基于数据驱动的风电机组发电机前轴承状态监测方法

技术领域

本发明涉及的是一种基于数据驱动的风电机组发电机前轴承状态监测方法，具体涉及是一种基于决策树、门控递归神经网络以及集成学习算法上形成的风电机组发电机前轴承状态监测方法。

背景技术

在当前的能源环境背景下，新能源发电特别是风力发电的发展受到了广泛的关注。发展风电成为了减少国民经济对化石能源的依赖、解决能源生产与消费之间的矛盾和减少温室气体排放保持生态平衡的重要途径。随着资源与环境双重压力的持续增大，发展风力发电已成为我国甚至是国际未来能源利用的发展方向。

风电机组常年运行在剪切风、风沙、雷雨、自震等恶劣环境中，机组容易发生各种各样的故障，如果发生严重的故障会迫使机组非计划停机，从而会给风电场带来巨大的经济损失。对风电机组的发电机、齿轮箱、叶片等主要的机械部件进行早期故障识别具有重要意义。发电机是风电机组的核心部件，主要功能是将机械能转换为电能。由于长期处于变工况以及电磁环境中，且机组规模扩大对发电机的密封保护增加了难度，风电装备各部件中发电机维修费用占比28.32％。因此，对发电机故障进行早期有效预警是风电运营商和设备制造商关注和亟待解决的问题。

目前，对于风电机组运作状况的监控，大多数风电场采用主流的数据采集与监视控制系统(supervisory control and data acquisition，SCADA),SCADA系统可以采集风电机组运行状态信息及外部环境参数，监测历史和实时数据。因此，通过数据挖掘技术对SCADA数据进行分析是早期故障预警的有效手段之一。当SCADA系统监测的参数超出设定的阈值就会触发警报。但是SCADA系统是基于设计时的固定阈值来报告机组的运行状态，是一种固定的越线报警模式，未能兼顾环境变化和机组在运行过程中的老化，当机组发生故障触发警报时，机组的故障已恶化到紧急停机状态，没有给维修人员在停机前抢救的机会，无法实现早期的故障预警。另一方面，针对风电机组发电机的故障研究，大多数集中于诊断已发生的故障，没有对故障进行早期预警的能力。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供基于数据驱动的风电机组发电机前轴承状态监测方法，提出了一种基于SCADA时间序列数据建立的门控递归单元(gated recurrent unit，GRU)神经网络风电机组发电机前轴承故障预警模型。GRU神经网络作为LSTM神经网络的变种，有效的解决了LSTM神经网络梯度消失和训练时间长的问题，且具有较高的预测精度。能够准确识别出发电机前轴承早期异常状态，为风电场安全运行维护提供可靠的数据支持。而LightGBM状态预测模型通过所提取的残差特征即可预测出发电机前轴承异常的概率。通过此方法可避免人为设定故障阈值的主观性，所预测的结果更具有说服力和理论支撑。

为了实现上述目的，本发明是通过如下的技术方案来实现：基于数据驱动的风电机组发电机前轴承状态监测方法，包括以下步骤：

步骤1：SCADA数据预处理。去除SCADA数据中夹杂着的异常噪声数据和停机数据。

首先，查阅该风电场机型的运行参数阈值将错误数据予以剔除，阈值范围见下表1。其次，利用3σ准则剔除粗大误差数据，根据正态分布置信区间原理，检测数据值落入[μ-3*σ,μ+3*σ]之外时为极小概率事件，属于粗大误差数据应予以剔除。其中μ为特征参数的均值，σ为特征参数的标准差。最后，利用滑动平均滤波抑制小幅度高频噪声数据。

表1特征参数阈值范围

步骤2：采用梯度提升迭代决策树(gradient boosting decision tree,GBDT)算法选取与发电机轴承端温度相关的特征参数作为模型的输入，发电机轴承端温度为观测参数；为避免各特征取值范围不同而造成误差，对每个特征进行归一化处理。

步骤3：采用GRU神经网络建立发电机前轴承端温度残差模型。

步骤4：采用LightGBM算法建立故障决策模型，避免人为设定阈值的弊端，对测试机组发电机轴承运行状态进行检测。

所述的步骤2中的归一化处理：梯度统计值提升回归树提取的特征中存在不同的量纲和量纲单位，为避免因特征之间量纲不同而影响模型预测精度，需要对特征参数做归一化处理，将特征参数归一化到(-1，1)之间，计算公式如下：

式中，x为每一个SCADA特征参数，x

所述的步骤3中的GRU神经单元是递归神经网络的门控机制，LSTM长短期记忆网络(LSTM)结构过于复杂和冗余，GRU神经网络将遗忘门和输入门合并为更新门(z

在机组正常运行的历史SCADA数据中，挑选t组特征向量作为输入序列x＝(x

z

r

式中，U

h′

式中，W、U为权重矩阵，*操作表示矩阵中对应的元素相乘。最后,计算h

h

y

式中，W

本发明的有益效果：本发明的发电机组的发电机温度随着劣化度的变化而变化，当发电机出现异常时，发电机前轴承端的温度参数会偏离正常状态。SCADA系统可以监视和采集机组各关键部件的运行状态参数，通过分析与发电机轴承端的温度相关度比较高的SCADA特征，建立发电机前轴承端预警模型是有效的故障预警方法之一。

GRU神经网络作为LSTM神经网络的变种，有效的解决了LSTM神经网络梯度消失和训练时间长的问题，且具有较高的预测精度。能够准确识别出发电机前轴承早期异常状态，为风电场安全运行维护提供可靠的数据支持。而LightGBM状态预测模型通过所提取的残差特征即可预测出发电机前轴承异常的概率。通过此方法可避免人为设定故障阈值的主观性，所预测的结果更具有说服力和理论支撑。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

图1为本发明的风电机组发电机前轴承状态监测方法流程图；

图2为本发明的基于拉依达准则的数据清洗示意图；

图3为本发明的基于GRU神经网络的模型测试及温度残差示意图；

图4为本发明的异常机组预测热力图；

图5为正常机组预测热力图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参照图1-5，本具体实施方式采用以下技术方案：基于数据驱动的风电机组发电机前轴承状态监测方法，包括以下步骤：

步骤1：SCADA数据预处理。去除SCADA数据中夹杂着的异常噪声数据和停机数据。

某风电场1.5MW双馈异步发电机组的历史数据。该风电场切入风速为3m/s,切出风速为25m/s。SCADA系统每十分钟记录一次运行状态数据，SCADA系统中记录风速、发电机转速、叶轮转速、风向角、偏航角度、齿轮箱油温等一百多个有效指标。共采集该风电场38台机组的历史SCADA数据。

步骤2：采用梯度提升迭代决策树(gradient boosting decision tree,GBDT)算法选取与发电机轴承端温度相关的特征参数作为模型的输入，发电机轴承端温度为观测参数；为避免各特征取值范围不同而造成误差，对每个特征进行归一化处理。

通过训练回归模型，选取对观测参数贡献率排名前85％的特征参数作为模型的输入参数。选取正常机组SCADA数据18762组为训练数据，7783组作为测试数据，以发电机前轴承端温度为预测目标，剩余参数作为模型输入特征。

设置梯度提升回归树的参数为：树的个数n_estimators＝800,最大深度max_depth＝100，学习率learning_rate＝0.001。训练集精度为0.97，测试集精度为0.83。利用feature_importances_方法可得出各特征重要性结果。重要性排名前85％的特征为：发电机转速、机舱温度、有功功率、风速、发电机后轴承温度、环境温度、A相电流、A相电压、齿轮箱油温、液压系统压力、无功功率、桨角共计12个特征。

步骤3：采用GRU神经网络建立发电机前轴承端温度残差模型。

GRU神经网络选取发电机前轴承正常的10台机组的历史SCADA数据进行模型的训练和测试。选取发电机转速、机舱温度、有功功率、风速、发电机后轴承温度、环境温度、A相电流、A相电压、齿轮箱油温、液压系统压力、无功功率、桨角12个指标的十分钟数据最小值、最大值、平均值共36个参数作为温度模型输入，以发电机前轴承温度为温度模型输出。

GRU神经网络输入层有36个神经元，隐含层有3层记忆单元，输出层共1个神经元，激活函数为双曲正切函数，误差选用均方根误差，批处理数量为200，Dropout的值设为0.2。

共选取该风电场1.5WM双馈异步发电机组共38台，包括24台正常机组历史SCADA数据，14台异常机组历史SCADA数据。正常机组中，选取2019年2月到11月的十台稳定运行的历史SCADA数据共181622组，按2.3节方法建立温度残差模型。其余机组样本选取任意连续一个月无故障的历史SCADA数据。异常机组选取故障发生前一个月的历史SCADA数据。

将建立温度残差模型的SCADA数据，将特征参数输入GRU神经网络预测发电机前轴承温度，以发电机前轴承温度实际值与发电机前轴承温度预测值之差为残差值。预测值、实际值及残差见附图3。

步骤4：采用LightGBM算法建立故障决策模型，避免人为设定阈值的弊端，对测试机组发电机轴承运行状态进行检测。

计算残差如下表2特征指标作为LightGBM分类模型的输入。

表2残差特征及标签

将选取的特征输入到GRU温度残差模型得到发电机前轴承端温度残差。然后，按上述表计算残差特征，将正常机组标记为0，异常机组标记为1。最后，将残差特征输入到上述训练好的LightGBM故障决策模型进行预测。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。