[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

摘要

本发明公开了一种基于遗传神经网络的风电机组故障诊断方法，通过遗传神经网络对风电机组历史运行数据进行学习，可建立风电机组故障诊断模型。通过在线读取机组实时运行数据，调用遗传神经网络诊断模型，对实时数据进行分析，可判断其发生齿轮箱、发电机与偏航系统故障的概率，从而对机组故障状态进行判断。用遗传算法与神经网络相结合的方法可实现算法互补，使模型收敛性和诊断能力提高，具有较强的健壮性。通过本发明方法，可对机组的运行状态进行实时在线监控与故障分析，提早采取维护措施，提高了机组的可靠性，减少了维护成本。

主权项

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。