[发明专利]一种基于遗传神经网络的风电机组故障诊断方法

权利要求书

1.一种基于遗传神经网络的风电机组故障诊断方法，其特征在于，包括下列步骤：

A)收集风电机组运行参数的历史数据，包括机组正常运行数据与机组故障数据；

B)整理上述机组运行参数历史数据形成故障诊断样本，样本的格式为：每一条数据按输入-输出对模式组织，输入为机组运行参数，输出为机组异常概率、齿轮箱异常概率、发电机异常概率和偏航系统异常概率，样本分为定桨距机组类型和变桨距机组类型两种，每种类型分为训练样本和检测样本两部分；

C)根据上述样本设计神经网络的结构，神经网络采用BP网络，根据上述的样本设计神经网络的输入值、输出值、层数、各层节点数和各层的激活函数，并针对定桨距机组类型和变桨距机组类型设计网络结构；在上述神经网络结构下，用遗传算法对神经网络的初始权值和偏置值进行优化，具体过程为：将初始权值和偏置值按实数编码成染色体，以神经网络误差平方和的倒数为适应度函数，遗传操作采用轮盘赌选择算子，算术交叉算子和高斯变异算子，采用最优保存策略，对B)中的故障诊断训练样本进行反复遗传进化，最终得到最优的神经网络的初始权值和偏置值；

D)以上述最优的初始权值和偏置值作为BP神经网络的初始值，用神经网络Levenberg-Marquardt算法对B)中的故障诊断训练样本反复训练，训练指标为误差的平方和，最后将训练得到的权值和偏置值，以及此时网络的结构参数进行保存，这些参数便构成了遗传神经网络故障诊断模型；

E)用B)中的检测样本对故障诊断模型进行反复检验，如果检验效果良好，则诊断模型有效，可以用于故障诊断，否则，则重新根据D)与E)进行训练建模；

F)实时读取机组的最新运行参数，将这些参数输入到故障诊断模型，通过模型计算得到该状态下的机组异常概率、齿轮箱异常概率、发电机异常概率和偏航系统异常概率，根据各概率值判定机组整体和各个部件的运行状态。

2.根据权利要求1所述的一种基于遗传神经网络的风电机组故障诊断方法，其特征在于，步骤E)中，神经网络的训练方法为离线训练方式。

3.根据权利要求1所述的一种基于遗传神经网络的风电机组故障诊断方法，其特征在于，步骤E)中，遗传神经网络故障诊断模型分为定桨距机组诊断模型和变桨距机组诊断模型。

4.根据权利要求1所述的一种基于遗传神经网络的风电机组故障诊断方法，其特征在于，步骤G)中，故障诊断的方式为在线实时诊断。