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。 |