(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211066553.8 (22)申请日 2022.08.31 (71)申请人 东北大学秦皇岛分校 地址 066004 河北省秦皇岛市经济技 术开 发区泰山路143号 (72)发明人 张燕　韩英华　赵强　汪晋宽　 (74)专利代理 机构 北京易捷胜知识产权代理有 限公司 1 1613 专利代理师 韩国胜 (51)Int.Cl. F03D 17/00(2016.01) G06F 17/18(2006.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/06(2012.01) (54)发明名称 基于时空神经网络的风电机组故障状态检 测方法 (57)摘要 本发明涉及一种基于时空神经网络的风电 机组故障状态检测方法、 电子设备和存储介质， 方法包括获取待测风电机组的传感器实时的检 测数据并进行数据预处理； 将所述检测数据输入 到训练的时空特征提取模型， 获取所述多维残差 数据； 采用马氏距离， 对所述多维残差数据进行 计算， 获取时空特征提取模型的实时性能指数； 将所述性能指数与所述实时检测数据输入到训 练的向量回归算法模型， 获取实时动态阈值； 基 于所述实时动态阈值与所述实时性能指数， 对风 电机组的故障状态进行检测。 本发 明的有益效果 是， 能够解决现有技术中风电机组故障检测耗时 久、 故障反馈滞后、 效率低、 误差大、 浪费人力物 力的技术问题。 权利要求书3页 说明书10页 附图4页 CN 115434875 A 2022.12.06 CN 115434875 A 1.一种基于时空神经网络的风电机组故障状态检测方法， 其特 征在于， 包括： S1、 获取待测风电机组的传感器实时的检测数据并进行数据预处理； 所述检测数据包 括： 风速、 功率、 转速、 俯仰角、 温度和检测时间； S2、 将所述检测数据输入到训练的时空特征提取模型， 获取所述多维残差数据； 所述多 维残差数据为所述实时检测数据与所述时空特 征提取模型的输出的残差； 所述时空特征提取模型包括深层自编码器和门控递归单元， 所述深层自编码器用于提 取所述检测数据的空间特 征； 所述门控递归单 元用于提取 所述检测数据的时间特 征； S3、 采用马氏距离， 对所述多维残差数据进行计算， 获取时空特征提取模型的实时性能 指数； S4、 将所述性能指数与所述实时检测数据输入到训练的向量回归算法模型， 获取实时 动态阈值； S5、 基于所述实时动态阈值与所述实时性能指数， 对风电机组的故障状态进行检测。 2.如权利要求1所述的风电机组故障状态检测方法， 其特 征在于， 所述S1中数据预处 理， 主要包括： 采用基于理想风速功率的融合策略， 对所述检测数据的进行分析， 将不需要的数据点 设置为离群点并剔除； 采用局部均值 填补策略， 对剔除离群点的检测数据进行填补； 对经过填补的检测数据进行归一 化处理。 3.如权利要求1所述的风电机组故障状态检测方法， 其特 征在于， 所述S3， 还包括通过指数加权移动平均值对所述性能指数进行平滑处理， 获取优化的 性能指数； 采用马氏距离计算获取性能指数的计算公式为： 所述e为时空特 征提取模型的重构误差， μ为所述检测数据的维度均值； 对所述性能指数进行平 滑处理的计算公式为： REt＝ λEt+(1‑λ )REt‑1； 所述 λ为平 滑系数。 4.如权利要求1所述的风电机组故障状态检测方法， 其特 征在于， 所述S5， 具体为： 比较所述动态阈值与所述 性能指数； 若所述动态阈值<所述 性能指数， 判断风电机组 处于故障状态； 若所述动态阈值≥所述 性能指数， 判断风电机组 处于正常运行状态。 5.如权利要求1所述的风电机组故障状态检测方法， 其特 征在于， 在所述S1之前， 还包括， S0、 基于待测风电机组的历史检测数据， 对时空特征提取模型 和支持向量回归 模型进行训练； 所述S0， 包括： S01、 基于待测风电机组的历史检测数据， 对时空特 征提取模型进行训练； 具体为： S011、 获取待测风电机组的历史检测数据并进行数据预处理， 将不存在故障状态的历权　利　要　求　书 1/3 页 2 CN 115434875 A 2史检测数据作为训练数据集 合； S012、 借助于预先构建的正则化方法， 将所述训练数据集合输入到预先构建的时空特 征提取模型进行迭代， 输出每 个迭代阶段的时空特 征重构数据； S013、 基于所述时空特征重构数据， 采用预先构 建的梯度下降规则和损失函数， 计算每 个迭代阶段的目标 更新权重， 直到所述损失函数收敛完成， 完成训练时空特 征提取模型； 所述损失函数为： 所述 为训练数据， 为时空特 征提取模型 数据输出的时空特 征重构数据。 6.如权利要求5所述的风电机组故障状态检测方法， 其特 征在于， 所述S0， 还 包括： S02、 基于待测风电机组的历史检测数据， 对支持向量回归 模型进行训练， 具体为： S021、 获取输入到预 先构建的支持自回归 模型训练数据； 所述训练数据包括经过预处理的待测风电机组的历史检测数据和性能指数待测风电 机组的性能指数； 所述性能指数为将所述历史检测数据输入到训练完成的时空特征提取模型， 采用马氏 距离， 对所述历史检测数据与所述时空特征提取模型 的输出值的残差进行计算， 获取 的时 空特征提取模型性能指数； S022、 将所述训练数据输入到预先构建的支持向量回归模型， 对所述支持向量回归模 型进行训练， 其中， 通过 灰狼优化 算法获得 所述支持向量回归 模型需选取的参数。 7.如权利要求6所述的风电机组故障状态检测方法， 其特 征在于， 所述向量回归 模型需选取的参数包括： 惩罚因子 C和内核函数参数σ； 所述S022中， 基于灰狼优化 算法获得 所述支持向量回归 模型需选取的参数 具体包括： S0221、 初始化灰狼算法和支持向量回归模型的参数， 所述参数为灰狼种群规模N、 最大 允许迭代次数tmax以及惩罚因子 C、 核函数参数σ 的取值范围； S0222、 采用预先构建的佳点集规则对种群进行初始化， 确定每头灰狼的位置(C、 σ )初 始值； S0223、 将所述训练数据输入到所述支持向量回归模型， 计算出每头灰狼在该初始值下 的适应度； S0224、 选取适应度最 好的前3头灰狼， 对所述3 头灰狼的位置(C、 σ )进行 更新； S0225、 计算全部各灰狼个体的适应度， 对比位置更新前后的适应度， 若当前值优于前 次迭代得到的适应度， 则更新 适应度前三的灰狼位置， 否则位置不更新； S0226： 将当前迭代次数与最大允许迭代次数对比， 若未达到N， 则继续寻优， 否则训练 结束， 头狼的位置(C、 σ )值 为最优解， 相应支持向量回归 模型训练完成。 8.如权利要求1所述的风电机组故障状态检测方法， 其特 征在于， 所述深层自编码器结构为15 ‑100‑50‑25‑50‑100‑15， 门控递归单元的神经元个数为 100。 9.一种电子设备， 其特征在于， 包括存储器和处理器， 所述存储器中存储有计算机程 序， 所述处理器执行所述存储器中存储的计算机程序， 实现上述权利要求1至8任一所述的权　利　要　求　书 2/3 页 3 CN 115434875 A 3