欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020108600004
申请人: 湖南科技大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:其方法包括如下步骤:(1)获取数据:通过风电公司得到所需要的SCADA数据,采集到多种传感器的海量数据;

(2)数据筛选:采用层次聚类方法对数据进行智能筛选;

(2.1)首先对已经确认的小规模数据集A进行必要的预处理,然后进行聚类,得到簇群A1、A2和A3;

(2.2)然后将数据集A和数据集B合并形成新的数据集,通过同样的聚类算法,得到簇群B1、B2、B3、B4...Bn;

(2.3)将B簇群分别与A簇群进行相似性检验,满足相似性准则的某个B簇则认为具有数据A的特定特征;

(3)风电机组群分析:对风场的风机进行分析,找出其状态相似度高的风机作为风机群进行研究,将风电机组的输入定义为风速,输出定义为风电机组的有功功率,采用DTW算法计算风电机组相似度;

(4)构建风机群组内同位同类传感器输出预测器:设同组m个同类同位传感器S的实际输入分别为y1(n),y2(n),...ym(n),其中n为从序列起始时刻到k时刻的序列长度,y1(n),y2(n),...ym(n)为预测器的输入,预测器的输出为 通过预测器输出和传感器实际输出的比较得到残差,从而得到超限传感器的残差序列,基于某个准则对传感器信号是否异常做出判断;

(5)构建同机关联传感器输出预测模型:SSA-AANN识别出第m个s传感器S信号异常,设该风机中与该传感器强关联的其他j个传感器k-1时刻及之前的输出序列分别为x1(n),x2(n),...xj(n),将x1(n),x2(n),...xj(n)和ym(n)一起作为预测器的输入, 为预测器输出,根据步骤(4)的方法判断传感器信号是否异常。

2.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(2.1)中,数据集A的预处理包括试验测试、统计分析谱分析和专家判断,以得到具有特定特征的数据集A。

3.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(2.2)中,数据集A和数据集B通过聚类并依照模型和参数准则合成新的数据集。

4.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(2.3)中,相似性检验时,将B1依次与A1、A2和A3进行对照检验,再将B2依次与A1、A2和A3进行对照检验,直至Bn对照完毕。

5.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(3)中,得到一个风机群的方法是把每台风机生成的数据看成是一个时间序列,通过计算风机之间的相似性来实现。

6.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(4)中,进行残差比较时,若第m个传感器残差em(k)超限,则用预测器输出替代预测器输入ym(k)。

7.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(4)中,同组同类传感器预测器采用自关联神经网络(SSA-AANN)网络模型来实现,该模型由五层所组成,包括输入层、映射层、瓶颈层、解映层和输出层,进行模型建立;

AANN的工作流程如下:

S1:输入数据经过映射层,映射到高维度空间中;

S2:然后通过瓶颈层进行压缩;

S3:再通过解映层进行解映,并通过重建数据从原始空间维度输出;

SSA的工作流程如下:

S1:通过优化算法与AANN结合,使它能够快速收敛到全局最优解;

S2:利用全局寻优,得到AANN神经网络最优初始权值和阈值;

S3:再用AANN神经网络进行局部寻优,得到精确的传感器解析冗余网络。

8.根据权利要求7所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述SSA-AANN神经网络模型的建立步骤如下:S1:数据处理;

S2:设置AANN的节点数,确定网络结构;

S3:定义SSA算法的维数k;

S4:设置SSA的参数;

S5:SSA适应度值的确定;

S6:最优解生成;

S7:优化AANN网络;

S8:构建测试数据进行测试,得到状态评估。

9.根据权利要求1所述的一种SSA-AANN的风力发电机传感器状态评估方法,其特征在于:所述步骤(5)中,进行残差比较时,若该环节识别出的传感器信号仍然异常,则基本可判断不是风机本体状态异常引起的传感器信号异常,则比较器输出序列em(k)是传感器自身状态的反映,对em(k)进行深度网络故障学习分析,判断传感器的具体异常状态情况甚至故障类别形式做出识别。