一种发电故障诊断方法与流程

1.本发明涉及故障诊断技术领域，具体是指一种发电故障诊断方法。


背景技术：

2.当前，风力发电技术的出现使得风能成为发展潜力巨大的清洁能源，但是由于风力发电机组的工作环境一般比较恶劣，风力发电机系统易因各种干扰而出现故障，导致风力发电机系统出现故障的干扰分为内部和外部干扰，内部干扰主要来自参数变化、控制耦合、电流谐波、建模误差和工厂的非线性动力学等方面，外界干扰主要来自风速变化、扭转振动和风流不对称等方面，传统的发电故障诊断方法是基于神经网络和信号处理来进行故障诊断的，但是存在故障诊断模型无法识别故障类型的数据的问题、由于诊断方法过于单一而导致的诊断效率低，诊断错误率高的问题和样本数量不足的问题。


技术实现要素：

3.针对上述情况，为克服现有技术的缺陷，本发明提供了一种发电故障诊断方法，针对由于诊断方法过于单一而导致的诊断效率低，诊断错误率高的问题，本方案采用建立风力发电机系统模型和故障诊断模型相结合的方法，使得诊断方法多样化，提高诊断效率，同时降低诊断错误率；针对样本数量不足的问题，本方案采用经验回放机制，将训练数据作为样本数据参与训练，以增加样本数据数量；针对存在故障诊断模型无法识别故障类型的故障数据的问题，本方案采用多维聚类算法，对样本数据和故障诊断模型无法识别故障类型的实时故障数据进行聚类，不断调整初始聚类中心集，并选择聚类正确率最高的故障类型作为运行故障数据对应的故障类型输出。
4.本发明采取的技术方案如下：本发明提供的一种发电故障诊断方法，该方法包括以下步骤：步骤s1：采集数据，所述数据包括历史故障数据和风力发电机系统实时运行数据，所述历史故障数据包括故障类型、多个参数和参数对应的数值；
5.步骤s2：建立风力发电机系统模型；
6.步骤s3：建立故障诊断模型；
7.步骤s4：确定是否故障；
8.步骤s5：确认故障类型；
9.步骤s6：完善故障诊断模型。
10.进一步地，在步骤s2中，预先设置有风轮半径r、极对数nf、空气密度ρ、功率系数c（μ，ε）和粘性阻尼系数f，所述建立风力发电机系统模型的具体方法包括以下步骤：步骤s21：计算轴电流的比值μ，计算公式如下：；式中，v是风速，δ是转子转速；
11.步骤s22：计算电磁转矩m，计算公式如下：；式中，τ是磁链，iq是dq轴电流的q轴电流；
12.步骤s23：计算风轮吸收的功率f，计算公式如下：；式中，参数ε是俯仰角，g是转动惯量，是对转子转速δ求导；
13.步骤s24：计算机械扭矩j，计算公式如下：。
14.进一步地，在步骤s3中，所述建立故障诊断模型是初始化p网络，通过基于强化学习的故障诊断模型建立算法将采集的历史故障数据作为样本数据，随机选取样本数据对p网络进行训练并更新p网络，训练过程采用经验回放机制，将训练过程中产生的数据作为样本数据参与训练，具体方法包括以下步骤：步骤s31：初始化p网络，基于采集的历史故障数据，初始化一个n+3维的p网络，p网络的前n维表示n个参数的数据状态，第n+1维表示选择的动作，所述动作包括数据正常、无法识别、a类型故障数据、b类型故障数据、c类型数据故障、d类型数据故障和e类型数据故障，第n+2维表示p网络在不同状态下对应的p值，第n+3维表示在当前状态下选择不同动作得到的奖励r，所述r在动作选择正确时最大；
15.步骤s32：更新p网络，所述更新p网络的计算公式为：；式中，s是学习速率，k是折扣因子，p*（z，d）是更新后的p网络在z状态下选择d动作时对应的p值，p（z，d）是原p网络在z状态下选择d动作时对应的p值，maxp（z，d）是原p网络在状态下能够选择的动作中对应的最大的p值；
16.步骤s33：给定损失阈值，计算损失l，所述计算损失l的计算公式为：；式中，n是当前状态下能够选择的动作的数量，ri是当前状态下每个动作对应的奖励r，是当前状态下所有动作对应奖励的均值，若l低于损失阈值，则当前状态训练结束；若l不低于损失阈值，则当前状态训练继续，当l为0时，故障诊断模型识别样本数据的正确率达到100%，当l不为0时，故障诊断模型识别样本数据时有错误；
17.步骤s34：迭代训练，对所有状态进行训练，当所有状态下的损失l都低于损失阈值，故障诊断模型建立完成。
18.进一步地，在步骤s4中，所述确定是否故障预先设定风力发电机系统模型的各参数的阈值，基于各参数的阈值，判断风力发电机系统实时运行数据是否成为运行故障数据。
19.进一步地，在步骤s5中，所述确认故障类型是利用故障诊断模型对运行故障数据进行识别，若识别成功，则直接输出故障类型；若无法识别，则将运行故障数据与采集到的
历史故障数据作为样本数据集利用多维聚类算法进行聚类，不断调整初始聚类中心集，选择聚类正确率最高的故障类型作为运行故障数据对应的故障类型输出；所述多维聚类算法预先获取样本数据集，所述样本数据集为x={x1，x2，x3，
…
，xn}，其中，x1，x2，x3，
…
，xn表示样本数据集x中第1，2，3，
…
，n个样本数据，具体方法包括以下步骤：步骤s51：预先设定聚类结束阈值，从样本数据集x中随机选取k个样本数据作为初始聚类中心集，所述初始聚类中心集为c={c1，c2，c3，
…
，ck}，其中，c1，c2，c3，
…
，ck表示初始聚类中心集c中第1，2，3，
…
，k个初始聚类中心；
20.步骤s52：将所有样本数据集中的数据分配到距离最近的聚类中心数据周围，得到k个簇；若分配次数超过两次，判断相邻两次得到的簇是否全部相同，若相同，则聚类结束；若不相同，则转至步骤s53；
21.步骤s53：计算损失t，是否低于设定的阈值，若低于阈值，则聚类结束；若不低于阈值，则转至步骤s54；所述损失t的计算公式为：；式中，xi是样本数据集中的数据，j
xi
是xi对应的聚类中心数据；
22.步骤s54：对于每一个簇，取到簇内其余各点距离均值最小的点作为新的聚类中心；
23.步骤s55：转至步骤s52。
24.进一步地，在步骤s6中，所述完善故障诊断模型是将运行故障数据和运行故障数据对应的故障类型返回故障诊断模型，不断完善故障诊断模型。
25.采用上述方案本发明取得的有益效果如下：(1)针对由于传统诊断方法过于单一而导致的诊断效率低，诊断错误率高的问题，本方案采用建立风力发电机系统模型和故障诊断模型相结合的方法，使得诊断方法多样化，提高诊断效率，同时降低诊断错误率；
26.(2)针对样本数量不足的问题，本方案采用经验回放机制，将训练数据作为样本数据参与训练，以增加样本数据数量；
27.(3)针对存在故障诊断模型无法识别故障类型的故障数据的问题，本方案采用多维聚类算法，对样本数据和故障诊断模型无法识别故障类型的故障数据进行聚类，不断调整初始聚类中心集，并选择聚类正确率最高的故障类型作为运行故障数据对应的故障类型输出。
附图说明
28.图1为本发明提供的一种发电故障诊断方法的流程示意图；
29.图2为步骤s2的流程示意图；
30.图3为步骤s3的流程示意图；
31.图4为多维聚类算法的流程示意图；
32.图5为传统故障诊断模型和本方案故障诊断模型的诊断时间对比图；
33.图6为传统故障诊断模型和本方案故障诊断模型的诊断错误数量对比图。
具体实施方式
34.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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，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，都属于本发明保护的范围。
35.实施例一，参阅图1、图2、图3和图4，本发明提供的一种发电故障诊断方法，方法步骤包括：步骤s1：采集数据，所述数据包括历史故障数据和风力发电机系统实时运行数据，所述历史故障数据包括故障类型、多个参数和参数对应的数值。
36.步骤s2：预先设置有风轮半径r、极对数nf、空气密度ρ、功率系数c（μ，ε）和粘性阻尼系数f，所述建立风力发电机系统模型的具体方法包括以下步骤：步骤s21：计算轴电流的比值μ，计算公式如下：；式中，v是风速，δ是转子转速；
37.步骤s22：计算电磁转矩m，计算公式如下：；式中，τ是磁链，iq是dq轴电流的q轴电流；
38.步骤s23：计算风轮吸收的功率f，计算公式如下：；式中，参数ε是俯仰角，g是转动惯量，是对转子转速δ求导；
39.步骤s24：计算机械扭矩j，计算公式如下：。
40.步骤s3：建立故障诊断模型，所述建立故障诊断模型是初始化p网络，通过基于强化学习的故障诊断模型建立算法将采集的历史故障数据作为样本数据，随机选取样本数据对p网络进行训练并更新p网络，训练过程采用经验回放机制，将训练过程中产生的数据作为样本数据参与训练，具体方法包括以下步骤：步骤s31：初始化p网络，基于采集的历史故障数据，初始化一个n+3维的p网络，p网络的前n维表示n个参数的数据状态，第n+1维表示选择的动作，所述动作包括数据正常、无法识别、a类型故障数据、b类型故障数据、c类型数据故障、d类型数据故障和e类型数据故障，第n+2维表示p网络在不同状态下对应的p值，第n+3维表示在当前状态下选择不同动作得到的奖励r，所述r在动作选择正确时最大；
41.步骤s32：更新p网络，所述更新p网络的计算公式为：；式中，s是学习速率，k是折扣因子，p*（z，d）是更新后的p网络在z状态下选择d动作
时对应的p值，p（z，d）是原p网络在z状态下选择d动作时对应的p值，maxp（z，d）是原p网络在状态下能够选择的动作中对应的最大的p值；
42.步骤s33：给定损失阈值，计算损失l，所述计算损失l的计算公式为：；式中，n是当前状态下能够选择的动作的数量，ri是当前状态下每个动作对应的奖励r，是当前状态下所有动作对应奖励的均值，若l低于损失阈值，则当前状态训练结束；若l不低于损失阈值，则当前状态训练继续，当l为0时，故障诊断模型识别样本数据的正确率达到100%，当l不为0时，故障诊断模型识别样本数据时有错误；
43.步骤s34：迭代训练，对所有状态进行训练，当所有状态下的损失l都低于损失阈值，故障诊断模型建立完成。
44.在上述操作中，针对由于传统诊断方法过于单一而导致的诊断效率低，诊断错误率高的问题，采用建立风力发电机系统模型和故障诊断模型相结合的方法，使得诊断方法多样化提高诊断效率，同时降低诊断错误率；针对样本数量不足的问题，本方案采用经验回放机制，将训练数据作为样本数据参与训练，以增加样本数据数量。
45.步骤s4：确定是否故障，所述确定是否故障预先设定风力发电机系统模型的各参数的阈值，基于各参数的阈值，判断风力发电机系统实时运行数据是否成为运行故障数据。
46.步骤s5：确认故障类型，所述确认故障类型是利用故障诊断模型对运行故障数据进行识别，若识别成功，则直接输出故障类型；若无法识别，则将运行故障数据与采集到的历史故障数据作为样本数据集利用多维聚类算法进行聚类，不断调整初始聚类中心集，选择聚类正确率最高的故障类型作为运行故障数据对应的故障类型输出；所述多维聚类算法预先获取样本数据集，所述样本数据集为x={x1，x2，x3，
…
，xn}，其中，x1，x2，x3，
…
，xn表示样本数据集x中第1，2，3，
…
，n个样本数据，具体方法包括以下步骤：步骤s51：预先设定聚类结束阈值，从样本数据集x中随机选取k个样本数据作为初始聚类中心集，所述初始聚类中心集为c={c1，c2，c3，
…
，ck}，其中，c1，c2，c3，
…
，ck表示初始聚类中心集c中第1，2，3，
…
，k个初始聚类中心；
47.步骤s52：将所有样本数据集中的数据分配到距离最近的聚类中心数据周围，得到k个簇；若分配次数超过两次，判断相邻两次得到的簇是否全部相同，若相同，则聚类结束；若不相同，则转至步骤s53；
48.步骤s53：计算损失t，是否低于设定的阈值，若低于阈值，则聚类结束；若不低于阈值，则转至步骤s54；所述损失t的计算公式为：；式中，xi是样本数据集中的数据，j
xi
是xi对应的聚类中心数据；
49.步骤s54：对于每一个簇，取到簇内其余各点距离均值最小的点作为新的聚类中心；
50.步骤s55：转至步骤s52。
51.在上述操作中，针对存在故障诊断模型无法识别故障类型的故障数据的问题，本
方案采用多维聚类算法，对样本数据和故障诊断模型无法识别故障类型的故障数据进行聚类，不断调整初始聚类中心集，并选择聚类正确率最高的故障类型作为运行故障数据对应的故障类型输出。
52.s6：完善故障诊断模型，所述完善故障诊断模型是将运行故障数据和运行故障数据对应的故障类型返回故障诊断模型，不断完善故障诊断模型。
53.实施例二，参阅图5，该实施例基于上述实施例，随机选取1000样本数据分别输入至传统故障诊断模型和本方案故障诊断模型，每次增加200样本数据继续输入两种故障诊断模型，记录每个故障诊断模型的诊断时间，发现样本数据数量在1000至2000时两种故障诊断模型的诊断时间差距不大，样本数据数量超过2000时传统故障诊断模型的诊断时间明显高于本方案故障诊断模型的诊断时间。
54.实施例三，参阅图6，该实施例基于上述实施例，随机选取1000样本数据分别输入至传统故障诊断模型和本方案故障诊断模型，每次增加200样本数据继续输入两种故障诊断模型，记录每个故障诊断模型的诊断错误的样本数据数量，发现样本数据数量在1000至2200时两种故障诊断模型的诊断错误的样本数据数量差距不大，样本数据数量超过2200时传统故障诊断模型的诊断错误的样本数据数量明显高于本方案故障诊断模型诊断错误的样本数据数量。
55.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程和方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程和方法所固有的要素。
56.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
57.以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

技术特征：
1.一种发电故障诊断方法，其特征在于：包括以下步骤：步骤s1：采集数据，所述数据包括历史故障数据和风力发电机系统实时运行数据，所述历史故障数据包括故障类型、多个参数和参数对应的数值；步骤s2：建立风力发电机系统模型；步骤s3：建立故障诊断模型；步骤s4：确定是否故障；步骤s5：确认故障类型；步骤s6：完善故障诊断模型；在步骤s2中，预先设置有风轮半径r、极对数n
f
、空气密度ρ、功率系数c（μ，ε）和粘性阻尼系数f，所述建立风力发电机系统模型的具体方法包括以下步骤：步骤s21：计算轴电流的比值μ，计算公式如下：；式中，v是风速，δ是转子转速；步骤s22：计算电磁转矩m，计算公式如下：；式中，τ是磁链，i
q
是dq轴电流的q轴电流；步骤s23：计算风轮吸收的功率f，计算公式如下：；式中，参数ε是俯仰角，g是转动惯量，是对转子转速δ求导；步骤s24：计算机械扭矩j，计算公式如下：；在步骤s3中，所述建立故障诊断模型是初始化p网络，通过基于强化学习的故障诊断模型建立算法将采集的历史故障数据作为样本数据，随机选取样本数据对p网络进行训练并更新p网络，训练过程采用经验回放机制，将训练过程中产生的数据作为样本数据参与训练，具体方法包括以下步骤：步骤s31：初始化p网络，基于采集的历史故障数据，初始化一个n+3维的p网络，p网络的前n维表示n个参数的数据状态，第n+1维表示选择的动作，所述动作包括数据正常、无法识别、a类型故障数据、b类型故障数据、c类型数据故障、d类型数据故障和e类型数据故障，第n+2维表示p网络在不同状态下对应的p值，第n+3维表示在当前状态下选择不同动作得到的奖励r，所述r在动作选择正确时最大；步骤s32：更新p网络，所述更新p网络的计算公式为：；式中，s是学习速率，k是折扣因子，p*（z，d）是更新后的p网络在z状态下选择d动作时对应的p值，p（z，d）是原p网络在z状态下选择d动作时对应的p值，maxp（z，d）是原p网络在状
态下能够选择的动作中对应的最大的p值；步骤s33：给定损失阈值，计算损失l，所述计算损失l的计算公式为：；式中，n是当前状态下能够选择的动作的数量，r
i
是当前状态下每个动作对应的奖励r，是当前状态下所有动作对应奖励的均值，若l低于损失阈值，则当前状态训练结束；若l不低于损失阈值，则当前状态训练继续，当l为0时，故障诊断模型识别样本数据的正确率达到100%，当l不为0时，故障诊断模型识别样本数据时有错误；步骤s34：迭代训练，对所有状态进行训练，当所有状态下的损失l都低于损失阈值，故障诊断模型建立完成；在步骤s5中，所述多维聚类算法预先获取样本数据集，所述样本数据集为x={x1，x2，x3，
…
，x
n
}，其中，x1，x2，x3，
…
，x
n
表示样本数据集x中第1，2，3，
…
，n个样本数据，具体方法包括以下步骤：步骤s51：从样本数据集x中随机选取k个样本数据作为初始聚类中心集，所述初始聚类中心集为c={c1，c2，c3，
…
，c
k
}，其中，c1，c2，c3，
…
，c
k
表示初始聚类中心集c中第1，2，3，
…
，k个初始聚类中心；步骤s52：将所有样本数据集中的数据分配到距离最近的聚类中心数据周围，得到k个簇；若分配次数超过两次，判断相邻两次得到的簇是否全部相同，若相同，则聚类结束；若不相同，则转至步骤s53；步骤s53：计算损失t，是否低于设定的阈值，若低于阈值，则聚类结束；若不低于阈值，则转至步骤s54；所述损失t的计算公式为：；式中，x
i
是样本数据集中的数据，j
xi
是x
i
对应的聚类中心数据；步骤s54：对于每一个簇，取到簇内其余各点距离均值最小的点作为新的聚类中心；步骤s55：转至步骤s52。2.根据权利要求1所述的一种发电故障诊断方法，其特征在于：在步骤s5中，所述确认故障类型是利用故障诊断模型对运行故障数据进行识别，若识别成功，则直接输出故障类型；若无法识别，则将运行故障数据与采集到的历史故障数据作为样本数据集利用多维聚类算法进行聚类，不断调整初始聚类中心集，选择聚类正确率最高的故障类型作为运行故障数据对应的故障类型输出。3.根据权利要求1所述的一种发电故障诊断方法，其特征在于：在步骤s1中，所述采集数据包括历史故障数据和风力发电机系统实时运行数据，所述历史故障数据包括故障类型、多个参数和参数对应的数值。4.根据权利要求1所述的一种发电故障诊断方法，其特征在于：在步骤s4中，所述确定是否故障预先设定风力发电机系统模型的各参数的阈值，基于各参数的阈值，判断风力发电机系统实时运行数据是否成为运行故障数据。5.根据权利要求1所述的一种发电故障诊断方法，其特征在于：在步骤s6中，所述完善
故障诊断模型是将运行故障数据和运行故障数据对应的故障类型返回故障诊断模型，不断完善故障诊断模型。

技术总结
本发明公开了一种发电故障诊断方法，该方法包括采集数据、建立风力发电机系统模型、建立故障诊断模型、确定是否故障、确认故障类型和完善故障诊断模型，本方法采用建立风力发电机系统模型和故障诊断模型相结合的方法，采用多维聚类算法对样本数据和故障诊断模型无法识别故障类型的故障数据进行聚类，不断调整初始聚类中心集，并选择聚类正确率最高的故障类型作为运行故障数据对应的故障类型输出。本发明属于故障诊断技术领域，具体是指一种发电故障诊断方法，解决了存在故障诊断模型无法识别故障类型的数据的问题、由于诊断方法过于单一而导致的诊断效率低，诊断错误率高的问题和样本数量不足的问题。本数量不足的问题。本数量不足的问题。


技术研发人员：张军 王洲 程紫运 王涛 陈兆雁 孙亚璐
受保护的技术使用者：国恒能元（天津）电力科技发展有限公司
技术研发日：2023.06.30
技术公布日：2023/8/13