散量和目标连续量，且源离散量和目标离散量相对应，源连续量和目标连续量相对应。
11.本技术一些实施例中，第一关联度符合第一预设要求，包括：
12.第一关联度包括支持度和置信度；
13.若支持度超过第一阈值，且置信度超过第二阈值，则确定两两离散量之间存在迁移关联。
14.本技术一些实施例中，所述方法还包括；
15.若支持度不超过第一阈值，且置信度超过第二阈值，则确定两两离散量之间不存在迁移关联；
16.若支持度超过第一阈值，且置信度不超过第二阈值，则确定两两离散量之间不存在迁移关联；
17.若支持度超不过第一阈值，且置信度不超过第二阈值，则确定两两离散量之间不存在迁移关联。
18.本技术一些实施例中，确定两两连续量之间的第二关联度，包括：
19.根据第一矩阵、第二矩阵和权重系数矩阵得到第二关联度。
20.本技术一些实施例中，所述方法还包括：
21.根据对立度修正对立度系数，根据对立度系数修正权重系数矩阵。
22.本技术一些实施例中，第二关联度符合第二预设要求，包括：
23.若第二关联度超过第三阈值，则确定两两连续量之间存在迁移关联；
24.若第二关联度不超过第三阈值，则确定两两连续量之间不存在迁移关联。
25.本技术一些实施例中，区分出存在迁移关联的两两离散量和两两连续量中的源量和目标量，包括：
26.将存在迁移关联的两两离散量中标签训练样本数量较多的一方作为源离散量，标签训练样本数量较少的另一方作为目标离散量；
27.将存在迁移关联的两两连续量中标签训练样本数量较多的一方作为源连续量，标签训练样本数量较少的另一方作为目标连续量。
28.本技术一些实施例中，根据源量建立分类模型，根据分类模型预测源量和目标量未来一段时间内的预测量，包括：
29.根据源离散量建立离散量分类模型，根据离散量分类模型预测未来一段时间内的预测离散量；
30.根据源连续量建立连续量分类模型，根据连续量分类模型预测未来一段时间内的预测连续量。
31.对应的，本技术还提供了一种风力发电机故障检测系统，应用于scada系统中，所述系统包括：
32.第一关联模块，用于获取scada中风机的离散量和连续量，确定两两离散量之间的第一关联度，若第一关联度符合第一预设要求，则确定两两离散量之间存在迁移关联；
33.第二关联模块，用于确定两两连续量之间的第二关联度，若第二关联度符合第二预设要求，则确定两两连续量之间存在迁移关联；
34.区分模块，用于区分出存在迁移关联的两两离散量和两两连续量中的源量和目标量，且源量和目标量相对应；
35.预测模块，用于根据源量建立分类模型，根据分类模型预测源量和目标量未来一段时间内的预测量，根据预测量确定风机的故障情况。
36.通过应用以上技术方案，获取scada中风机的离散量和连续量，确定两两离散量之间的第一关联度，若第一关联度符合第一预设要求，则确定两两离散量之间存在迁移关联；确定两两连续量之间的第二关联度，若第二关联度符合第二预设要求，则确定两两连续量之间存在迁移关联；区分出存在迁移关联的两两离散量和两两连续量中的源量和目标量，且源量和目标量相对应；根据源量建立分类模型，根据分类模型预测源量和目标量未来一段时间内的预测量，根据预测量确定风机的故障情况。本技术通过将迁移学习代入到离散
量和连续量中，减少了不同系统量的所需的计算资源，提高了分析效果。
附图说明
37.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述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技术的一些实施例，对于本领域技术人员来讲，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。
38.图1示出了本发明实施例提出的一种风力发电机故障检测方法的流程示意图；
39.图2示出了本发明实施例提出的一种风力发电机故障检测系统的结构示意图。
具体实施方式
40.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
41.本技术实施例提供一种风力发电机故障检测方法，应用于scada系统中，风电场中除了主要设备风电机组外，还有很多其他设备，例如：气象桅杆、噪音监测站、主变电站、scada系统等。通常每个风电场会在主变电站内设置一个控制室，scada系统提供控制室与风电场其他设备之间的通信链接，从而提供有关变电站、气象桅杆以及风电机组的信息。由于scada系统在操作和维护风电场的分布式控制系统中起着关键作用。scada系统一般监测两种参量，离散量和连续量。
42.如图1所示，该方法包括以下步骤：
43.步骤s101，获取scada中风机的离散量和连续量，确定两两离散量之间的第一关联度，若第一关联度符合第一预设要求，则确定两两离散量之间存在迁移关联。
44.本实施例中，scada中根据参量类型分为离散型参量和连续型参量，离散型参量主要体现在偏航系统、液压系统、发电机系统和冷却系统四个系统中。离散型参量可以直观体现某系统的运行状态，其表现形式为0或者1两种状态，例如：偏航刹车开关量、润滑油温度的高低量等。连续型参量主要表现在角度、压力、温度、速度、振动、电因素六个方面，连续型参量可以体现某参量一段时间内的发展趋势，其表现形式为随时间连续缓慢变化，例如：发电机转速量、齿轮箱温度量等。在利用迁移学习前，确定离散量之间是否存在一定关联，确定连续量之间的是否存在一定关联。只有在存在关联后，方可利用迁移学习进行后续步骤。对两两离散量进行所有可能的组合，连续量同理。
45.本技术一些实施例中，源量包括源离散量和源连续量，目标量包括目标离散量和目标连续量，且源离散量和目标离散量相对应，源连续量和目标连续量相对应。
46.本实施例中，迁移学习是运用已有知识对不同但相关领域的问题进行求解的一种新机器学习方法。它放宽了传统机器学习中的两个基本假设，目的是在源领域数据与目标领域数据具有不同数据分布的情况下，把从有标签源领域学习到的知识迁移到目标领域，解决目标领域中仅有少量有标签样本数据甚至没有的学习问题。在本方案中，源领域相当于源离散量和源连续量，目标领域相当于目标离散量和目标连续量。将迁移学习应用到不
同的离散量之间或不同的连续量之间，减少计算资源的浪费。
47.为了保证不同离散量之间的关联度适应性，本技术一些实施例中，第一关联度符合第一预设要求，包括：第一关联度包括支持度和置信度；若支持度超过第一阈值，且置信度超过第二阈值，则确定两两离散量之间存在迁移关联。本技术一些实施例中，所述方法还包括；若支持度不超过第一阈值，且置信度超过第二阈值，则确定两两离散量之间不存在迁移关联；若支持度超过第一阈值，且置信度不超过第二阈值，则确定两两离散量之间不存在迁移关联；若支持度超不过第一阈值，且置信度不超过第二阈值，则确定两两离散量之间不存在迁移关联。
48.本实施例中，第一关联度为采用关联规则求得的两两离散量之间的关联度。具体计算过程属于本领域常规技术手段，在此不再赘述。支持度与置信度分别反映此关联规则的有效性和确定性，其中支持度表征关联规则在参量数据库中的重要程度或出现的概率，即支持度越高，其关联程度越高；置信度表征关联规则的可信程度，即置信度越高，其可信度越高。只有置信度和支持度均符合要求后，方认定两者存在可以迁移的关联。
49.步骤s102，确定两两连续量之间的第二关联度，若第二关联度符合第二预设要求，则确定两两连续量之间存在迁移关联。
50.本技术一些实施例中，确定两两连续量之间的第二关联度，包括：根据第一矩阵、第二矩阵和权重系数矩阵得到第二关联度。
51.本实施例中，根据连续量的性质(随时间连续变化)选择集对分析来计算两者的关联度。集对分析为，设定两个集合a、b组成集对h＝(a，b)，在某个问题q的背景下，对集对h的展开分析，共得到p个特性，其中，有x个特性为a和b所共同具有的，在z个特性上a和b相对立，其余的为y＝p-x-z个特性既不为两集合所共同具有，也不相互对立。建立多元联系度表达式，如下：
52.μ＝a+b1i1+b2i2+
…
+b
l-2il-2
+cj
53.μ是集合a和b的联系度，取值范围在-1到1之间，a、b、c分别为两个集合在问题q下的同一度、差异度、对立度，a＝x/p，b＝y/p，c＝z/p，i为差异度系数，规定在-1到1区间根据不同情况取值，j为对立度系数。
54.记矩阵r＝[a，b1
…bl-2
，c]为评估指标的同异反评价矩阵，矩阵e＝[1，i1...i
l-2
，j]
t
[0055]
r为第一矩阵，e为第二矩阵。
[0056][0057]
wm、rm分别为常权重系数矩阵和同异反评价矩阵。
[0058]
为了提高计算准确性，本技术一些实施例中，所述方法还包括：根据对立度修正对立度系数，根据对立度系数修正权重系数矩阵。
[0059]
本实施例中，因为不同的对立度会影响权重系数，需要对其进行修正。
[0060]
根据对立度修正对立度系数，具体为：
[0061]
预设对立度数组c0(c1，c2，c3，c4)，其中，c1，c2，c3，c4均为预设值，且c1＜c2＜c3＜c4；
[0062]
预设对立度修正系数数组j0(j1，j2，j3，j4)，其中，j1，j2，j3，j4均为预设值，且0.8＜j1＜j2＜j3＜j4＜1.2；
[0063]
根据对立度与预设对立度之间的关系，确定对立度修正系数，对其进行修正；
[0064]
若c＜c1，则将第一预设对立度修正系数j1作为对立度修正系数，修正对立度修正系数，修正后的对立度系数为j*j1；
[0065]
若c1≤c＜c2，则将第二预设对立度修正系数j2作为对立度修正系数，修正对立度修正系数，修正后的对立度系数为j*j2；
[0066]
若c2≤c＜c3，则将第三预设对立度修正系数j3作为对立度修正系数，修正对立度修正系数，修正后的对立度系数为j*j3；
[0067]
若c3≤c＜c4，则将第四预设对立度修正系数j4作为对立度修正系数，修正对立度修正系数，修正后的对立度系数为j*j4。
[0068]
根据对立度系数修正权重系数矩阵，具体为：
[0069]
设定修正后的对立度系数为d，预设修正后的对立度系数数组d0(d1，d2，d3，d4)，其中，d1，d2，d3，d4均为预设值，且d1＜d2＜d3＜d4；
[0070]
预设权重系数修正值数组q0(q1，q2，q3，q4)，其中，q1，q2，q3，q4均为预设值，且0.8＜q1＜q2＜q3＜q4＜1.2；
[0071]
根据修正后的对立度系数与预设对立度系数之间的关系，确定权重系数修正值，并对权重进行修正；
[0072]
若d＜d1，确定第一预设权重系数修正值q1作为权重系数修正值，修正后的权重系数为wm*q1；
[0073]
若d1≤d＜d2，确定第二预设权重系数修正值q2作为权重系数修正值，修正后的权重系数为wm*q2；
[0074]
若d2≤d＜d3，确定第三预设权重系数修正值q3作为权重系数修正值，修正后的权重系数为wm*q3；
[0075]
若d3≤d＜d4，确定第四预设权重系数修正值q4作为权重系数修正值，修正后的权重系数为wm*q4。
[0076]
本技术一些实施例中，第二关联度符合第二预设要求，包括：
[0077]
若第二关联度超过第三阈值，则确定两两连续量之间存在迁移关联；
[0078]
若第二关联度不超过第三阈值，则确定两两连续量之间不存在迁移关联。
[0079]
步骤s103，区分出存在迁移关联的两两离散量和两两连续量中的源量和目标量，且源量和目标量相对应。
[0080]
本实施例中，根据标签训练样本确定源量和目标量，相当于将源量的学习方法应用到目标量中。有效的标签训练样本数量较多的一方作为源量，较少的一方作为目标量，以此提高迁移学习的有效功。
[0081]
本技术一些实施例中，区分出存在迁移关联的两两离散量和两两连续量中的源量和目标量，包括：
[0082]
将存在迁移关联的两两离散量中标签训练样本数量较多的一方作为源离散量，标签训练样本数量较少的另一方作为目标离散量；
[0083]
将存在迁移关联的两两连续量中标签训练样本数量较多的一方作为源连续量，标签训练样本数量较少的另一方作为目标连续量。
[0084]
步骤s104，根据源量建立分类模型，根据分类模型预测源量和目标量未来一段时间内的预测量，根据预测量确定风机的故障情况。
[0085]
本实施例中，利用数量较多有标签训练样本或者源领域数据，建立一个可靠的分类模型对目标领域数据进行预测。源领域数据和目标领域数据可以不具有相同的数据分布。
[0086]
本技术一些实施例中，根据源量建立分类模型，根据分类模型预测源量和目标量未来一段时间内的预测量，包括：
[0087]
根据源离散量建立离散量分类模型，根据离散量分类模型预测未来一段时间内的预测离散量；
[0088]
根据源连续量建立连续量分类模型，根据连续量分类模型预测未来一段时间内的预测连续量。
[0089]
通过应用以上技术方案，获取scada中风机的离散量和连续量，确定两两离散量之间的第一关联度，若第一关联度符合第一预设要求，则确定两两离散量之间存在迁移关联；确定两两连续量之间的第二关联度，若第二关联度符合第二预设要求，则确定两两连续量之间存在迁移关联；区分出存在迁移关联的两两离散量和两两连续量中的源量和目标量，且源量和目标量相对应；根据源量建立分类模型，根据分类模型预测源量和目标量未来一段时间内的预测量，根据预测量确定风机的故障情况。本技术通过将迁移学习代入到离散量和连续量中，减少了不同系统量的所需的计算资源，提高了分析效果。
[0090]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施场景所述的方法。
[0091]
对应的，本技术还提供了一种风力发电机故障检测系统，应用于scada系统中，如图2所示，所述系统包括：
[0092]
第一关联模块201，用于获取scada中风机的离散量和连续量，确定两两离散量之间的第一关联度，若第一关联度符合第一预设要求，则确定两两离散量之间存在迁移关联；
[0093]
第二关联模块202，用于确定两两连续量之间的第二关联度，若第二关联度符合第二预设要求，则确定两两连续量之间存在迁移关联；
[0094]
区分模块203，用于区分出存在迁移关联的两两离散量和两两连续量中的源量和目标量，且源量和目标量相对应；
[0095]
预测模块204，用于根据源量建立分类模型，根据分类模型预测源量和目标量未来一段时间内的预测量，根据预测量确定风机的故障情况。
[0096]
本技术一些实施例中，源量包括源离散量和源连续量，目标量包括目标离散量和目标连续量，且源离散量和目标离散量相对应，源连续量和目标连续量相对应。
[0097]
本技术一些实施例中，第一关联模块201，用于：
[0098]
第一关联度包括支持度和置信度；
[0099]
若支持度超过第一阈值，且置信度超过第二阈值，则确定两两离散量之间存在迁移关联。
[0100]
本技术一些实施例中，第一关联模块201，用于；
[0101]
若支持度不超过第一阈值，且置信度超过第二阈值，则确定两两离散量之间不存在迁移关联；
[0102]
若支持度超过第一阈值，且置信度不超过第二阈值，则确定两两离散量之间不存在迁移关联；
[0103]
若支持度超不过第一阈值，且置信度不超过第二阈值，则确定两两离散量之间不存在迁移关联。
[0104]
本技术一些实施例中，第二关联模块202，用于：
[0105]
根据第一矩阵、第二矩阵和权重系数矩阵得到第二关联度。
[0106]
本技术一些实施例中，第二关联模块202，用于：
[0107]
根据对立度修正对立度系数，根据对立度系数修正权重系数矩阵。
[0108]
本技术一些实施例中，第二关联模块202，用于：
[0109]
若第二关联度超过第三阈值，则确定两两连续量之间存在迁移关联；
[0110]
若第二关联度不超过第三阈值，则确定两两连续量之间不存在迁移关联。
[0111]
本技术一些实施例中，区分模块203，用于：
[0112]
将存在迁移关联的两两离散量中标签训练样本数量较多的一方作为源离散量，标签训练样本数量较少的另一方作为目标离散量；
[0113]
将存在迁移关联的两两连续量中标签训练样本数量较多的一方作为源连续量，标签训练样本数量较少的另一方作为目标连续量。
[0114]
本技术一些实施例中，预测模块204，用于：
[0115]
根据源离散量建立离散量分类模型，根据离散量分类模型预测未来一段时间内的预测离散量；
[0116]
根据源连续量建立连续量分类模型，根据连续量分类模型预测未来一段时间内的预测连续量。
[0117]
本领域技术人员可以理解实施场景中的系统中的模块可以按照实施场景描述进行分布于实施场景的系统中，也可以进行相应变化位于不同于本实施场景的一个或多个系统中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0118]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。

技术特征：
1.一种风力发电机故障检测方法，应用于scada系统中，其特征在于，所述方法包括：获取scada中风机的离散量和连续量，确定两两离散量之间的第一关联度，若第一关联度符合第一预设要求，则确定两两离散量之间存在迁移关联；确定两两连续量之间的第二关联度，若第二关联度符合第二预设要求，则确定两两连续量之间存在迁移关联；区分出存在迁移关联的两两离散量和两两连续量中的源量和目标量，且源量和目标量相对应；根据源量建立分类模型，根据分类模型预测源量和目标量未来一段时间内的预测量，根据预测量确定风机的故障情况。2.如权利要求1所述的方法，其特征在于，源量包括源离散量和源连续量，目标量包括目标离散量和目标连续量，且源离散量和目标离散量相对应，源连续量和目标连续量相对应。3.如权利要求1所述的方法，其特征在于，第一关联度符合第一预设要求，包括：第一关联度包括支持度和置信度；若支持度超过第一阈值，且置信度超过第二阈值，则确定两两离散量之间存在迁移关联。4.如权利要求3所述的方法，其特征在于，所述方法还包括；若支持度不超过第一阈值，且置信度超过第二阈值，则确定两两离散量之间不存在迁移关联；若支持度超过第一阈值，且置信度不超过第二阈值，则确定两两离散量之间不存在迁移关联；若支持度超不过第一阈值，且置信度不超过第二阈值，则确定两两离散量之间不存在迁移关联。5.如权利要求1所述的方法，其特征在于，确定两两连续量之间的第二关联度，包括：根据第一矩阵、第二矩阵和权重系数矩阵得到第二关联度。6.如权利要求5所述的方法，其特征在于，所述方法还包括：根据对立度修正对立度系数，根据对立度系数修正权重系数矩阵。7.如权利要求1所述的方法，其特征在于，第二关联度符合第二预设要求，包括：若第二关联度超过第三阈值，则确定两两连续量之间存在迁移关联；若第二关联度不超过第三阈值，则确定两两连续量之间不存在迁移关联。8.如权利要求2所述的方法，其特征在于，区分出存在迁移关联的两两离散量和两两连续量中的源量和目标量，包括：将存在迁移关联的两两离散量中标签训练样本数量较多的一方作为源离散量，标签训练样本数量较少的另一方作为目标离散量；将存在迁移关联的两两连续量中标签训练样本数量较多的一方作为源连续量，标签训练样本数量较少的另一方作为目标连续量。9.如权利要求8所述的方法，其特征在于，根据源量建立分类模型，根据分类模型预测源量和目标量未来一段时间内的预测量，包括：根据源离散量建立离散量分类模型，根据离散量分类模型预测未来一段时间内的预测
离散量；根据源连续量建立连续量分类模型，根据连续量分类模型预测未来一段时间内的预测连续量。10.一种风力发电机故障检测系统，应用于scada系统中，其特征在于，所述系统包括：第一关联模块，用于获取scada中风机的离散量和连续量，确定两两离散量之间的第一关联度，若第一关联度符合第一预设要求，则确定两两离散量之间存在迁移关联；第二关联模块，用于确定两两连续量之间的第二关联度，若第二关联度符合第二预设要求，则确定两两连续量之间存在迁移关联；区分模块，用于区分出存在迁移关联的两两离散量和两两连续量中的源量和目标量，且源量和目标量相对应；预测模块，用于根据源量建立分类模型，根据分类模型预测源量和目标量未来一段时间内的预测量，根据预测量确定风机的故障情况。

技术总结
本发明公开了一种风力发电机故障检测方法及系统，涉及风力发电机故障检测领域，包括，获取SCADA中风机的离散量和连续量，确定两两离散量之间的第一关联度，若第一关联度符合第一预设要求，则确定两两离散量之间存在迁移关联；确定两两连续量之间的第二关联度，若第二关联度符合第二预设要求，则确定两两连续量之间存在迁移关联；区分出存在迁移关联的两两离散量和两两连续量中的源量和目标量，且源量和目标量相对应；根据源量建立分类模型，根据分类模型预测源量和目标量未来一段时间内的预测量，根据预测量确定风机的故障情况。本申请通过将迁移学习代入到离散量和连续量中，减少了不同系统量的所需的计算资源，提高了分析效果。果。果。


技术研发人员：常亚民 陈勇 姚晓丽 朱壮华 刘建华 陈琰俊
受保护的技术使用者：华能榆社扶贫能源有限责任公司 华能山西综合能源有限责任公司榆社光伏电站 黎城县盈恒清洁能源有限公司 华能芮城综合能源有限责任公司 华能左权羊角风电有限责任公司 芮城宁升新能源有限公司 五寨县太重新能源风力发电有限公司 朔州市太重风力发电有限公司
技术研发日：2022.12.09
技术公布日：2023/5/13