本發(fā)明屬于風電機組狀態(tài)監(jiān)測，具體涉及一種基于單源域自適應的風電機組發(fā)電機狀態(tài)監(jiān)測方法。

背景技術：

1、風能作為一種可再生能源受到了廣泛的利用。為了有效地將風能轉化為電能，風電機組作為關鍵裝備發(fā)揮著至關重要的作用。風電機組通常被部署在偏遠的陸上地區(qū)或近遠海區(qū)域。隨著技術的進步，風電葉片直徑不斷增大，機艙位置越來越高，造成風電機組的日常運維成本高昂。有資料表明，大型風電場運維成本占風電場收入的15％～35％左右。發(fā)電機是風電機組的關鍵部件之一，它直接影響著風能轉換的效率與發(fā)電質量。發(fā)電機在動態(tài)的運行過程中承受著復雜的載荷，容易發(fā)生故障。發(fā)電機一旦發(fā)生故障，其維修難度大，且會造成機組停機時間長。因此，有必要對風電機組發(fā)電機進行狀態(tài)監(jiān)測。

2、常見的風電機組發(fā)電機狀態(tài)監(jiān)測方法可分為物理模型方法和數據驅動方法。由于風電機組結構復雜，物理模型方法常面臨建模復雜度高、模型準確度低等問題。鑒于監(jiān)控與數據采集(supervisory?control?and?data?acquisition，scada)系統(tǒng)已通過集成在發(fā)電機、齒輪箱等關鍵部件上的傳感器獲取了風電機組運行狀態(tài)數據，無需安裝額外的傳感器，通過數據驅動方法對scada數據進行分析已成為一種潛在的低成本機組狀態(tài)監(jiān)測解決方案。因此，近年來許多研究通過分析scada數據對風電機組進行狀態(tài)監(jiān)測。

3、有功功率是風電機組的關鍵特征，可以反映發(fā)電機的健康狀態(tài)。當風電機組發(fā)生故障時，功率輸出會隨之發(fā)生變化，通過分析功率預測殘差，能夠有效剖析風電機組發(fā)電機的運行狀態(tài)。近年來，深度學習算法的研究日益深入，其在處理高維復雜數據方面展現出了強大的能力。深度學習能夠高效地對風電機組scada數據進行建模和分析，從而實現更準確的功率預測和狀態(tài)監(jiān)測。

4、雖然深度學習在實際應用中已取得了巨大的進展，但在某些應用場景，它仍然存在一定的局限性。例如，深度學習要求有大量標記且分布相同的訓練數據。然而，新安裝的風電機組往往面臨著訓練數據不足的情況，從而導致模型精確性下降。遷移學習側重于跨領域的知識遷移，較有潛力解決上述問題。

技術實現思路

1、本發(fā)明的目的在于提供一種基于單源域自適應的風電機組發(fā)電機狀態(tài)監(jiān)測方法，利用源領域機組數據，有效地解決了新安裝風電機組訓練數據不足的問題。

2、為實現以上目的，本發(fā)明采用以下技術方案：

3、一種基于單源域自適應的風電機組發(fā)電機狀態(tài)監(jiān)測方法，包括以下步驟：

4、s1、收集多臺地理位置不同的風電機組發(fā)電機運行狀態(tài)歷史數據；

5、s2、選擇需要監(jiān)測分析的風電機組作為目標領域機組，其他的風電機組作為源領域機組，分別對所收集的多臺數據充足的源領域機組以及一臺數據較少的目標領域機組發(fā)電機運行狀態(tài)歷史數據集進行預處理，以得到多個源領域機組訓練集和目標領域機組訓練集；

6、s3、多個源領域機組訓練集包括源領域1、源領域2…源領域n，源領域1包含了同一風電場的兩臺風電機組數據。同理，源領域n也包含了同一風電場的兩臺風電機組數據；

7、s4、將多個不同的源領域機組訓練集和目標領域機組訓練集分別輸入到卷積神經網絡單源域自適應模型進行訓練學習，保存訓練好的模型結構和參數；

8、s5、對目標領域機組發(fā)電機的在線運行數據進行預處理，得到目標領域機組測試集，將目標領域機組測試集輸入到步驟s4已保存好的模型中，預測發(fā)電機功率；

9、s6、每個源領域機組和目標領域機組訓練集進行領域自適應都得到一個單源域自適應模型，通過多個不同源領域單源域自適應模型在目標領域機組測試集上的發(fā)電機功率預測值與實際值之間的均方誤差(mse)，選擇出更適合目標領域機組數據分布的源領域機組；

10、s7、參照選取的源領域機組結合領域自適應分析發(fā)電機預測功率與實際功率的殘差來實現對風電機組發(fā)電機運行狀態(tài)的監(jiān)測。

11、作為優(yōu)選方案，所述源領域和目標領域的數據分布不相同，各個所述源領域之間數據分布亦不相同。

12、作為優(yōu)選方案，步驟s2中，源領域數據和目標領域數據中包含的風電機組特征參數有：電網電流、電網電壓、30s平均風向、30s平均風速、發(fā)電機轉速、發(fā)電機繞組溫度1、發(fā)電機驅動端軸承溫度、發(fā)電機非驅動端軸承溫度。通過皮爾遜相關系數計算出和發(fā)電機相關性高的特征，并刪除冗余度較高的特征。最終選出電網電流、30s平均風向、30s平均風速、發(fā)電機轉速、發(fā)電機繞組溫度1、發(fā)電機驅動端軸承溫度6個特征。

13、作為優(yōu)選方案，s2中，數據預處理需要在刪除異常數據后，對數據進行歸一化處理，其公式如下：

14、

15、其中x'代表歸一化后的值，xmax、xmin分別表示特征的最大值和最小值。

16、作為優(yōu)選方案，s3中，源領域1包含了同一風電場的兩臺風電機組數據，這兩臺風電機組來自同一廠商，并且額定功率等級相同；由于外部環(huán)境、運行條件和數據分布高度相似，源域之間的差異較小。因此，將兩臺風電機組數據進行整合，不僅有效擴展了源域樣本數量，還為模型訓練提供了更加充足的源域信息。同理，源領域n也包含了同一風電場的兩臺風電機組數據。

17、作為優(yōu)選方案，s4中，所述的卷積神經網絡領域自適應模型其具體步驟如下：

18、步驟4.1：構建卷積神經網絡領域自適應模型，該模型主要由特征提取層、領域自適應層、回歸層組成；

19、步驟4.2：將源領域和目標領域訓練集輸入到特征提取層，設置各個層的學習率，隱藏層神經元個數、訓練周期、訓練批次參數；

20、步驟4.3：設置誤差損失，其由兩部分組成，一部分是回歸損失，另一部分是特征差異損失。按照下式計算；

21、

22、步驟4.4：計算網絡模型的訓練誤差損失，采用adam優(yōu)化算法更新模型參數；

23、步驟4.5：當達到最大迭代次數后保存模型。

24、作為優(yōu)選方案，步驟4.2中，各個層的都采用adam優(yōu)化算法，學習率設置采用動態(tài)學習率下降策略，公式如下所示：

25、

26、其中l(wèi)r和lr分別表示當前epoch的學習率和初始學習率,e和e分別表示當前的epoch和總的epochs。lr設置為1e-3，e設置為50。

27、作為優(yōu)選方案，步驟4.2中，采用一維cnn提取風電機組的特征，其中卷積層的輸出為：

28、

29、其中，代表卷積層l的第j個通道的輸出；代表第l-1層的輸出；nj代表輸入特征圖的組合；代表卷積核矩陣；是偏置；*代表卷積運算；f(×)代表relu激活函數。

30、作為優(yōu)選方案，步驟4.2中，在卷積層后加入最大池化層，表示如下：

31、

32、其中代表第l層第i個特征矢量中第t個神經元的值，t∈[(j-1)w+1,jw]；w代表池化區(qū)域的寬度；代表l+1層神經元對應的值。

33、作為優(yōu)選方案，步驟4.3中，均方誤差mse計算方法如下：

34、

35、其中yi是實際功率值，是模型預測功率值，n是樣本數量。

36、作為優(yōu)選方案，步驟4.3中，mmd損失計算方法如下：

37、

38、其中是的無偏估計量，表示源領域數據集和目標領域數據集的mmd平方距離，和的公式如下：

39、

40、其中，ep表示函數在源域數據集上的期望，eq表示函數在目標域數據集上的期望，xs表示源域的時序數據，xt表示目標域的時序數據，φ(×)表示映射。

41、本發(fā)明的設計思路是：

42、本發(fā)明針對新安裝風電機組訓練數據不足，未能有效開展狀態(tài)監(jiān)測工作的問題，提出一種基于單源域自適應的風電機組發(fā)電機狀態(tài)監(jiān)測方法：收集多臺地理位置不同的風電機組發(fā)電機運行狀態(tài)歷史數據；選擇需要監(jiān)測的風電機組作為目標領域機組、其它的風電機組作為源領域機組，分別對所收集的多臺數據充足的源領域機組以及一臺數據較少的目標領域機組發(fā)電機運行狀態(tài)歷史數據集進行預處理，以得到多個源領域機組訓練集和目標領域機組訓練集；多個源領域機組訓練集包括源領域1、源領域2…源領域n，源領域1包含了同一風電場的兩臺風電機組數據。同理，源領域n也包含了同一風電場的兩臺風電機組數據；將多個不同的源領域機組訓練集和目標領域機組訓練集分別輸入到卷積神經網絡單源域自適應模型進行訓練學習，保存訓練好的模型結構和參數；對目標領域機組發(fā)電機的在線運行數據進行預處理，得到目標領域機組測試集，將目標領域機組測試集輸入到保存好的模型中，預測發(fā)電機功率；通過多個不同源領域單源域自適應模型在目標領域機組測試集上的發(fā)電機功率預測值與實際值之間的均方誤差(mse)，選擇出更適合目標領域機組數據分布的源領域機組，重復運行模型30次，統(tǒng)計30次運行后各個單源域自適應模型發(fā)電機功率預測值與實際值之間的均方誤差(mse)，畫出小提琴圖后選出最佳源領域；參照選取的源領域機組結合領域自適應分析發(fā)電機預測功率與實際功率殘差對風電機組發(fā)電機進行狀態(tài)監(jiān)測。

43、本發(fā)明的有益效果是：

44、本發(fā)明針對新安裝風電機組數據量不足，無法訓練出準確的風電機組狀態(tài)監(jiān)測模型，提出了一種基于單源域自適應的風電機組發(fā)電機狀態(tài)監(jiān)測方法。該方法將多個不同的源領域機組和目標領域機組訓練數據集分別輸入到卷積神經網絡單源域自適應模型進行訓練學習，保存訓練好的模型結構和參數；每個源領域機組和目標領域機組訓練數據集進行領域自適應都得到一個單源域自適應模型，通過多個不同單源域自適應模型在目標領域機組測試數據集上的發(fā)電機功率預測值與實際值之間的均方誤差mse，選擇出適合目標領域機組數據分布的源領域機組(mse最小)；參照選取的源領域機組結合領域自適應模型對目標領域風電機組發(fā)電機運行狀態(tài)進行監(jiān)測。本發(fā)明在目標領域數據缺失且需要從多個源領域中選擇最佳源領域的場景下，為建立有效的狀態(tài)監(jiān)測模型提供了新的思路與方法。