一种基于深度学习的风电机组主轴承温度预测方法

摘要

本发明提供一种基于深度学习的风电机组主轴承温度预测方法。所述方法包括以下步骤：首先，收集风场风电机组SCADA系统采集的传感器数据，然后对数据进行清洗和重采样，选择与主轴承温度变化特性相关的SCADA参数变量，构建训练样本和测试样本数据集；其次，通过堆叠自编码，构建一个基于深度学习的神经网络模型，反复训练充分挖掘主轴承正常运行数据内在的特征；最后，在模型的顶部添加回归预测层来进一步微调整个深度学习模型，直到满足主轴承温度的智能预测。通过本发明，本方法的预测精度和误差等指标均优于传统的浅层学习模型，能较好地为主轴承的运行状态监测和故障预警提供技术辅助支撑。

说明书

技术领域

本发明主要涉及大型直驱式风电机组运行状态监测与识别相关技术领域， 具体是一种基于深度学习的风电机组主轴承温度预测方法。

背景技术

随着风电技术和风电产业的快速发展，越来越多的风电场和更大容量的风 电机组陆续投入使用。然而大多数风场地处偏僻或交通不便到达的山区、荒野 和海洋，且风电机组的工作环境恶劣且复杂，这些因素导致了风电机组故障频 繁发生，部件(特别是大部件)更换困难与不便，最终导致了运维(O&M)成本 急剧增加，尤其是海上风电场。因此，开展大型风电机组的运行状态监测与故 障诊断(condition monitoring and faultdiagnosis，CMFD)受到了学术界和业界的广 泛关注。

现有的风电机组都安装了状态监测系统(condition monitoring systems，CMSs)，但是，该系统对风电机组的故障诊断方法主要集中在高频振动信号、油 液液压分析上，部分核心组件并没有安装类似的传感器。相反，风电机组的 (supervisory controland data acquisition，SCADA)SCADA系统存储了大量关 于风电机组运行状况的数据，记录了部件的运行状态信息。因此，围绕SCADA 数据对风电机组进行运行状态监测已成为了热点问题。

大型直驱式风电机组的轴承是风机传动系统中的关键部件。除了轴承安装 位置、服务功能和独特的运行机制外，外界复杂多变的环境影响，轴承承受时 变的轴向和径向载荷，导致轴承塑性变形、润滑失效、电弧电侵蚀、磨损、开 裂等。文献调研表明许多风电机组的故障是由轴承故障引起的。因此，轴承的 运行状态监测和故障诊断变得尤为重要和突出。近些年，围绕基于深度学习的 风电机组轴承的CMFD方面，学者们做了大量的工作。这些工作主要集中在发 电机轴承、齿轮箱轴承和主轴承方面。如：Kusiak等人利用SCADA数据开发 了一种神经网络模型来检测发电机轴承超温故障；Yang等人通过分析SCADA 数据的条件参数关系，建立了识别发电机轴承故障模型；Qiu等人建立了双馈风 力发电机定子绕组的热力学模型，并利用SCADA温度数据验证了发电机过热故 障；Alvarez等人利用SCADA数据计算扭矩，重构10分钟间隔内的瞬时扭矩分 布，分析变速箱轴承的疲劳载荷，监测变速箱轴承的健康状态；McKinnon等人 提出了支持向量机和随机森林模型结合SCADA数据检测齿轮箱故障。瑞明等人 结合支持向量回归(support vectorregression,SVR)，利用小波变换的内部结构拓 扑与观测到的SCADA数据的对应关系检测驱动控制系统控制器的故障；Zhang 等人采用带有SCADA数据的神经网络模型检测主轴承故障；Dai等人利用 SCADA数据(功率、风速、振动、主轴承温度)分析主轴承温度变化，进行风电 机组老化评估；Zhang等基于深度学习，利用人工神经网络对风电机组主轴承故 障进行预测；Yucesan等人将物理机理与机器学习方法相结合，建立了主轴承疲 劳预测混合模型。综上所述，基于深度学习的风电机组轴承CMFD相关文献相 对较少。此外，这些文献主要基于神经网络模型，支持向量机模型，组合模型。 这些模型都是浅层机器学习模型，数据特征学习能力有限。此外，随着模型深 度的增加，网络容易过拟合，且参数难以调整。

发明内容

本发明的目的在于针对现有技术中的上述问题，提供一种基于深度学习的 风电机组主轴承温度预测方法，能够切实提高温度预测的精度。

为实现上述目的，本发明采用如下的技术方案：

一种基于深度学习的风电机组主轴承温度预测方法，包括以下步骤：

(1)、对收集的风场风电机组SCADA系统数据进行预处理，即数据清洗和 数据重采样；

(2)、选择与主轴承温度变化相关的参数变量，构建训练样本和测试样本 数据集；

(3)、利用训练集数据逐个反复地训练单个自编码模型；

(4)、然后堆叠多个已经训练好的单个自编码模型，构建一个基于深度学 习的堆叠自编码深度模型；

(5)、在堆叠自编码深度模型的顶部添加回归预测层，利用训练数据进一 步微调后得到深度学习自编码模型，并通过测试集对训练完成的深度学习自编 码模型进行测试，直到满足主轴承温度的智能预测。

(6)、向训练好的深度学习自编码模型中输入实时的SCADA相关的监测数 据值，获得深度学习自编码模型的输出结果，作为主轴承温度的预测值，该值 可用于监测主轴承温度变化的趋势。

进一步的，在步骤(1)中，利用python等开发语言，导入csv格式的文件 后，所述数据清洗和数据重采样处理的公式为：

进一步的，在步骤(2)中，初步选取与主轴承温度变化相关的参数变量后， 所述相关的参数变量皮尔逊相关系数计算公式为：

然后基于具体物理机理，选取与主轴承温度变化相关的最终参数变量；

参数变量归一化处理

将80％的数据集作为训练集，20％的数据集作为测试集。

进一步的，所述步骤(4)中的堆叠自编码深度模型的构建包括构建一个基 本的自编码模型和一个堆叠自编码模型。

进一步的，在步骤(3)中，所述的自编码模型的训练为：

利用无监督学习方式，逐个训练基本的自编码模型，单个自编码的数学模 型可以描述如下：

其中x是输入向量，h是隐层，J是损失函数，w和b是模型参数。

进一步的，在步骤(4)中，所述的堆叠自编码深度模型构建包括：

在步骤(3)的基础上，利用每个自编码模型的隐层表示h

进一步的，在步骤(5)中，所述的深度学习自编码模型为：

在步骤(4)的基础上，在SSAE的顶层添加回归预测层，构造最终的预测 模型SSAE-MLP。利用有监督学习，训练最终预测模型，模型损失函数可表述 为：

其中Yact为观测值，Ypre为预测值，N为样本个数。

进一步的，在步骤(6)中，所述的主轴承温度预测为：

向训练好的深度学习自编码模型中输入实时的SCADA相关的监测数据值， 获得深度学习自编码模型的输出结果，作为主轴承温度的预测值，该值可用于 监测主轴承温度变化的趋势。

相对于现有技术，本发明技术方案取得的有益效果是：

本发明提供一种基于深度学习的风电机组主轴承温度预测方法。该发明将 深度学习技术引入大型直驱式风电机组主轴承温度预测中，首先收集风场风电 机组SCADA系统采集的传感器数据，然后对数据进行清洗(包括无效数据、离 群点数据和缺失数据等)和重采样，选择与主轴承温度变化特性相关的SCADA 参数变量，构建训练样本和测试样本数据集；其次，通过堆叠自编码，构建一 个基于深度学习的神经网络模型；最后，在模型的顶部添加回归预测层来进一 步微调整个深度学习模型，直到满足主轴承温度的智能预测，最后以此模型进 行较准确的温度预测。通过本发明，本方法的预测精度和误差等指标均优于传统的浅层学习模型，能较好地为主轴承的运行状态监测和故障预警提供技术辅 助支撑。

附图说明

图1为本发明的大型直驱式风电机组主轴承温度预测方法流程图；

图2为本发明的大型直驱式风电机组主轴承温度预测方法单个自编码模型 结构图

图3为本发明的大型直驱式风电机组主轴承温度预测方法特征学习结构图；

图4为本发明的大型直驱式风电机组主轴承温度预测方法结构图；

图5为本发明的大型直驱式风电机组主轴承温度预测方法结构确认图；

图6为不同预测方法在不同时间粒度上的预测结果指标对比图；

图7为不同预测方法在不同时间粒度上的预测结果图；

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚，以下 结合附图和具体实施例，对本发明作进一步说明。

本发明所提出的大型直驱式风电机组主轴承温度预测方法的流程图如图1 所示，主要包含的核心部分是数据预处理、参数选择、模型结构确定、性能对 比分析和预测。

本发明包括以下步骤：

步骤1、风场风电机组SCADA系统数据预处理，即数据清洗(包括无效数 据、离群点数据和缺失数据等)和数据重采样；

本实施例中选取某风场直驱式2M大型风电机组SCADA系统原始的数据作 为历史数据，如表1所示。

表1风电机组SCADA系统原始的数据格式

步骤2、选择与主轴承温度变化相关的参数变量，构建训练样本和测试样本 数据集；其皮尔逊相关性分析结果如表2所示。

表2参数变量的皮尔逊相关系数值

步骤3、利用训练集数据逐个反复地训练单个自编码模型，图2是单个自编 码模型结构。

步骤4、然后堆叠多个已经训练好的单个自编码模型，构建一个基于深度学 习的堆叠自编码深度模型，数据内在特征学习如图3所示。

步骤5、在步骤4的基础上添加回归预测层，形成最终的结构图，如图4所 示。利用训练数据进一步微调整个深度学习模型，并通过测试集对训练完成的 深度学习自编码模型进行测试，直到满足主轴承温度的智能预测，最终模型参 数如图5所示。

步骤6、向训练好的深度学习自编码模型中输入实时的SCADA相关的监测 数据值，获得深度学习自编码模型的输出结果，作为主轴承温度的预测值，该 值可用于监测主轴承温度变化的趋势。

实施例：

在本实施例中，针对本发明提供的预测方法，进行了实验验证，下面对本 实施例的数据集与实验设置、评价指标、对比方法以及实验结果进行详细描述。

数据集与实验设置：

为了评估本发明提出的主轴承温度预测方法，从风场SCADA系统筛选出不 同粒度的数据集，如表3所示。在SSAE-MLP模型中，一些重要的参数设置为： Learning_rate＝0.01，Epochs＝100，Num_HiddenLayer＝[1,2,3,4]，Num_Units ＝[5～200]。

表3不同粒度的数据集描述

评价指标：

在本实验中，设置4个指标来评估预测性能：均方根误差(RMSE)、平均绝 对误差(MAE)、平均相对误差(MRE)、拟合优度(R

其中y′

对比方法：

本方法选定多层感知器(MLP)模型、支持向量机回归(SVR)模型、随机梯度 下降回归(SGDR)模型作为对比。使用相同的时间粒度间隔的相同数据集对这些 模型进行训练和测试。

实验结果与分析：

如图6所示，我们提出的深度学习模型的MAE、MRE、MSE值最低，R^2 值较高。由于堆叠式稀疏自编码器的无监督特性和表示学习能力，该模型可以 对不同时间间隔的所有情况提供更好的预测精度。与传统的浅层次机器学习模 型相比，堆叠式稀疏自编码器模型能够捕捉到WTSCADA数据中更有用、更丰 富的模式。其中，SSAE-MLP模型的MAE比MLP、SVR和SGDR分别降低了 36.94％、36.29％和31.79％。在4个时间粒度区间上，SSAE-MLP模型的MAE标准差最低，为0.098。与MLP、SVR和SGDR相比，SSAE-MLP模型的平均 MSE分别降低了56.98％、40.73％和50.29％。在4个时间粒度区间上，所提出 的SSAE-MLP模型的MSE标准差最低，为0.732。与MLP、SVR和SGDR相 比，SSAE-MLP模型的平均MRE分别降低了35.04％、29.16％和30.10％。在4 个时间粒度区间上，SSAE-MLP模型的MSE标准差最低，为0.00475。SSAE-MLP 模型的平均R^2比MLP、SVR和SGDR分别提高了约24.20％、10.95％和17.16％。 在4个时间粒度区间上，SSAE-MLP模型的MSE标准差最低，为0.00995。

图7给出了4个不同时间粒度下不同模型的预测结果。图7中也包含观测 值。显然，该模型较好地拟合了观测数据的变化趋势，具有较小的预测误差和 较高的精度。这些研究为风电机组主轴承状态监测及相关故障预测提供了基础 支持。