(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111290483.X (22)申请日 2021.11.02 (65)同一申请的已公布的文献号 申请公布号 CN 114065598 A (43)申请公布日 2022.02.18 (73)专利权人 河北大学 地址 071002 河北省保定市五四东路180号 (72)发明人 张照彦　王少科　王培光　姜萍　 田华　田亚茹　刘志恒　付磊　 王霞　 (74)专利代理 机构 石家庄国域专利商标事务所 有限公司 131 12 专利代理师 胡澎 (51)Int.Cl. G06F 30/25(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/08(2006.01)G06F 113/06(2020.01) (56)对比文件 CN 112784373 A,2021.0 5.11 CN 110348713 A,2019.10.18 CN 111722145 A,2020.09.2 9 WO 202021 1109 A1,2020.10.2 2 李正明 等.基 于 PSO-DBN 神经网络的光伏 短期发电出力预测. 《电力系统保护与控制》 .2020,第48卷(第8 期), 赵洪山等.基于堆叠自编码网络的风电机组 发电机状态监测与故障诊断. 《电力系统自动 化》 .2018,第42卷(第1 1期),第102-108页. 马烨等.基 于神经过程-粒子 群算法的移动 机器人路径规划. 《湖北工业大 学学报》 .2020,第 35卷(第01期),第17-20页. 廖嘉炜等.基 于改进深度信念网络的电力欠 费预警研究. 《计算机与数字 工程》 .2020,第48卷 (第03期),第728-73 3页. 审查员 张玮 (54)发明名称 一种风电机组发电机的故障预警方法 (57)摘要 本发明公开了一种风电机组发电机的故障 预警方法， 该方法包括以下步骤： 采集风电机组 发电机整个故障演变区间的历史运行数据， 选取 反映发电机运行状态的各参数作为建模变量， 对 发电机运行状态参数归一化处理， 建立DBN网络， 隐含层神经元数目寻优， 使用最优神经元个数建 立发电机故障预警模型； 对发电机运行状态参数 进行重构， 计算重构变量与实际变量的重构误 差， 确定重构误差阈值， 当重构误差未超出阈值 时， 判定为发电机运行状态正常； 当重构误差超 出阈值时， 判定为发电机运行状态异常， 并发出 故障预警信息。 本发明为风电机组发电机的早期 故障检测提供判断依据， 以此 实现风电机组发电 机的故障预警。 权利要求书2页 说明书6页 附图4页 CN 114065598 B 2022.06.28 CN 114065598 B 1.一种风电机组发电机的故障预警方法， 其特 征是， 包括以下步骤： S1、 数据采集： 从风电机组配备的SCADA系统中调取风电机组发电机整个故障演变区间 的历史运行数据， 包括 发电机正常运行、 故障形成、 故障显 现、 故障排除、 再 投运行在内的各 个阶段； S2、 状态参数选取： 选取包括风速、 发电机功率、 发电机转速、 发电机转矩、 发电机空冷 温度、 发电机前轴温度、 发电机三个绕组的温度以及主轴叶轮侧温度在内的用于反映发电 机运行状态的各参数作为建模变量； S3、 数据划分： 将上述的历史运行数据作为数据源划分成训练集、 验证集和试验集三部 分， 其中， 训练集占数据源的60％～80％、 验证集占数据源的5％～10％， 试验集占数据源的 10％～35％； S4、 数据预处 理： 对步骤S2中所选取的发电机运行状态参数的数据进行归一 化处理； S5、 DBN网络的建立： 通过设置包括隐含层数量、 隐含层神经元数目寻优区间、 学习率、 最大迭代次数以及每批次数据量在内的各参数， 构建一个DBN网络； S6、 隐含层神经 元数目寻优： 利用NP PSO算法对隐含层神经 元数目寻优， 具体方式如下： S6‑1、 初始化NPPSO算法参数， 初始参数设置如下： 种群规模为20， ωmin＝0.45， ωmax＝ 0.95， cmin＝0.45， cmax＝0.95， 最大迭代次数为10 0， 权重控制因子为8； S6‑2、 利用训练集数据采用 CD‑k算法非监督逐层训练DBN网络中各个RBM的权值和偏 置； 依据下式作为更新 准则： 式中， ε为学习率； < ·>Pθ(h|v)为偏导数在Pθ(h|v)分布下的期望； < ·>recon为偏导数在重 构模型分布下的期望； S6‑3、 将步骤S6 ‑2训练得到的权值和偏置对应作为BP神经网络的权值和偏置的初始 值， 然后利用该BP神经网络反向微调DBN网络， 得到网络参数达 到最优的DBN网络； S6‑4、 利用步骤S6 ‑3得到的最优DBN网络计算 适应度； S6‑5、 求个体最优值和群 体最优值， 具体操作方式如下： S6‑5‑1、 比较步骤S6 ‑4计算得到的适应度大小， 最小值对应的粒子位置为个 体最优值； S6‑5‑2、 比较由步骤S6 ‑5‑1得到的当前所有个体最优值， 个体最优值最小值对应 的粒 子位置为群 体最优值； S6‑6、 更新粒子的速度和位置； S6‑7、 当迭代次数未达100时， 返回步骤S6 ‑2； 当迭代次数达到100时， 将作为群体最优 解的隐含层最优神经 元数目传送给DBN网络； S7、 模型建立： 使用步骤S5设置的DBN网络参数和步骤S6寻优得到的最优神经元个数， 建立NPPSO ‑DBN发电机故障预警模 型， 所述NPPSO ‑DBN发电机故障预警模型包含4层隐含层， 1层输入层和1层输出层， 输入层和隐含层中的神经元数目与步骤S2中的建模变量的数目一权　利　要　求　书 1/2 页 2 CN 114065598 B 2致； S8、 预警计算： 使用所述NPPSO ‑DBN发电机故障预警模型对步骤S2所选取的发电机运行 状态参数进行重构， 然后计算重构变量与实际变量的重构误差； S9、 确定重构误差阈值Uth： 计算重构误差的均值 μ和均方根误差σ， 则重构误差阈值Uth设 定为： Uth＝ μ+3σ； S10、 故障预警： 当重构误差未超出阈值时， 判定为发电机运行状态正常； 当重构误差超 出阈值时， 判定为发电机运行状态 异常， 并发出故障预警信息 。 2.根据权利要求1所述的风电机组发电机的故障预警方法， 其特征是， 步骤S5建模参数 设置的具体指标如下： 网络模型隐含层的数量设置为4层， 网络隐含层神经元数目寻优区间 设置为[1， 100]； 预训练学习率为0.1， 每批 次数据量为100， 最大迭代次数为300； BP反向微 调学习率 为0.1， 每批次数据量 为4， 最大迭代次数为3 00。 3.根据权利要求1所述的风电机组发电机的故障预警方法， 其特征是， 步骤S7的具体操 作方式如下： S7‑1、 采用CD ‑k算法非监 督逐层训练DBN网络中各个RBM的权值和偏置； S7‑2、 利用BP神经网络反向微调DBN网络， 使整个NPPSO ‑DBN发电机故障预警模型的参 数达到最优， 成为 风力发电机故障预警模型； S7‑3、 保存建立 好的风力发电机故障预警模型。 4.根据权利要求1所述的风电机组发电机的故障预警方法， 其特征是， 步骤S9是根据步 骤S8所获得的发电机状态参数重构误差， 重构误差的均值 μ和均方根 误差σ 的计算公式为： 其中， Re(i)为第i个数据的重构误差； N 为数据集长度即重构误差个数。权　利　要　求　书 2/2 页 3 CN 114065598 B 3