积分商城

最新搜索： ispLEVER ESAM sonar STM8S003 BRIGHTEK 电解电容封装库
您现在的位置是：首页 > 技术资料 > 应用深度自编码网络和XGBoost的风电机组发电机故障诊断
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

应用深度自编码网络和XGBoost的风电机组发电机故障诊断

更新时间：2019-12-30 18:25:38 大小：2M 上传用户：songhuahua查看TA发布的资源 标签：风电场风电机组 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

针对风电机组现场故障样本难获取的问题,为实现风电机组发电机部件的故障诊断,通过分析风机监控与采集(SCADA)数据,设计了基于深度自编码(DAE)网络和XGBoost的故障诊断算法。该算法包含两部分:第一部分是DAE故障检测算法,通过DAE获取SCADA数据的重构值,分析重构误差的变化趋势与其超越阈值的情况以预测风机故障和提取故障样本;第二部分是XGBoost故障识别算法,用贝叶斯优化搜索XGBoost的最优超参数,建立XGBoost多分类故障识别模型。算例结果表明,DAE算法能够捕获风电机组发电机早期故障,XGBoost比其他算法更精确地识别不同故障类型。


部分文件列表

文件名 大小
应用深度自编码网络和XGBoost的风电机组发电机故障诊断.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
，
Ｖｏｌ．４３Ｎｏ．１Ｊａｎ．１０２０１９  
第
卷
第
期
年
月
日
１０  
４３  
１
２０１９  
ꢀ
１
ꢀ
： ／  
ＤＯＩ １０．７５００ Ａ ＥＰＳ２０１８０７０８００１  
应用深度自编码网络和  
的风电机组发电机故障诊断  
ＸＧＢｏｏｓｔ  
， ， ，  
赵洪山 闫西慧 王桂兰 尹相龙  
（ （  
分布式储能与微网河北省重点实验室 华北电力大学  
），  
河北省保定市  
）
０７１００３  
： ， ，  
摘要 针对风电机组现场故障样本难获取的问题 为实现风电机组发电机部件的故障诊断 通过分  
（
）
，
数据 设计了基于深度自编码  
（
）
网络和  
ＤＡＥ  
析风机监控与采集  
的故障诊断算  
ＳＣＡＤＡ  
ＸＧＢｏｏｓｔ  
，
数据的重构值  
。
：
该算法包含两部分 第一部分是  
，
故障检测算法 通过  
法
获取  
ＳＣＡＤＡ  
ＤＡＥ  
ＤＡＥ  
；
分析重构误差 的 变 化 趋 势 与 其 超 越 阈 值 的 情 况 以 预 测 风 机 故 障 和 提 取 故 障 样 本 第 二 部 分 是  
，
故障识别算法 用贝叶斯优化搜索  
ＸＧＢｏｏｓｔ  
，
的最优超参数 建立  
ＸＧＢｏｏｓｔ  
多分类故障识  
ＸＧＢｏｏｓｔ  
。
别模型 算例结果表明  
，
ＤＡＥ  
，
算法能够捕获风电机组发电机早期故障  
ＸＧＢｏｏｓｔ  
比其他算法更精  
。
确地识别不同故障类型  
： ； ； ；  
关键词 风电场 风电机组 故障诊断 深度自编码  
验证了深度神经网络预测风电机组变速箱润滑油压  
引言  
０
ꢀ
，
力的精度最高 更 适 合 检 测 与 此变 量 有 关 的故障  
。
风电场恶劣的运行环境导致风电机组具有较高  
、
鉴于风电机组各变量之间存在相互关联 相互耦合  
［］  
１
，
的故障率  
总收入的  
其中陆上风机的运维成本约占风电场  
，
的关系 采用深度神经网络挖掘多个  
变量  
ＳＣＡＤＡ  
［］  
２
。
发电机系统故障 是导 致  
１０％ １５％  
～
，
之间的非线性相关性和各变量之间的时间依赖性  
，
风电机组停机的主要原因之一 且占所有故障停机  
［
］
１４１６  
。
－
能够显著提高故障检测性能  
上述研究主要实  
［
］
３４  
。
－
时间的  
故尽早对发电机故障诊断以减少  
３７％  
，
，
现故障检测 未对发现的故障做进一步识别 实际上  
采用分类算法分析故障数据特征能够识别风电机组  
。
停机时间并最大限度地提高生产率具有重要意义  
、 、  
故障诊断是确定所检测故障的种类 严重程度 位置  
，
具体故障 如基于多个故障特征训练朴素贝叶斯分  
， ；  
和时间 包括故障检测和故障识别 故障检测确定故  
［
］
１７  
。
，
然而 通过  
类器可以识别风电机组齿轮箱故障  
；
障是否存在及其发生时间 故障识别确定故障的类  
、
与朴素贝叶斯 随机森林和支持向量机等算法的对  
［
］
５６  
。
－
型或时变行为  
，
比 基于多信号监测数据的由决策树集成的提升树  
（
风电 机 组 的 监 控 与 采 集  
［ ］  
１８１９  
－
ｓｕｅｒｖｉｓｏｒ ｃｏｎｔｒｏｌ  
ｐ ｙ  
ꢀ
。
方法有更高的风电机组齿轮箱故障识别精度  
，
ａｎｄｄａｔａａｃｕｉｓｉｔｉｏｎＳＣＡＤＡ  
ꢀ ｑ  
）
系统能够采集整个风  
ꢀ
，
、
算法在损失函 数 正  
在提升树的基础上  
ＸＧＢｏｏｓｔ  
，
电场发电机的运行参数并进行远程或本地监控 具  
，
则化和并行化处理等方面做了进一步的改进 具有  
。
有信号变化快和运行参数众多等特点 风电机组的  
故障特征隐含在能表征其运行状态的 变量  
ＳＣＡＤＡ  
［
］
２０  
，
更优秀的分类性能  
可以更有效地提高故障识别  
。
的精度  
针对风电机组发电机早期故障检测和识别的现  
［
］
７８  
，
－
中
因此可通过挖掘  
变量所携带的故障  
ＳＣＡＤＡ  
。 ，  
信息进行风电机组故障诊断 目前 已有许多国内  
，
状和存在的问题 本文提出基于深度自编码  
（
ｄｅｅ  
ｐ
，
外学者进行了风电机组故障诊断方法研究 比如采  
，
）
。
的 故 障 诊 断 算 法  
和
ａｕｔｏｅｎｃｏｄｅｒ ＤＡＥ  
ＸＧＢｏｏｓｔ  
ＳＣＡＤＡ  
网络 对含早期故障的风机  
用支持向量回归和浅层神经网络预测风电机组某一  
首先用 正 常 情 况 下 风 电 机 组  
数 据 训 练  
，
变量 分析此预测值与实际值差异的大小  
ＳＣＡＤＡ  
，
，
数据 分  
ＳＣＡＤＡ  
ＤＡＥ  
析其重构误差及阈值变化检测风机故障 然后采用  
贝叶斯优化搜索 多分类模型的超参数以  
［
］
９１２  
。
－
或其与故障告警阈值的关系判断是否故障  
由
；
，
于深度神经网络具有更强的学习能力 文献  
［ ］  
通
１３  
ＸＧＢｏｏｓｔ  
，
过与支持向量回归和浅层神经网络等算法的对比  
；
识别不同类型故障 最后分析风电机组实际故障案  
。
例验证了所提方法的有效性 上述早期故障指能发  
，
展为永久性故障的风电机组早期运行状态 对于因  
工况变化导致参数瞬时异常但能恢复至原来状态的  
：
；
：
修回日期  
２０１８１０１７  
。
收稿日期  
２０１８０７０８  
－ －  
－
－
：
。
上网日期  
２０１８１１２８  
－ －  
。
情况视为正常运行状态  
（
）。  
国家科技支撑计划资助项目  
２０１５ＢＡＡ０６Ｂ０３  
：／／  
ｗｗｗ．ａｅｓｉｎｆｏ．ｃｏｍ  
ｐ
－
ｈｔｔ  
ｐ
８１  
， （）  
２０１９ ４３１  
·
·
人工智能在电力系统及综合能源系统中的应用  
ｍ
，
Ｒ Ｒ  
∈
，
个特征变量数目的数据集 通  
为只含  
深度自编码网络  
ｍ
１
ꢀ
ｙｉ  
；
＾
ｙｉ ｙｉ  
过训练完成的模型预测风机发电机故障类型  
，
为检测风机健康状况并捕捉异常行为 提出了  
，
对应的目标值 即风机故障类别  
，
Ｘｉ  
（）  
为式  
１
为
Ｘｉ  
。
ＤＡＥ  
基于深度自编码网络的故障检测算法  
由多  
，
数 据 变 量  
ＳＣＡＤＡ  
［ ， ，…，  
中
ｔ＝ｉ  
时 的  
Ｘ ＝ Ｘ１ Ｘ２  
（
，
个受限波尔兹曼机  
ｒｅｓｔｒｉｃｔｅｄＢｏｌｔｚｍａｎｎｍａｃｈｉｎｅ  
ꢀ ꢀ  
［
１４２１  
）
， ］  
］。  
Ｘｎ  
，
ＲＢＭ  
组成  
是由可见层和隐含层组成的  
ＲＢＭ  
的 基 学 习 器 选 择 分 类 回 归 树  
ＸＧＢｏｏｓｔ  
， ，  
无向图模型 层内各单元无内部连接 层间各单元全  
（
，
ｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｒｅｒｅｓｓｉｏｎｔｒｅｅ ＣＡＲＴ  
ꢀ
），  
单 棵  
ꢀ
ꢀ ｇ  
。
外部 连 接 本 文 采 用 神 经 元 取 值  
或
的 标 准  
１
０
，
往往过于简单而不能有效地分类故障 应用  
ＣＡＲＴ  
。
ＤＡＥ  
构成  
ＲＢＭ  
ＤＡＥ  
的输入 实现网络学习的逐层传递和特征  
个
函数相加构成集成树模型来预测分类  
ＣＡＲＴ  
Ｋ
中每个 低 一 级  
的 输 出 作 为 高 一 级  
ＲＢＭ  
，
目标值 即  
，
的
ＲＢＭ  
Ｋ
［
］
１４１５  
。
－
信息的深度挖掘  
深度自编码网络包括编码过  
（ ）  
Ｘｉ  
（）  
４
＾
ｙｉ  
＝
ꢀꢀ  
ｆｋ  
∈
Γ
ｆｋ  
∑
ｋ＝１  
：
程和解码过程 编码过程获取更具抽象性和特征表  
Ｔ
ｍ
：
Γ
｛ （ ）  
Ｘ ＝  
ｆ
｝，（  
ω （ ） ω ∈  
， ：  
Ｒ Ｒ  
ｑ
｛ ，  
１
→
式中  
＝
Ｘ
ｑ
；
征能力的输出值 或称编码结果 解码过程是编码  
Ｙ
，…， ｝）  
是分类回归树构成的函数空间  
２ Ｔ  
；
为叶子  
ω
＾
。
Ｘ
，
过程的逆过程 数据流的反向传递以获取重构值  
；
Ｔ
；
为 每 棵 树 的 结  
ｑ
权重  
为 树 上 叶 子 节 点的 数 量  
，
重构值与电力系统状态估计类似 其与输入值具有  
， ；  
构 即样本实例到 对 应 叶 子 节 点 索 引 的 映 射 每个  
。
相同的物理意义  
选择风机长期正常状态下的  
。
对应一棵独立树结构  
和叶子权重  
ω
ｆｋ  
ｑｋ  
ｋ
系统数据  
ＳＣＡＤＡ  
，
为了学习模型中的函数集合  
的学习  
ＸＧＢｏｏｓｔ  
，
模型 发电机部件在时刻 下的与其相关  
ｔ
训练  
ＤＡＥ  
：
目标函数为  
，
即
Ｘｔ  
的
测点断面数据集  
ＳＣＡＤＡ  
ｎ
Ｋ
…
…
（）  
］
１
［
Ｘｔ＝ ｘ  
ｘ
，
ꢀ
ｔ ｍ  
， ꢀ ， ꢀ  
ｘ
ｔ１ ｔ２  
ꢀ ， ꢀ  
ｘ
ｔｉ  
（ ， ）  
＾
ｙｉ  
（ ）  
Ω
ｆ
（）  
５
Ｌ
ｌ
＝
＋
ｙ
ｉ
ｋ
∑
ｉ １  
＝
∑
ｋ １  
＝
：
式中  
， 为风电机组发电机系统  
ｘ
ｔｉ  
数据集中  
ＳＣＡＤＡ  
： ，  
式中 为一个可微的凸函数 用来衡量预测分类值  
ｌ
；
ｍ
第
ｉ
个变量在 时刻的数值  
ｔ
为
数据集  
ＳＣＡＤＡ  
，
与真实类别 的差异 称为损失函数  
ｙｉ  
；
函数表  
Ω
＾
ｙｉ  
。
变量个数  
，
示正则项以惩罚 模 型的 复杂 度 防 止 模 型 过拟合  
。
＾
Ｘｔ  
：
网络输出的重构值  
为
ＤＡＥ  
（） ，  
不能用传统方法求解 采用贪婪的方 法 学习  
５
式
＾
［
＾
Ｘｔ＝ ｘ  
…
…
＾
ｘ
ꢀ
ｔ ｍ  
（）  
２
。
以使目标函数最小  
］
＾
， ꢀ ， ꢀ  
ｘ
＾
ｘ
ꢀ
ｔｉ  
，
， ꢀ  
ｔ１  
ｔ２  
ｆｋ  
（）  
ｔ
：
，
为第 个实例在第 次迭代的预测值  
ｉ ｔ  
式中  
， 为风电机组发电机系统  
数据集中  
ＳＣＡＤＡ  
记
＾
ｙｉ  
＾
ｘ
ｔｉ  
。
第
ｉ
个变量在 时刻的重构值  
ｔ
，
即采用分步向前加性  
在每次迭代中添加新函数  
ｆｔ  
原始输入与重构值在 时刻的重构误差  
ｔ
定
Ｒｅ  
， ，  
模型 以使目标函数最大程度降低 即  
ｎ
，
义为该两者各自归一化值之差的欧几里得范数 即  
（）  
ｔ
（ ）  
ｔ １  
－
（ ，  
＾
ｌ
ｙｉ ｙ  
（ ））  
（ ）（）  
６
＋Ω  
Ｌ
Ｘｉ  
＝
＋
ｉ
ｆ
ｔ
ｆｔ  
∑
ｉ １  
＝
＾
Ｒ ＝ Ｘ －Ｘ  
ｔ
（）  
３
‖
‖
２
ｅ
ｔ
（） ，  
中的损失函数进行泰勒级数展开 并保  
６
对式  
，
正常运行状态下 风电机组  
变量之间  
ＳＣＡＤＡ  
，
留至二阶项且移除常数项 即  
； ，  
存在稳定的关联关系 当发电机部件发生异常时 各  
ｎ
～
（）  
ｔ
１
， 。  
变量间的关联被打破 重构值产生较大偏差 随着  
２
（ ）  
Ｘｉ  
（ ）  
Ｘｉ  
（ ）  
＋Ω  
ｆｔ  
Ｌ
ｈ
ｉｆ  
＋
ｇｉ  
（
ｆｔ  
ｔ
≈
∑
ｉ １  
＝
）
２
，
异常的进一步加重 重构误差发生爬坡或抖动增大  
，
（）  
７
。
故通过分析重构误差的变化趋势可检测风机故障  
（
ｔ－１  
）
）
（
）
ｔ－１  
）
２
（ ，  
（ ，  
ｌｙ ｙ  
ｉ
＾
ｌｙ ｙ  
ｉ
＾
ｉ
，
当重构误差超过告警阈值时 可判别在该时刻之后  
ｉ
：
ｇｉ  
；
ｈ ＝  
ｉ
。
式中  
＝
（ ）  
ｔ－１  
（
）
ｔ－１ ２  
（
＾
ｙｉ  
）
，
风电机组进入故障告警状态 并以该时刻为届分割  
＾
ｙｉ  
｛
ｉ
｜
ｑ
（ ）  
｝
为落在第 个叶子节  
＝
定义  
。
风电机组正常运行和早期故障数据  
Ｉ
ｊ
Ｘｉ  
＝
ｊ
ｊ
，
点上实例的索引号 其中模型复杂度可写为  
（ ）  
＝
ｆ
Ω
算法  
２ ＸＧＢｏｏｓｔ  
ꢀ
Ｔ
１
２
，
ωｊ γ  
，
和 为正规化系数 则模型目标  
λ
Ｔ
γ
＋
λ
∑
２
，
所 检 测 故 障 的 类 型 提  
为确定风电 机 组  
１
＝
ｊ
ＤＡＥ  
［ ］  
２２  
：
函数为  
。
出基于  
的故障识别算法  
是
ＸＧＢｏｏｓｔ  
ＸＧＢｏｏｓｔ  
Ｔ
２
～
一种由多个基学习器叠加为强 学 习器 的 监督 式 算  
ωｊ  
（）  
ｔ
Ｌ
ｈ
ｉ
Ｔ
＋λ ＋γ  
）］  
ꢀ
＝
ωｊ  
ｇｉ  
∑ ∑  
＋
∑
［
（
２
ｉ Ｉ  
∈
ｊ
。
、
个
ｍ
法
其在一个含有 个样本  
ｎ
变量的  
ＳＣＡＤＡ  
１
ｉ Ｉ  
∈
ｊ
＝
ｊ
ｍ
，
Ｒ
｛（ ， ）｝  
，
上训练模型 其中  
，
Ｘｉ  
数据集  
（）  
８
Ｄ＝ Ｘｉ  
∈
ｙｉ  
８２  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号