上海交通大学学报

上海交通大学学报, 2025, 59(5): 561-568 doi: 10.16183/j.cnki.jsjtu.2023.375

新型电力系统与综合能源

基于零样本学习的风力机故障诊断方法

潘美琪a, 贺兴,b

a.上海交通大学 国家电投智慧能源创新学院,上海 200240

b.上海交通大学 电力传输与功率变换控制教育部重点实验室,上海 200240

A Fault Diagnosis Method for Wind Turbines Based on Zero-Shot Learning

PAN Meiqia, HE Xing,b

a. College of Smart Energy, Shanghai Jiao Tong University, Shanghai 200240, China

b. Key Laboratory of Control of Power Transmission and Conversion of the Ministry of Education, Shanghai Jiao Tong University, Shanghai 200240, China

通讯作者: 贺 兴,副研究员,博士生导师;E-mail:hexing_hx@126.com.

责任编辑: 王一凡

收稿日期: 2023-08-7   修回日期: 2023-11-29   接受日期: 2023-12-4  

基金资助: 国家自然科学基金(52277111)
上海市科学技术委员会(21DZ1208300)

Received: 2023-08-7   Revised: 2023-11-29   Accepted: 2023-12-4  

作者简介 About authors

潘美琪(1998—),硕士生,从事数字孪生和故障诊断研究.

摘要

在工程实践中,风力机故障诊断面临训练故障与实际故障类别不同的情况,为实现对风力机未知故障的诊断,需要将训练过程中习得的故障特征信息迁移至未知故障中.不同于直接建立故障样本与故障类别间映射关系的传统方法,提出一种基于零样本学习的风力机故障诊断方法来完成故障特征迁移.通过描述每种故障的属性建立故障属性矩阵,将其嵌入故障样本空间与故障类别空间之中;并基于卷积神经网络建立故障属性学习器,基于欧氏距离建立故障分类器,形成从故障样本预测故障属性进而分类故障的诊断流程.最后通过与其他零样本学习方法的对比验证了所提故障诊断方法的有效性和优越性.

关键词： 风力机故障诊断; 零样本学习; 卷积神经网络; 知识-数据混合驱动

Abstract

In engineering practice, wind turbine fault diagnosis encounters situations where the fault category in the training data is different from the actual one. To diagnose unknown wind turbine faults, it is necessary to transfer the fault feature information learned during training to the unknown fault category. Unlike traditional methods that directly establish mapping between fault samples and fault categories, a zero-shot learning (ZSL) method for wind turbine fault diagnosis based on fault attributes is proposed to enable fault feature migration. A fault attribute matrix is established by describing the attributes of each fault, which is embedded into the fault sample space and fault category space. Then, a fault attribute learner is developed based on convolutional neural network (CNN), and a fault classifier is established based on Euclidean distance, forming the diagnosis process where fault attributes are predicted from fault samples and then classified. Finally, the effectiveness and superiority of the proposed fault diagnosis method are validated by comparing it with other zero-shot learning methods.

Keywords： wind turbine fault diagnosis; zero-shot learning (ZSL); convolutional neural network (CNN); knowledge-data hybrid driven

PDF (1123KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

潘美琪, 贺兴. 基于零样本学习的风力机故障诊断方法[J]. 上海交通大学学报, 2025, 59(5): 561-568 doi:10.16183/j.cnki.jsjtu.2023.375

PAN Meiqi, HE Xing. A Fault Diagnosis Method for Wind Turbines Based on Zero-Shot Learning[J]. Journal of Shanghai Jiaotong University, 2025, 59(5): 561-568 doi:10.16183/j.cnki.jsjtu.2023.375

随着能源低碳转型的推进,新能源将逐渐代替传统化石能源,成为未来新型电力系统的发电主体[1],在此背景下风力发电发展势头良好.风电机组在风暴、雨雪等恶劣的工作环境下容易发生故障,造成巨大经济损失,长时间停机甚至会造成电量短缺,影响民生与工业经济[2].因此有必要开展风电机组故障诊断方法研究,及时掌握风电机组的运行状态,保证新型电力系统安全稳定运行[3].

在风力机状态监测与故障诊断领域,主要有机理驱动建模和数据驱动建模两大类方法.机理驱动建模需要简化风力机工作原理,以确定且量化的方式描述模型输入量与输出量间的关系[4];数据驱动模型通过对大量风力机数据进行推理分析得到诊断结果,是目前该领域的主流研究方法[2].数据驱动的传统风力机故障诊断方法的基本思路主要有两种,一是通过设置阈值实现故障诊断,实时状态与基准状态的偏离程度超过阈值说明风力机状态异常,但这种做法对人工经验依赖性较强;另一思路是通过人工智能算法有监督地学习故障样本与故障状态的映射关系.大部分研究通过数据处理、特征提取、模型优化等思路改进诊断方法,为提取故障特征,文献[5]中对6种风力发电机故障齿轮箱的时域信号做变换及分解,同时在原始信号与分解信号中提取故障特征,最后基于长短期记忆 (LSTM) 网络实现故障特征识别与分类;文献[6]中使用Stacking融合算法增强诊断能力,并将某风场同一机组出现频率较高的3种发电机故障作为案例,验证所提故障诊断方法的有效性.为考虑不同工况的影响,文献[7]中基于熵优化邻域粗糙集对特征参量进行约简,并设计自适应权重调整算法以考虑不同工况下特征参量对风力机状态的影响程度.为提高不平衡数据集下的故障诊断正确率,文献[8]中采用改进辅助生成对抗网络生成大量符合真实数据分布特性的故障数据.

以上风力机故障诊断方法均基于同一机组历史故障数据集进行实验.文献[9]中为提高故障诊断方法的泛化性,其训练集与测试集来自不同的风电机组,利用多核领域适应减小源风电机组和目标风电机组故障数据的分布差异,提高了风电机组轴承故障分类准确度,该研究虽然使用不同风力机的数据进行训练和测试,但训练集与测试集的故障类别仍完全重合.然而,在实际运行环境下风力机可能发生训练集之外的故障,即训练集与测试集类别并不相同,该故障可能是未发生过或发生过但未被标记的故障类型.

因此,为解决训练集故障类别与测试集故障类别不同的问题,提出一种基于零样本学习(zero-shot learning, ZSL)的风力机故障诊断方法.零样本学习对从未训练过的类别进行识别,是将已知故障(训练集)习得的知识迁移至未知故障(测试集)的过程,但识别未被训练的故障类型难度较大,通常需要辅助信息帮助诊断模型区分不同故障[10].本文所提出的基于零样本学习的风力机故障诊断方法改变了传统故障诊断思路,在样本空间和类别空间中插入属性空间,通过样本→故障属性→故障类别的学习环节实现故障诊断;并且基于工程现状引入零样本学习的概念,目前故障诊断相关文献绝大部分只考虑训练故障类与测试故障类相同的情况,而本文研究针对训练故障类与测试故障类互斥的情况,这一研究场景具有实际工程意义.

1 考虑未知故障的风力机故障诊断框架

纯数据驱动方式难以对未知故障诊断,需要结合风力机故障领域知识,采用知识-数据混合驱动的方式实现对未知故障的诊断.采用知识-数据混合驱动方式,一方面是因为未知故障缺少标注样本,而传统机器算法需要有监督地学习样本与故障间映射关系,无法通过纯数据驱动的方式完成对未知故障的诊断;另一方面是因为已知故障与未知故障之间具有共同属性、共性知识,通过故障描述可以表征不同故障类型的相似属性和互斥属性,只需根据故障属性的对比分析即可完成故障分类.因此本文提出基于风力机故障知识描述故障属性,在故障样本空间和故障类别空间中嵌入风力机故障属性空间,将故障样本→故障类别的映射关系转变为故障样本→故障属性→故障类别,避免直接对未知故障进行分类,具体框架如图1所示.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   考虑未知故障的风力机故障诊断框架

Fig.1   Fault diagnosis framework for wind turbines considering unknown faults


基于图1的故障诊断框架,首先对风力机可能发生的故障类型进行分析,为每一个故障提供描述,形成包含所有故障属性的风力机故障属性矩阵,风力机故障属性描述是辅助故障分类的关键信息[11];其次,基于卷积神经网络(convolutional neural network, CNN)建立故障属性学习器,故障属性学习器在训练过程中学习已知故障与故障属性之间的映射关系,在测试阶段推断未知故障的故障属性;最后,将预测属性与真实属性间的欧氏距离作为分类依据,实现对未知故障的分类.相比传统深度学习,本文提出的故障诊断方法分为实现从故障样本到故障属性的映射,以及从故障属性到故障类别的映射两个步骤,且涉及的故障属性较多,在数据量较大的情况下可能会导致学习周期较长.

2 基于零样本学习的风力机故障诊断

风力机故障诊断流程如图2所示.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   风力机故障诊断流程

Fig.2   Process of wind turbine fault diagnosis


2.1 基于故障原理的故障属性描述

本文所获取的故障样本分别来自A、B、C 3个风场,共包含6种故障,其中4种是变桨系统故障,分别是变桨内部安全链故障(#1)、变桨发电位置传感器异常(#2)、变桨位置比较偏差大(#3)、变桨电机温度高(#4);另外2种是偏航系统故障,分别是加速度超限(#5)、风向标异常(#6).其中A风场历史数据集(一年之前)中包含#1、#2、#3、#4故障,近期数据集(一年之内)中包含#5、#6故障;B组风场历史数据集中包含#3、#4、#5、#6故障,近期数据集中包含#1、#2故障;C组风场历史数据集中包含#1、#2、#5、#6故障,近期数据集中包含#3、#4故障.

变桨系统和偏航系统是保证风力机发电效率的重要控制系统,变桨系统根据风速调节桨叶角度从而改变着风面积;偏航系统则根据风向改变桨叶位置从而实现对风[12].变桨和偏航系统工作较为频繁,且部分零件暴露在外部环境中,容易受到沙尘侵害、雨雪腐蚀,两者是风电机组故障频率较高的部位[13].并且,两者的输入都是风力信息,输出都是对桨叶的控制指令,因此故障属性具有较高的相似性.其中,引起变桨内部安全链故障报警的常见原因是变桨柜检测到变桨角度异常或3个桨叶的角度差过大;变桨发电位置传感器异常情况下,传感器会发出非正常的电压信号,使变桨角度与理论值差异增大.风电机组所处的自然环境一般较为恶劣,风速等外界气候条件与风力机机械部件损坏有较强相关性,检测变桨角度的机械部件磨损老化、变桨电动机编码器损坏、驱动器损坏、变桨电动机损坏等原因都可能导致桨叶角度差距过大;风速快速波动时,电动机需要频繁动作以保持转速稳定,此时变桨角度呈现周期性的变化,电动机温度升高,触发变桨电动机温度高报警信号,除此之外,电动机堵转、冷却风扇损坏、变桨轴承损坏都可能导致变桨电动机温度升高[14].偏航加速度超限一般是由于机械振动和偏航刹车抱死引起的;偏航风向标异常会直接影响风向测量.结合上述风力机故障领域知识,本文提出的故障属性矩阵如图3所示.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   风力机故障属性矩阵

Fig.3   Wind turbine fault attribute matrix


2.2 基于有监督主成分分析法的故障数据预处理

本文使用A、B、C 3个数据集,每个数据集中的历史数据都有4种故障,每种故障有800个样本点作为训练集(部分故障样本不足,已增强样本集);近期数据有2种故障,每种故障有400个样本点作为测试集.训练集和测试集的故障类别互斥,每种故障有25个物理参数.由于高维风力机时空数据会使训练时间过长,所以采用有监督的主成分分析法[15](supervised principal components analysis,SPCA)对风力机故障数据进行降维.在降维之前,为统一数据取值范围、均匀数据分布,首先对故障样本进行归一化处理[16];另外,故障样本的标签来自对应类别的故障属性描述,即每一个故障样本都会拥有12维的标签.

SPCA可以实现在降低数据维度的同时,保留与故障属性标签相关性较强的特征.由于当主成分维数为12时,方差累计贡献率初次达到99%以上且奇异值均大于1,所以可认为12维数据提供了足够的解释信息[17].有监督体现在SPCA根据故障属性标签衡量风力机故障特征与每个故障属性之间的相关性.计算相关性需要先基于径向基函数(radial basis function,RBF)将故障特征映射到更高维空间中,然后计算向量之间的距离,距离越近则代表相关性越强.经过SPCA处理后的故障样本拥有144个特征,每12个特征对应1个故障属性.

2.3 故障诊断

2.3.1 基于CNN的故障属性学习器

CNN作为有监督学习的深度神经网络模型,具有强大的特征处理能力,适合具有多个特征参数的样本结构[18],因此选择CNN作为故障属性学习器.本文建立的故障属性学习器共12层,其结构如图4所示.图中:Conv为卷积层;Pooling为池化层;Flatten为压平层;FC为全连接层;ReLU为激活函数;filter_num 为卷积核个数;stride为步长.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   CNN故障属性学习器的结构与参数

Fig.4   Structure and parameters of CNN fault attribute learner


(1) 第1层为卷积层,卷积层的作用是通过卷积核对输入数据进行卷积运算,提取二维数据的特征.8个大小为3×3的卷积核从左到右对输入的数据矩阵进行卷积运算,得到风力机故障数据的8类特征,多个卷积核实现对故障数据的多维提取,多维指提取的特征处于同一层次,但反映的故障信息不同.将ReLU作为激活函数塑造网络层间的非线性关系,可以削弱参数的依赖性,防止网络训练过拟合.

(2) 第2层是池化层,池化层通常跟随卷积层,用于减少网络参数,只保留对最终属性分类结果有用的重要特征[19].2×2的池化核从左到右对输入的数据矩阵取最大值,可有效选取与风力机故障高度相关的重要特征信息,并减小了训练的计算量,将所有池化后的重要特征拼接后输入下一卷积层[20].由于卷积运算会导致特征维度减小,为保证卷积前后数据的形状一致,本文选择在卷积后的特征矩阵边缘填充零值.多次卷积实现对特征的深度提取,深度指在同一特征内反复卷积,提取更深层次的故障信息.

(3) 被提取的特征最终输入压平层转为一维数据,然后进入全连接层.全连接层与压平层所有节点相连,集成从前层提取的特征,并将其送入分类器,最终在输出层输出故障诊断结果[21].

故障属性的学习过程实质上是为每一个故障属性训练一个CNN分类器.输入是训练故障样本与样本对应的某个故障属性,输出是0/1值(代表样本是否具有该故障属性).由于具有12个故障属性,所以训练过程要重复12次.

2.3.2 基于欧氏距离的故障分类器

故障属性学习器建立了故障样本与故障属性之间的映射关系,故障属性与故障类别的映射由故障分类器建立.按照下式计算故障属性学习器输出的故障属性与真实故障属性向量间的欧氏距离:

d(Ai, Ai')=112∑j=011(Aij-A')2

式中: Ai为真实故障属性向量;A'i为故障属性学习器输出的故障属性向量;i代表第i个采样点,i=0, 1, …, 999;j代表故障属性向量中的第j个属性,j=0, 1, …, 11. 故障分类器认为该样本与距离最近的真实故障属性向量所对应的故障类别相同.

3 实验与结果分析

3.1 故障属性学习器的性能评估

(1) 卷积层数对风力机未知故障诊断效果的影响.本文所建立的故障属性学习器内包含多个卷积层,每个卷积层都在上一层卷积的基础上进一步提取更深层次的故障特征[22].因此理论上随着卷积层数的增多,故障属性学习器能够学习到更丰富、更深度的特征量.基于本文所提出的故障属性学习器对3组样本集进行训练及测试,得到不同卷积层数下的故障诊断准确率,如表1所示.

表1   不同卷积层数下的故障诊断准确率

Tab.1  Fault diagnosis accuracy of different convolutional layers

卷积
层数		准确率/%
A组B组C组平均值
370.6377.8874.8874.46
471.1378.2575.0074.79
571.3878.5075.3875.09
672.1379.1375.8875.71
771.7578.6375.5075.29
871.5078.4975.4575.15
971.0978.3375.3274.91

新窗口打开| 下载CSV


由表1可知,随卷积层数的加深,网络感受野不断增大,未知故障的诊断准确率不断上升.在卷积层数为6层时,A、B、C 3组实验样本集的故障诊断准确率分别达到了72.13%、79.13%、75.88%,平均故障诊断准确率为75.71%.卷积层数增加至7层开始,诊断准确率出现下降趋势,这可能是因为过深的卷积网络容易产生过拟合现象,导致故障属性学习器的学习能力退化,进而影响故障诊断效果.

(2) 池化方式对风力机未知故障诊断效果的影响.本文选择2×2大小的池化核从左到右扫过特征矩阵,每次移动的步长为1.平均池化、最大池化是最常用的两种池化方式,最大池化保留池化区域中的最大特征值,突出重要特征对故障诊断的影响,平均池化则保留池化区域中所有特征的平均值,考虑整体特征信息[23].根据本文所提出的故障属性学习器模型,对比不同池化方式下的诊断效果,如表2所示.其中最大池化+平均池化方式是指在前两个池化层采用最大池化,最后一个池化层采用平均池化,这样的组合池化方式能够综合两种池化方式的优点,诊断效果最好.

表2   不同池化方式下的故障诊断准确率

Tab.2  Fault diagnosis accuracy of different pooling methods

池化方式准确率/%
A组B组C组平均值
平均池化63.8866.0069.1366.34
最大池化66.5072.6367.1368.75
最大池化+平均池化72.1379.1375.8875.71

新窗口打开| 下载CSV


3.2 不同故障学习器下的诊断效果

为证明本文基于CNN的故障属性学习器诊断未知故障的优越性,选取KNN和Bagging两种机器学习模型作为故障属性学习器,对比不同故障属性学习器下的诊断效果,其使用的数据集与分组情况均与前文相同,结果如表3所示.

表3   不同故障属性学习器下的故障诊断准确率

Tab.3  Fault diagnosis accuracy of different fault attribute learners

属性学习算法准确率/%
A组B组C组平均值
KNN52.3850.8861.0054.75
Bagging53.7567.3860.5060.54
CNN72.1379.1375.8875.71

新窗口打开| 下载CSV


由表3可知,基于CNN的故障属性学习器可以更好地提取故障关键特征,能够优化故障诊断效果:在A组的故障诊断准确率比KNN提高37.71%,比Bagging提高34.20%;在B组的故障诊断准确率比KNN提高55.52%,比Bagging提高17.44%;在C组的故障诊断准确率比KNN提高24.39%,比Bagging提高25.42%.根据3.1节和3.2节的结果,本文选择6层网络的CNN作为故障属性学习器,并且采用最大池化和平均池化相结合的池化方式.

3.3 与其他零样本学习方法的比较

为了验证本文所提出的风力机故障诊断方法的优越性,采用ESZSL[24]、SAE[25]两种零样本学习方法与本文方法进行对比,其使用的数据集与分组情况均与前文相同,所得结果如表4所示.

表4   不同零样本学习方法下的故障诊断准确率

Tab.4  Fault diagnosis accuracy of different ZSL methods

零样本学习方法准确率/%
A组B组C组平均值
ESZSL54.0051.3858.6354.67
SAE65.2571.0070.5068.92
本文方法72.1379.1375.8875.71

新窗口打开| 下载CSV


由表4可以看出,本文故障诊断方法准确率相比于ESZSL、SAE分别提高了38.49%、9.85%,验证了本文所提出的基于故障属性描述的零样本故障诊断方法具有一定的优越性.

4 结论

针对风力机故障诊断领域面临训练样本与测试样本故障类别不同的情况,本文提出了基于零样本学习的风力机故障诊断方法,并在真实风力机故障样本集上进行验证,实验结果证明了所提诊断方法的有效性,平均风力机故障诊断准确率为75.71%,远高于随机猜测的准确率(50%),并且风力机故障诊断思路同样适用于其他零样本故障诊断问题,可以为相关研究者提供研究思路,主要结论如下.

(1) 基于领域知识的故障属性描述矩阵在故障样本空间和故障类别空间中插入故障属性空间,为故障诊断提供了共性知识库,可以很好地表征不同故障的共性与区别.将故障诊断分为两个步骤:建立从故障样本到故障属性向量的映射关系,再建立从故障属性向量到故障类别的映射关系,可以很好地规避传统机器学习中故障训练样本与故障测试类别需匹配的要求;基于CNN建立的故障属性学习器,可以有效地从故障样本中提取关键特征,选择合适的批处理方式和网络结构可以提高故障属性学习器的学习能力,更好地拟合非线性关系.

(2) 本文所提方法具有局限性,由于零样本学习存在固有的域适应问题,故障诊断准确率仍然有提升空间;基于共性知识进行诊断决定了该方法难以用于训练故障属性与测试故障属性完全无关的情况,这也是目前零样本学习需要深入研究和突破的关键.

参考文献

王彩霞, 时智勇, 梁志峰, 等.

新能源为主体电力系统的需求侧资源利用关键技术及展望

[J]. 电力系统自动化, 2021, 45(16): 37-48.

[本文引用: 1]

WANG Caixia, SHI Zhiyong, LIANG Zhifeng, et al.

Key technologies and prospects of demand-side resource utilization for power systems dominated by renewable energy

[J]. Automation of Electric Power Systems, 2021, 45(16): 37-48.

[本文引用: 1]

龙霞飞, 杨苹, 郭红霞, 等.

大型风力发电机组故障诊断方法综述

[J]. 电网技术, 2017, 41(11): 3480-3491.

[本文引用: 2]

LONG Xiafei, YANG Ping, GUO Hongxia, et al.

Review of fault diagnosis methods for large wind turbines

[J]. Power System Technology, 2017, 41(11): 3480-3491.

[本文引用: 2]

曾军, 陈艳峰, 杨苹, 等.

大型风力发电机组故障诊断综述

[J]. 电网技术, 2018, 42(3): 849-860.

[本文引用: 1]

ZENG Jun, CHEN Yanfeng, YANG Ping, et al.

Review of fault diagnosis methods of large-scale wind turbines

[J]. Power System Technology, 2018, 42(3): 849-860.

[本文引用: 1]

杨晓峰, 方逸航, 赵鹏臻, 等.

基于K-means和BPNN的风机状态识别

[J]. 中国电力, 2023, 56(6): 158-166.

[本文引用: 1]

YANG Xiaofeng, FANG Yihang, ZHAO Pengzhen, et al.

State recognition of wind turbines based on K-means and BPNN

[J]. Electric Power, 2023, 56(6): 158-166.

[本文引用: 1]

王宏伟, 孙文磊, 张小栋, 等.

基于优化VMD复合多尺度散布熵及LSTM的风力发电机齿轮箱故障诊断方法研究

[J]. 太阳能学报, 2022, 43(4): 288-295.

DOI:10.19912/j.0254-0096.tynxb.2020-0457      [本文引用: 1]

以风力发电机齿轮箱加速度信号为研究对象,提出一种数据驱动的风力发电机齿轮箱故障诊断方法,该方法以灰狼优化的变分模态分解方法（AGWO-VMD）、复合多尺度规范化散布熵（NCMDE）及长短期记忆网络（LSTM）为基础,实现齿轮箱故障的快速诊断。首先将时域信号转换至角域;然后通过AGWO-VMD方法对角域信号进行自适应分解,并采用NCMDE算法提取分解后及原始信号中的故障特征构成特征向量;最后利用LSTM模型对特征向量进行智能识别与分类。对实际采集的6种故障齿轮信号进行测试与验证,试验结果表明该方法能快速有效区分齿轮故障类型。

WANG Hongwei, SUN Wenlei, ZHANG Xiaodong, et al.

Fault diagnosis method of wind turbine’s gearbox based on composite multiscale dispersion entropy of optimised VMD and LSTM

[J]. Acta Energiae Solaris Sinica, 2022, 43(4): 288-295.

DOI:10.19912/j.0254-0096.tynxb.2020-0457      [本文引用: 1]

A data driven diagnosis method based on acceleration signals for the gearbox in wind turbine is proposed, which on the basis of the grey wolves optimised variational modal decomposition （AGWO-VMD）, normalized composite multiscale dispersion entropy （NCMDE） and long short-term memeory （LSTM）, the gearbox faults diagnosis is realized rapidly. Firstly, the discrete signal in time domain is converted to angular domain. Secondly, AGWO-VMD algorithm is used to decompose the signal adaptively, and NCMDE algorithm is used to extract fault features as feature vectors from both original and decomposed signals. At last, the LSTM model is used for intelligentive classification of feature vectors. The proposed method is validated by 100 groups of data under 6 types of faults collected from WTDS, and the result shows that, it can recognize the right type of gearbox's fault rapidly and effectively.

魏书荣, 张鑫, 符杨, 等.

基于GRA-LSTM-Stacking模型的海上双馈风力发电机早期故障预警与诊断

[J]. 中国电机工程学报, 2021, 41(7): 2373-2383.

[本文引用: 1]

WEI Shurong, ZHANG Xin, FU Yang, et al.

Early fault warning and diagnosis of offshore wind DFIG based on GRA-LSTM-Stacking model

[J]. Proceedings of the CSEE, 2021, 41(7): 2373-2383.

[本文引用: 1]

王爽心, 郭婷婷, 李蒙.

风电机组变工况变桨系统异常状态在线识别

[J]. 中国电机工程学报, 2019, 39(17): 5144-5152.

[本文引用: 1]

WANG Shuangxin, GUO Tingting, LI Meng.

On-line abnormal state identification of pitch system based on transitional mode for wind turbine

[J]. Proceedings of the CSEE, 2019, 39(17): 5144-5152.

[本文引用: 1]

黄南天, 杨学航, 蔡国伟, 等.

采用非平衡小样本数据的风机主轴承故障深度对抗诊断

[J]. 中国电机工程学报, 2020, 40(2): 563-574.

[本文引用: 1]

HUANG Nantian, YANG Xuehang, CAI Guowei, et al.

A deep adversarial diagnosis method for wind turbine main bearing fault with imbalanced small sample scenarios

[J]. Proceedings of the CSEE, 2020, 40(2): 563-574.

[本文引用: 1]

安文杰, 陈长征, 田淼, 等.

基于迁移学习的风电机组轴承故障诊断研究

[J]. 太阳能学报, 2023, 44(6): 367-373.

DOI:10.19912/j.0254-0096.tynxb.2022-0085      [本文引用: 1]

针对风电机组运行工况复杂,实际采集的振动信号存在分布差异,导致故障诊断模型的分类效果偏低问题,提出一种具有多核领域适应（MKDA）的多尺度卷积神经网络（MSCNN）风电机组轴承故障诊断研究方法（MKDA-MSCNN）。该方法通过迁移理论将已知风电机组知识迁移至目标风电机组实现故障诊断。首先,利用源域数据预训练MSCNN网络,再利用多核领域适应减小源域和目标域分布差异,最终获得目标风电机组故障诊断模型。试验结果表明,该文提出的MKDA-MSCNN方法在实际风电机组轴承故障诊断中分类精度高达96.17%,对比结果表明该文所提方法的故障分类准确度优于其他深度学习和深度迁移学习方法,对迁移学习理论在实际工程风电机组轴承故障诊断中的研究具有一定价值。

AN Wenjie, CHEN Changzheng, TIAN Miao, et al.

Research on bearing fault diagnosis of wind turbines based on transfer learning

[J]. Acta Energiae Solaris Sinica, 2023, 44(6): 367-373.

DOI:10.19912/j.0254-0096.tynxb.2022-0085      [本文引用: 1]

Aiming at the problem that the classification effect of the fault diagnosis model is low due to the complexity of wind turbine operating conditions and the difference in the distribution of vibration signals actually collected, a multi-scale convolutional neural network（MSCNN） with multi-kernel domain adaptation（MKDA） was proposed in this paper（MKDA-MSCNN）. In this method, the known wind turbine knowledge was transferred to the target wind turbine through the transfer theory to achieve fault diagnosis. Firstly, the MSCNN model was pre-trained by source domain data, and the MKDA was used to reduce the distribution difference between the source domain and target domain, and finally, the target wind turbine fault diagnosis model was obtained. The test results show that the proposed MKDA-MSCNN method in actual wind turbines in bearing fault diagnosis classification accuracy is as high as 96.17%. The comparison results show that the fault classification accuracy of the proposed method is superior to the other deep learning and deep transfer learning methods, which is valuable for the study of transfer learning theory in the fault diagnosis of wind turbine bearings in practical engineering.

潘崇煜, 黄健, 郝建国, 等.

融合零样本学习和小样本学习的弱监督学习方法综述

[J]. 系统工程与电子技术, 2020, 42(10): 2246-2256.

DOI:10.3969/j.issn.1001-506X.2020.10.13      [本文引用: 1]

深度学习模型严重依赖于大量人工标注的数据，使得其在数据缺乏的特殊领域内应用严重受限。面对数据缺乏等现实挑战，很多学者针对数据依赖小的弱监督学习方法开展研究，出现了小样本学习、零样本学习等典型研究方向。对此，本文主要介绍了弱监督学习方法条件下的小样本学习和零样本学习，包括问题定义、当前主流方法以及实验设计方案，并对典型模型的分类性能进行对比。然后，给出零-小样本学习的问题描述，总结研究现状和实验设计，并对比典型方法的性能。最后，基于当前研究中出现的问题对未来研究方向进行展望，包括多种弱监督学习方法的融合与理论基础的探究，以及在其他领域的应用。

PAN Chongyu, HUANG Jian, HAO Jianguo, et al.

Survey of weakly supervised learning integrating zero-shot and few shot learning

[J]. Systems Engineering and Electronics, 2020, 42(10): 2246-2256.

DOI:10.3969/j.issn.1001-506X.2020.10.13      [本文引用: 1]

The deep learning model relies heavily on a large amount of human-annotated data, which seriously restricts its application in special fields where data is scarce. Facing practical challenges such as lack of data, many researchers have conducted research on the weakly supervised learning method which is weakly data-dependent, and some typical research directions such as few-shot learning and zero-shot learning have emerged. In this regard, this paper mainly introduces the few-shot learning and zero-shot learning under the condition of the weakly supervised learning method, including the problem definition, the current mainstream methods and the experimental design scheme, and the classification performances of typical models are compared. Then, the problem description of zero-to-few-shot learning is given, the current research status and experimental design are summarized, and the performances of typical methods are compared. Finally, based on the problems in the current research, the future research direction is prospected, including the fusion of multiple weakly supervised learning methods and the exploration of theoretical basis, as well as the application in other fields.

冯良骏. 面向零/少样本场景的弱监督学习方法、应用与实现[D]. 杭州: 浙江大学, 2023.

[本文引用: 1]

FENG Liangjun. Methods, applications, and implementation of weakly supervised learning on zero/few-shot scenarios[D]. Hangzhou: Zhejiang University, 2023.

[本文引用: 1]

胡姚刚, 刘怀盛, 时萍萍, 等.

风电机组偏航系统故障诊断与寿命预测综述

[J]. 中国电机工程学报, 2022, 42(13): 4871-4884.

[本文引用: 1]

HU Yaogang, LIU Huaisheng, SHI Pingping, et al.

Overview of fault diagnosis and life prediction for wind turbine yaw system

[J]. Proceedings of the CSEE, 2022, 42(13): 4871-4884.

[本文引用: 1]

金晓航, 孙毅, 单继宏, 等.

风力发电机组故障诊断与预测技术研究综述

[J]. 仪器仪表学报, 2017, 38(5): 1041-1053.

[本文引用: 1]

JIN Xiaohang, SUN Yi, SHAN Jihong, et al.

Fault diagnosis and prognosis for wind turbines: An overview

[J]. Chinese Journal of Scientific Instrument, 2017, 38(5): 1041-1053.

[本文引用: 1]

潘振东, 刘城, 张勤刚, 等.

海上风力发电机组变桨系统故障分析

[J]. 船舶工程, 2022, 44(Sup.2): 107-111.

[本文引用: 1]

PAN Zhendong, LIU Cheng, ZHANG Qingang, et al.

Failure analysis of pitch system of offshore wind turbine

[J]. Ship Engineering, 2022, 44(Sup.2): 107-111.

[本文引用: 1]

RITCHIE A, BALZANO L, KESSLER D, et al. Supervised PCA: A multiobjective approach[DB/OL].(2020-11-10) [2023-08-07]. https://arxiv.org/pdf/2011.05309 .

URL     [本文引用: 1]

徐舒玮, 邱才明, 张东霞, 等.

基于深度学习的输电线路故障类型辨识

[J]. 中国电机工程学报, 2019, 39(1): 65-74.

[本文引用: 1]

XU Shuwei, QIU Caiming, ZHANG Dongxia, et al.

A deep learning approach for fault type identification of transmission line

[J]. Proceedings of the CSEE, 2019, 39(1): 65-74.

[本文引用: 1]

成珂, 孙琦琦, 马晓瑶.

基于主成分回归分析的气象因子对光伏发电量的影响

[J]. 太阳能学报, 2021, 42(2): 403-409.

[本文引用: 1]

CHENG Ke, SUN Qiqi, MA Xiaoyao.

Influence of meteorological factors on photovoltaic power generation based on principal component regression analysis

[J]. Acta Energiae Solaris Sinica, 2021, 42(2): 403-409.

[本文引用: 1]

张大海, 张晓炜, 孙浩, 等.

基于卷积神经网络的交直流输电系统故障诊断

[J]. 电力系统自动化, 2022, 46(5): 132-145.

[本文引用: 1]

ZHANG Dahai, ZHANG Xiaowei, SUN Hao, et al.

Fault diagnosis for AC/DC transmission system based on convolutional neural network

[J]. Automation of Electric Power Systems, 2022, 46(5): 132-145.

[本文引用: 1]

梁舒曼, 谷艳玲, 罗园庆, 等.

基于增强型卷积神经网络的风力发电机行星齿轮箱故障诊断方法

[J]. 太阳能学报, 2023, 44(2): 146-152.

DOI:10.19912/j.0254-0096.tynxb.2021-1109      [本文引用: 1]

针对风力发电机行星齿轮箱的健康维护和状态检测难以诊断的问题,该文提出一种初始网与膨胀卷积相融合的初始膨胀卷积神经网络（IDCNN）的故障诊断研究方法。该方法首先构建初始膨胀卷积层以扩大感受野来使学习到的故障特征更加丰富。随后为了方便信号输入且确保信息丰富,将采用将一维原始信号序列转化为二维矩阵的预处理方法。最终将生成的二维信号输入到IDCNN中进行模型训练,并用测试数据对模型进行评估。实验结果表明,提出的IDCNN方法在风力发电机行星齿轮箱的故障诊断中精度高,在对比结果中该文提出方法的诊断精度要高于传统的深度学习方法。

LIANG Shuman, GU Yanling, LUO Yuanqing, et al.

Fault diagnosis method of wind turbine planetary gearbox based on enhanced convolutional neural network

[J]. Acta Energiae Solaris Sinica, 2023, 44(2): 146-152.

DOI:10.19912/j.0254-0096.tynxb.2021-1109      [本文引用: 1]

Aiming at the problem that the health maintenance and state detection of wind turbine planetary gearboxes are difficult to diagnose, a fault diagnosis research method of the initial dilated convolutional neural network （IDCNN） that combines the initial net and dilated convolution is proposed in this paper. This method first constructs an initial dilated convolutional layer to expand the receptive field to enrich the learned fault features. Subsequently, in order to facilitate signal input and ensure rich information, a preprocessing method of transforming the one-dimensional original signal sequence into a two-dimensional matrix will be adopted. Finally, the generated two-dimensional signal is input into IDCNN for model training, and the model is evaluated with test data. The experimental results show that the proposed IDCNN method has high accuracy in the fault diagnosis of the planetary gearbox of the wind turbine. In the comparison results, the diagnosis accuracy of the proposed method is higher than that of the traditional deep learning method.

陈厚合, 张赫, 王长江, 等.

基于卷积神经网络的直流送端系统暂态过电压估算方法

[J]. 电网技术, 2020, 44(8): 2987-2999.

[本文引用: 1]

CHEN Houhe, ZHANG He, WANG Changjiang, et al.

A method estimating transient overvoltage of HVDC sending-end system based on convolutional neural network

[J]. Power System Technology, 2020, 44(8): 2987-2999.

[本文引用: 1]

郑炜, 林瑞全, 王俊, 等.

基于GAF与卷积神经网络的电能质量扰动分类

[J]. 电力系统保护与控制, 2021, 49(11): 97-104.

[本文引用: 1]

ZHENG Wei, LIN Ruiquan, WANG Jun, et al.

Power quality disturbance classification based on GAF and a convolutional neural network

[J]. Power System Protection and Control, 2021, 49(11): 97-104.

[本文引用: 1]

王守相, 郭陆阳, 赵倩宇, 等.

基于参考序列与全卷积网络的风速数据缺失与异常修复方法

[J]. 电力系统自动化, 2023, 47(9): 129-136.

[本文引用: 1]

WANG Shouxiang, GUO Luyang, ZHAO Qianyu, et al.

Repair method for missed and abnormal wind speed data based on reference sequence and full convolution network

[J]. Automation of Electric Power Systems, 2023, 47(9): 129-136.

[本文引用: 1]

陆文安, 朱清晓, 李兆伟, 等.

基于卷积神经网络的新型电力系统频率特性预测方法

[J]. 上海交通大学学报, 2024, 58(10): 1500-1512.

DOI:10.16183/j.cnki.jsjtu.2023.071      [本文引用: 1]

为了解决利用传统频率分析方法分析新能源高占比电网频率时存在计算量大、建模困难、计算速度与计算精度矛盾突出等问题,提出一种基于卷积神经网络(CNN)的新型电力系统频率特性预测方法.首先,利用一维CNN对新能源高占比电力系统在功率扰动下的主要频率指标进行预测,包括初始频率变化率、频率极值以及频率稳态值;并通过设置合理的输入特征以及对神经网络各参数的优化调整,提高了预测精度.在此基础上,进一步考虑扰动位置以及扰动类型的影响,利用数据降维的方法建立包含扰动信息的电力系统特征数据集,借鉴三原色通道原理构建输入特征,并利用扩展的二维CNN预测频率安全指标提高CNN在高占比新能源电网频率分析中的适应性.最后,在改进的BPA 10机39节点模型中进行算例验证,并与循环神经网络预测结果进行对比,结果表明所提方法具有较高的准确度和适应性.

LU Wen’an, ZHU Qingxiao, LI Zhaowei, et al.

A prediction method of new power system frequency characteristics based on convolutional neural network

[J]. Journal of Shanghai Jiao Tong University, 2024, 58(10): 1500-1512.

[本文引用: 1]

ROMERA-PAREDES B, TORR P H S.

An embarrassingly simple approach to zero-shot learning

[C]// Proceedings of the 32nd International Conference on Machine Learning. Lille, France: ACM, 2015: 2152-2161.

[本文引用: 1]

KODIROV E, XIANG T, GONG S G.

Semantic autoencoder for zero-shot learning

[C]// IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, USA: IEEE, 2017: 4447-4456.

[本文引用: 1]

/

〈 〉