一种SCADA故障数据生成方法及其应用与流程

一种scada故障数据生成方法及其应用
技术领域
1.本发明涉及风电机技术领域，具体涉及一种scada故障数据生成方法及其应用。


背景技术：

2.风电机的故障诊断与检测是保证风电机智能运维中不可或缺的部分。及时的对故障进行排查与隔离能够有效降低停机或机组损坏所带来的经济损失以及人员伤亡率。目前风电机的故障诊断与检测方式主要有基于模型与基于数据驱动的方法。其中基于数据驱动的方法无需建立复杂模型且较少基于人为主观干涉，因此近几年受到了广泛的关注与研究。现代风电机与传感器网络集成，从而构造了一套监控和数据采集(supervi sory contro l and data acqu i s i t i on,scada)系统。scada是指的用于监测风电机的动力传动系状态(例如轴承温度，润滑油子系统等)。通过分析常规收集的scada数据，基于数据驱动的风电机故障与检测被作为一种可行的手段，从而在尽可能早的阶段识别出故障来预防严重的故障并优化维护风电机组。
3.然而，风电机收集到的scada数据存在样本不平衡现象，即故障样本量远少于正常样本量。基于数据驱动的故障检测算法需要拥有大量可靠训练数据才能提高识别效果，否则算法的识别能力往往偏向正常数据类，引起“认知”偏差。但大量的训练数据在工业中一般很难获取到，因为工业中的设备大多数处在正常运作过程中，同时为了保持设备安全，减小经济损失，往往不会将设备运行到明显的故障阶段，这使得故障信号数据的获取更加困难。


技术实现要素：

4.为了解决上述技术问题，本发明提供的一种scada故障数据生成方法及其应用，实现基于数据驱动的风电机故障诊断与检测的性能提升，为风电机的实时控制和日常维护与管理提供基础数据支持。
5.为了达到上述目的，本发明的技术方案如下：
6.本发明提供一种scada故障数据生成方法，包括以下步骤：利用海量的正常风电机scada数据，基于算法理论研究与实际scada数据分析，在特征表示、图结构挖掘及图神经网络三个方面分别研究适用于不平衡scada故障样本生成技术，通过分析大量的scada历史数据与含噪scada数据，挖掘时间序列随时间变化的规律或趋势，进而利用该规律生成新的故障样本序列，以实现基于数据驱动的风电机故障诊断与检测。
7.本发明提供的一种scada故障数据生成方法及其应用，实现基于数据驱动的风电机故障诊断与检测的性能提升，为风电机的实时控制和日常维护与管理提供基础数据支持。
8.作为优选技术方案，具体包括以下步骤：选择风速、风功率、风向、温度和天气预报风速作为原始数据的输入，对原始scada数据包加入高斯噪声，将得到的特征利用神经网络尽量逼近scada得到的特征；以此得到scada数据下的图模型；利用图变分自编码器提取故
障数据与正常数据中的私有特征与公共特征；将得到的编码值利用重参数化技巧进行训练，利用编码值并通过解码器重新构造出故障、正常时间序列；从私有正态分布与共有正态分布中进行采样，并利用训练好的解码器对数据进行样本重构，最终找到故障scada数据。
9.作为优选技术方案，对原始scada数据包加入高斯噪声，将得到的特征利用神经网络尽量逼近scada得到的特征，包括以下步骤：针对原始scada数据具有变量相关性强、高维且量大、变化缓慢且含有噪声的特点，拟采用均值插补、高维映射及压缩感知等技术对原始遥测数据进行清洗、补缺等预处理；利用关联性分析方法，如主成分分析、互信息、投影寻踪等算法，对数据进行维度约简以避免维数灾难。
10.作为优选技术方案，利用图变分自编码器提取故障数据与正常数据中的私有特征与公共特征，包括以下步骤：基于scada变量间的关系由风电机各传感器间相互作用决定，因此通过大量且深入地分析正常样本能够构造变量与变量间的相互关系，利用含噪的正常信号与正常信号共同通过神经网络抽取图信息，利用矩阵范数对两者的图模型尽可能逼近以此令卷积网络能够抽取出最基础的变量间的相互关系。
11.作为优选技术方案，将得到的编码值利用重参数化技巧进行训练，利用编码值并通过解码器重新构造出故障、正常时间序列，包括以下步骤：
12.将时间序列利用序列挖掘技术得到图模型，其中节点为各变量的时间序列；边表示变量间的相互关系；利用图变分自编码器对正常图信号进行编码与解码，以此得到含有scada数据的公共特征信息。
13.作为优选技术方案，从私有正态分布与共有正态分布中进行采样，并利用训练好的解码器对数据进行样本重构，最终找到故障scada数据，包括以下步骤：基于故障信号是由正常信号演变来的假设，将故障信号通过图变分自编码器进行精调，最终利用高斯分布采样通过变分解码器得到丰富的故障信号。
14.作为优选技术方案，基于故障信号是由正常信号演变来的假设，将故障信号通过图变分自编码器进行精调，最终利用高斯分布采样通过变分解码器得到丰富的故障信号，包括以下步骤：
15.s1构建历史数据模式库；
16.s2图变分自编码器构建，利用图变分自编码器对正常风电机的scada数据进行编码，得到各个节点的方差与均值，将得到的节点均值与方差进行采样得到各节点隐含变量，并对隐含变量及图邻接矩阵利用解码器还原回正常scada数据；同时在该自编码器的基础上利用故障scada数据进行精调，最终获取到故障样本的概率分布；
17.s3隐状态变量高斯分布采样数据生成方案，对获取到的并进行预训练的变分自编码器作为基础框架，利用故障scada数据进行精调，对精调后的模型获取故障信号下的概率分布，利用重参数化技巧得到不同节点的隐藏表示向量，利用解码器得到不同的故障信号。
18.作为优选技术方案，步骤s1构建历史数据模式库，具体包括以下步骤：
19.s101将历史scada数据实时滚动窗口进行片段化截取，再对截取后的子序列进行归一化、标准化处理；
20.s102对大量的序列进行卷积神经网络的图结构获取，得到不同序列的不同对应图结构；
21.s103对每个序列记录正常或故障标签，同时每个样本含有各自的图结构。
22.本发明还提供一种scada故障数据生成方法作为风电机组样本不平衡问题的故障诊断应用于风电机中。
23.本发明提供的一种scada故障数据生成方法及其应用，具有以下有益效果：
24.1)本发明提供的一种scada故障数据生成方法及其应用，利用海量的正常风电机scada数据，基于算法理论研究与实际scada数据分析，在特征表示、图结构挖掘及图神经网络三个方面分别研究适用于不平衡scada故障样本生成技术；通过分析大量的scada历史数据与含噪scada数据，挖掘时间序列随时间变化的规律或趋势，进而利用该规律生成新的故障样本序列，以实现基于数据驱动的风电机故障诊断与检测的性能提升，为风电机的实时控制和日常维护与管理提供基础数据支持；
25.2)本发明提供的一种scada故障数据生成方法及其应用，本发明提出了将时间序列构造出图模型的新算法，相比于原基于深度学习生成数据技术解释性不强，本发明利用图模型对时间序列进行建模表征变量间的关系具有较强的解释性；
26.3)本发明提供的一种scada故障数据生成方法及其应用，本发明提出基于图变分自编码器的故障生成算法，相比于现有技术在数据scada生成时未充分考虑时间序列间的结构，本发明利用scada正常数据对图变分自编码器进行预训练，之后利用故障数据对得到的图变分自编码器进行精调；将得到图变分编码器解码部分利用采样技术(蒙特卡洛采样)及对应的故障图模型获取到新的故障数据；
27.4)本发明提供的一种scada故障数据生成方法及其应用，将基于经验模态分解emd和lstm(长短期神经网络)神经网络相结合，提出一种基于emd的lstm神经网络风功率预测方法；为了充分挖掘scada数据内在变量间的信息，利用图模型的思想构建出各scada变量间的潜在关系，与经典的基于深度网络的图结构学习不同，本发明图结构学习更具解释性。
附图说明
28.图1本发明提供的构建历史数据模式库的流程图；
29.图2为图变分自编码器构建的流程图；
30.图3为隐状态变量高斯分布采样数据生成方案的流程图；
具体实施方式
31.下面结合附图详细说明本发明的优选实施方式。
32.能够理解，本发明是通过一些实施例达到本发明的目的，本发明提供一种scada故障数据生成方法，利用海量的正常风电机scada数据，基于算法理论研究与实际scada数据分析，在特征表示、图结构挖掘及图神经网络三个方面分别研究适用于不平衡scada故障样本生成技术；通过分析大量的scada历史数据与含噪scada数据，挖掘时间序列随时间变化的规律或趋势，进而利用该规律生成新的故障样本序列，以实现基于数据驱动的风电机故障诊断与检测的性能提升，为风电机的实时控制和日常维护与管理提供基础数据支持；
33.本发明是一种用于风电scada故障数据生成方法，主要用于风电机组样本不平衡问题的故障诊断研究，具体包括以下步骤：对原始scada数据包加入高斯噪声，将得到的特征利用神经网络尽量逼近scada得到的特征，以此得到scada数据下的图模型；利用图变分自编码器提取故障数据与正常数据中的私有特征与公共特征；将得到的编码值利用重参数
化技巧进行训练，利用编码值并通过解码器重新构造出故障、正常时间序列；从私有正态分布与共有正态分布中进行采样，并利用训练好的解码器对数据进行样本重构，最终找到故障scada数据；
34.本发明提供一种scada故障数据生成方法，具体包括以下步骤：
35.s1选择风速、风功率、风向、温度和天气预报风速作为数据的输入，针对scada数据具有变量相关性强、高维且量大、变化缓慢且含有噪声的特点，拟采用均值插补、高维映射及压缩感知等技术对原始遥测数据进行清洗、补缺等预处理；利用关联性分析方法，如主成分分析、互信息、投影寻踪等算法，对数据进行维度约简以避免维数灾难；
36.s2基于scada变量间的关系由风电机各传感器间相互作用决定，因此通过大量且深入地分析正常样本能够构造变量与变量间的相互关系；利用含噪的正常信号与正常信号共同通过神经网络抽取图信息，利用froben i us矩阵范数对两者的图模型尽可能逼近以此令卷积网络能够抽取出最基础的变量间的相互关系；
37.s3将时间序列利用序列挖掘技术得到图模型，其中节点为各变量的时间序列；边表示变量间的相互关系；利用图变分自编码器对正常图信号进行编码与解码，以此得到含有scada数据的公共特征信息；
38.s4基于故障信号是由正常信号演变来的假设，本课题将故障信号通过图变分自编码器进行精调，最终利用高斯分布采样通过变分解码器得到丰富的故障信号；
39.步骤s4具体包括以下步骤：
40.s401如图1所示，构建历史数据模式库，具体包括以下步骤：
41.1)将历史scada数据实时滚动窗口进行片段化截取，再对截取后的子序列进行归一化、标准化处理；2)对大量的序列进行卷积神经网络的图结构获取，得到不同序列的不同对应图结构；3)对每个序列记录正常或故障标签，同时每个样本含有各自的图结构；
42.s402如图2所示，图变分自编码器构建，具体包括以下步骤：
43.利用图变分自编码器对正常风电机的scada数据进行编码，得到各个节点的方差与均值，将得到的节点均值与方差进行采样得到各节点隐含变量，并对隐含变量及图邻接矩阵利用解码器还原回正常scada数据；同时在该自编码器的基础上利用故障scada数据进行精调，最终获取到故障样本的概率分布；
44.s403如图3所示，隐状态变量高斯分布采样数据生成方案，具体包括以下步骤：对获取到的并进行预训练的变分自编码器作为基础框架，利用故障scada数据进行精调，对精调后的模型获取故障信号下的概率分布，利用重参数化技巧得到不同节点的隐藏表示向量，利用解码器得到不同的故障信号；
45.其中，生成的时间序列保留了原始时间序列变量间的结构。
46.本发明提供的一种scada故障数据生成方法及其应用，具有以下有益效果：
47.1)本发明提供的一种scada故障数据生成方法及其应用，利用海量的正常风电机scada数据，基于算法理论研究与实际scada数据分析，在特征表示、图结构挖掘及图神经网络三个方面分别研究适用于不平衡scada故障样本生成技术；通过分析大量的scada历史数据与含噪scada数据，挖掘时间序列随时间变化的规律或趋势，进而利用该规律生成新的故障样本序列，以实现基于数据驱动的风电机故障诊断与检测的性能提升，为风电机的实时控制和日常维护与管理提供基础数据支持；
48.2)本发明提供的一种scada故障数据生成方法及其应用，本发明提出了将时间序列构造出图模型的新算法，相比于原基于深度学习生成数据技术解释性不强，本发明利用图模型对时间序列进行建模表征变量间的关系具有较强的解释性；
49.3)本发明提供的一种scada故障数据生成方法及其应用，本发明提出基于图变分自编码器的故障生成算法，相比于现有技术在数据scada生成时未充分考虑时间序列间的结构，本发明利用scada正常数据对图变分自编码器进行预训练，之后利用故障数据对得到的图变分自编码器进行精调；将得到图变分编码器解码部分利用采样技术(蒙特卡洛采样)及对应的故障图模型获取到新的故障数据；
50.4)本发明提供的一种scada故障数据生成方法及其应用，将基于经验模态分解emd和lstm(长短期神经网络)神经网络相结合，提出一种基于emd的lstm神经网络风功率预测方法；为了充分挖掘scada数据内在变量间的信息，利用图模型的思想构建出各scada变量间的潜在关系，与经典的基于深度网络的图结构学习不同，本发明图结构学习更具解释性。
51.能够理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，能够对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，能够对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本技术的权利要求范围各种改变或等效替换。另外，在本发明的教导下，能够对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本技术的权利要求范围内的实施例都属于本发明所保护的范围内。

技术特征：
1.一种scada故障数据生成方法，其特征在于，包括以下步骤：利用海量的正常风电机scada数据，基于算法理论研究与实际scada数据分析，在特征表示、图结构挖掘及图神经网络三个方面分别研究适用于不平衡scada故障样本生成技术，通过分析大量的scada历史数据与含噪scada数据，挖掘时间序列随时间变化的规律或趋势，进而利用该规律生成新的故障样本序列，以实现基于数据驱动的风电机故障诊断与检测。2.根据权利要求1所述的scada故障数据生成方法，其特征在于，具体包括以下步骤：选择风速、风功率、风向、温度和天气预报风速作为原始数据的输入，对原始scada数据包加入高斯噪声，将得到的特征利用神经网络尽量逼近scada得到的特征；以此得到scada数据下的图模型；利用图变分自编码器提取故障数据与正常数据中的私有特征与公共特征；将得到的编码值利用重参数化技巧进行训练，利用编码值并通过解码器重新构造出故障、正常时间序列；从私有正态分布与共有正态分布中进行采样，并利用训练好的解码器对数据进行样本重构，最终找到故障scada数据。3.根据权利要求2所述的scada故障数据生成方法，其特征在于，对原始scada数据包加入高斯噪声，将得到的特征利用神经网络尽量逼近scada得到的特征，包括以下步骤：针对原始scada数据具有变量相关性强、高维且量大、变化缓慢且含有噪声的特点，拟采用均值插补、高维映射及压缩感知等技术对原始遥测数据进行清洗、补缺等预处理；利用关联性分析方法，如主成分分析、互信息、投影寻踪等算法，对数据进行维度约简以避免维数灾难。4.根据权利要求2所述的scada故障数据生成方法，其特征在于，利用图变分自编码器提取故障数据与正常数据中的私有特征与公共特征，包括以下步骤：基于scada变量间的关系由风电机各传感器间相互作用决定，因此通过大量且深入地分析正常样本能够构造变量与变量间的相互关系，利用含噪的正常信号与正常信号共同通过神经网络抽取图信息，利用矩阵范数对两者的图模型尽可能逼近以此令卷积网络能够抽取出最基础的变量间的相互关系。5.根据权利要求2所述的scada故障数据生成方法，其特征在于，将得到的编码值利用重参数化技巧进行训练，利用编码值并通过解码器重新构造出故障、正常时间序列，包括以下步骤：将时间序列利用序列挖掘技术得到图模型，其中节点为各变量的时间序列；边表示变量间的相互关系；利用图变分自编码器对正常图信号进行编码与解码，以此得到含有scada数据的公共特征信息。6.根据权利要求2所述的scada故障数据生成方法，其特征在于，从私有正态分布与共有正态分布中进行采样，并利用训练好的解码器对数据进行样本重构，最终找到故障scada数据，包括以下步骤：基于故障信号是由正常信号演变来的假设，将故障信号通过图变分自编码器进行精调，最终利用高斯分布采样通过变分解码器得到丰富的故障信号。7.根据权利要求6所述的scada故障数据生成方法，其特征在于，基于故障信号是由正常信号演变来的假设，将故障信号通过图变分自编码器进行精调，最终利用高斯分布采样通过变分解码器得到丰富的故障信号，包括以下步骤：s1构建历史数据模式库；s2图变分自编码器构建，利用图变分自编码器对正常风电机的scada数据进行编码，得到各个节点的方差与均值，将得到的节点均值与方差进行采样得到各节点隐含变量，并对
隐含变量及图邻接矩阵利用解码器还原回正常scada数据；同时在该自编码器的基础上利用故障scada数据进行精调，最终获取到故障样本的概率分布；s3隐状态变量高斯分布采样数据生成方案，对获取到的并进行预训练的变分自编码器作为基础框架，利用故障scada数据进行精调，对精调后的模型获取故障信号下的概率分布，利用重参数化技巧得到不同节点的隐藏表示向量，利用解码器得到不同的故障信号。8.根据权利要求7所述的scada故障数据生成方法，其特征在于，步骤s1构建历史数据模式库，具体包括以下步骤：s101将历史scada数据实时滚动窗口进行片段化截取，再对截取后的子序列进行归一化、标准化处理；s102对大量的序列进行卷积神经网络的图结构获取，得到不同序列的不同对应图结构；s103对每个序列记录正常或故障标签，同时每个样本含有各自的图结构。9.一种scada故障数据生成方法作为风电机组样本不平衡问题的故障诊断应用于风电机中。

技术总结
本发明提供一种SCADA故障数据生成方法及其应用，包括以下步骤：利用海量的正常风电机SCADA数据，基于算法理论研究与实际SCADA数据分析，在特征表示、图结构挖掘及图神经网络三个方面分别研究适用于不平衡SCADA故障样本生成技术，通过分析大量的SCADA历史数据与含噪SCADA数据，挖掘时间序列随时间变化的规律或趋势，进而利用该规律生成新的故障样本序列，以实现基于数据驱动的风电机故障诊断与检测；实现基于数据驱动的风电机故障诊断与检测的性能提升，为风电机的实时控制和日常维护与管理提供基础数据支持。理提供基础数据支持。理提供基础数据支持。


技术研发人员：曾凡春 麻红波 翁存兴 房利鹏 荆裕辉 王传鑫
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：2023.02.10
技术公布日：2023/7/25