1.本发明属于风力发电机故障诊断领域，涉及一种基于多视角图神经网络的风电机组故障诊断方法。
背景技术：2.风电是当前最具前景的清洁能源之一，也是我国的战略性新兴产业之一，近几年呈“大规模、大速度、大容量”趋势发展。由于风电机组运行环境的特殊性，加之内部结构和控制策略复杂，目前在役风电机组故障率高、运行效率低、可靠性差等问题日益突出。一旦某个部件出现故障，将可能引发连锁反应，导致整个系统停机或导致重大事故，造成严重的经济损失。因此，准确、及时的对风电进行故障诊断，并且能够提前判断故障发生，判断故障类型，对于降低运维成本，提高发电效益有着重要的意义和社会价值。目前，风电场机组已广泛安装监视控制与数据采集(supervisory control and data acquisition,scada)系统，scada数据是包含多种传感器数据的多变量时间序列数据，由于传感器信号中的各种故障模式和不同部件之间的复杂交互，因此，探索传感器的空间相互作用，挖掘多元时间序列数据的时空特征，是风电系统故障诊断的一项重要且具有挑战性的任务。
3.近年来，基于深度学习的故障诊断方法取得了很大进展，如卷积操作广泛的应用在scada数据建模中。然而，在风电系统中越来越多的研究考虑数据的关系和相互依赖关系，并以图形的形式表示数据。这种非欧几里得空间中的不规则数据对现有的基于深度学习的方法构成了巨大挑战，使得一些重要的操作(例如卷积)很容易应用于欧几里得空间，但难以在非欧几里得空间中对图数据进行建模。最近，图神经网络(gnn)作为新兴的神经网络，已被用于对图数据进行建模和分析。
4.然而，由于风电机组故障类型种类多，用单一的构图方式提取故障特征，可能无法全面地捕获所有关系。而构造多图的方法，可以在更多的视角上提取故障特征，并利用各图之间的互补性，实现多图特征之间的交互学习融合，大大提高了故障诊断的准确性。
技术实现要素：5.本发明的目的在于提供一种基于多视角图神经网络的风电机组故障诊断方法，设计了四个图来表示图构建时空信息的不同方面，并实现多图融合。
6.为达到上述技术目的，本发明的技术方案如下：
7.一种基于多视角图神经网络的风电机组故障诊断方法，该方法包括如下内容：
8.步骤s1：从风电场状态监视与数据采集(scada)系统获取多台风电机组健康和不同故障状态下的多变量传感器时间序列历史数据。
9.步骤s2：将处理后的多变量传感器时间序列数据从不同视角构建成多视角图结构数据。即将每个传感器作为一个节点，传感器的时间序列切片为该节点特征，计算两两传感器之间的相关性作为边，分别构建距离图邻域图功能图因果图形成多视角图结构数据集合
10.步骤s3：构建图表示学习模块。将步骤2中得到的四种图结构数据分别输入到对应的图卷积神经网络(gcn)进行特征学习，再经过图池化层(pooling)，最后通过使用读出层(readout)来聚合节点特征得到每个图结构数据对应的图特征表示，分别为
11.步骤s4：构建多图交互学习融合模块。将步骤s3得到多图特征输入交互学习单元，定义交互学习权重系数矩阵α来对多图特征分配不同的权重，利用了多图特征之间的相关性和互补性，最终学习得到多图特征之间的共享表示公式如下
[0012][0013][0014]
其中，α
ab
＝α
ba
，α
ac
＝α
ca
，α
ad
＝α
da
，α
bc
＝α
cb
，α
bd
＝α
db
，α
cd
＝α
dc
；α
aa
,α
bb
,α
cc
,α
dd
分别表示距离图、邻域图、功能图、因果图的自相关性度量系数；α
ab
,α
ba
表示距离图和邻域图之间的相关性度量系数；α
ac
,α
ca
表示距离图和功能图之间的相关性度量系数；α
ad
,α
da
表示距离图和因果图之间的相关性度量系数；α
bc
,α
cb
表示邻域图和功能图之间的相关性度量系数；α
bd
,α
db
表示邻域图和因果图之间的相关性度量系数；α
cd
,α
dc
表示功能图和因果图之间的相关性度量系数；这些系数是在网络训练过程中自动优化得到的。最后串联运算得到全局图表示f
′
，公式表示如下。
[0015][0016]
其中，concat表示串联运算。
[0017]
步骤s5：故障分类模块。将融合后的全局图表示f
′
输入到全连接(fc)层，并用softmax分类器输出不同故障类型的概率，最终得到各状态的故障类型标签。
[0018]
本发明技术方案的进一步改进在于：构建多视角图结构数据包括：
[0019]
所述构建距离图是通过高斯核权函数在样本的其他节点中找到该节点的k
′
个最近邻，计算两节点之间的边权值，公式如下
[0020][0021]
其中，表示节点xi和节点xj之间的边权值，ζ是高斯核的带宽。
[0022]
所述构建邻域图是根据风力发电机各传感器部件的实际空间位置定义的，如果两传感器相邻，则这两节点之间的边权值定义为1；不相邻则为0，公式如下
[0023][0024]
所述构建功能图的边权值表示每两个传感器的功能相关性。边权值由两节点之间的皮尔森相关系数确定，计算公式如下
[0025][0026]
其中，x
i,t
和x
j,t
为节点i和节点j在时段t内的属性值，为所有节点在t时段属性的均值，t表示时间序列总长度。
[0027]
所述构建因果图用于提取两节点之间的因果关系，两节点之间的边权值通过传递熵值计算，公式如下。
[0028][0029]
其中，表示因果图中传感器变量i到j的因果关系，p(x
i+1
,xi,xj)表示x
i+1
,xi,xj的联合概率；p(x
i+1
|xi)表示已知i时刻xi的情况下x
i+1
的条件概率；p(xi,xj)表示xi和xj的联合概率。
[0030]
本发明技术方案的进一步改进在于：步骤s3中所述的读出层，考虑多视角图神经网络的全局均值特性和局部最大值特性，计算公式如下
[0031][0032]
其中，concat表示均值池和最大池的串联运算，n为节点个数，为第i个节点的特征表示，最终得到各图的图表示f。
[0033]
由于采用了上述技术方案，本发明取得的技术进步是：
[0034]
本发明提出的多视角图结构数据生成模块，相比单一的构图方式可以提取更全面的故障信息和特征，具有可解释性。
[0035]
本发明提出的多图交互学习融合模块，相比于直接串接多图特征的方式，实现了多图特征之间的自适应交互，交互学习单元利用多图特征之间的相关性和互补性，可以更有效地捕获风电系统传感器之间的时空相关性，提高了风电机组故障诊断的准确性，便于工作人员及时对风力发电机进行处理和维护。
附图说明
[0036]
图1是本发明流程示意图；
[0037]
图2是本发明整体框架结构示意图；
[0038]
图3是本发明多图交互学习融合模块示意图。
具体实施方式
[0039]
本发明提供一种基于多视角图神经网络的风电机组故障诊断方法，该方法的核心是构建多视角图结构数据，并用多图交互学习的融合方式实现风电机组的故障诊断。为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
[0040]
如图1所示，为本发明一种具体实施方式所提供的一种基于多视角图神经网络的风电机组故障诊断方法的模块化流程图。该方法包括从风电场获得多变量传感器时间序列，然后经过多视角图结构数据生成模块分别构建距离图、邻域图、功能图、因果图，形成多图集合。接着对每一种图结构数据进行图表示学习，然后对多图特征进行交互学习融合多图特征。最后将融合后的全局图表示输入fc层，并用softmax分类器输出不同故障类型的概率，最终得到故障类型标签。
[0041]
如图2所示，为本发明一种具体实施方式所提供的一种基于多视角图神经网络的风电机组故障诊断方法的具体框架结构示意图，该方法包括如下内容：
[0042]
步骤s1：从风电场状态监视与数据采集(scada)系统获取多台风电机组健康和不同故障状态下的多变量传感器时间序列历史数据。
[0043]
步骤s2：将处理后的多变量传感器时间序列数据从不同视角构建成多视角图结构数据。即将每个传感器作为一个节点，传感器的时间序列切片为该节点特征，计算两两传感器之间的相关性作为边，分别构建距离图邻域图功能图因果图形成多视角图结构数据集合
[0044]
所述构建距离图是通过高斯核权函数在样本的其他节点中找到该节点的k
′
个最近邻，计算两节点之间的边权值，公式如下
[0045][0046]
其中，表示节点xi和节点xj之间的边权值，ζ是高斯核的带宽。
[0047]
所述构建邻域图是根据风力发电机各传感器部件的实际空间位置定义的，如果两传感器相邻，则这两节点之间的边权值定义为1；不相邻则为0，公式如下
[0048][0049]
所述构建功能图的边权值表示每两个传感器的功能相关性。边权值由两节点之间的皮尔森相关系数确定，计算公式如下
[0050]
[0051]
其中，x
i,t
和x
j,t
为节点i和节点j在时段t内的属性值，为所有节点在t时段属性的均值，t表示时间序列总长度。
[0052]
所述构建因果图用于提取两节点之间的因果关系，两节点之间的边权值通过传递熵值计算，公式如下。
[0053][0054]
其中，表示因果图中传感器变量i到j的因果关系，p(x
i+1
,xi,xj)表示x
i+1
,xi,xj的联合概率；p(x
i+1
|xi)表示已知i时刻xi的情况下x
i+1
的条件概率；p(xi,xj)表示xi和xj的联合概率。
[0055]
步骤s3：构建图表示学习模块。将步骤2中得到的四种图结构数据分别输入到对应的图卷积神经网络(gcn)进行特征学习，再经过图池化层(pooling)，最后通过使用读出层(readout)来聚合节点特征得到每个图结构数据对应的图特征表示，分别为
[0056]
所述读出层，考虑多视角图神经网络的全局均值特性和局部最大值特性，计算公式如下
[0057][0058]
其中，concat表示均值池和最大池的串联运算，n为节点个数，为第i个节点的特征表示，最终得到各图的图表示f。
[0059]
如图3所示，为本发明多图交互学习融合模块示意图，其特征在于包括以下内容：
[0060]
步骤s4：构建多图交互学习融合模块。将步骤s3得到多图特征输入交互学习单元，定义交互学习权重系数矩阵α来对多图特征分配不同的权重，利用了多图特征之间的相关性和互补性，最终学习得到多图特征之间的共享表示公式如下
[0061][0062][0063]
其中，α
ab
＝α
ba
，α
ac
＝α
ca
，α
ad
＝α
da
，α
bc
＝α
cb
，α
bd
＝α
db
，α
cd
＝α
dc
；α
aa
,α
bb
,α
cc
,α
dd
分别表示距离图、邻域图、功能图、因果图的自相关性度量系数；α
ab
,α
ba
表示距离图和邻域图之间
的相关性度量系数；α
ac
,α
ca
表示距离图和功能图之间的相关性度量系数；α
ad
,α
da
表示距离图和因果图之间的相关性度量系数；α
bc
,α
cb
表示邻域图和功能图之间的相关性度量系数；α
bd
,α
db
表示邻域图和因果图之间的相关性度量系数；α
cd
,α
dc
表示功能图和因果图之间的相关性度量系数；这些系数是在网络训练过程中自动优化得到的。最后串联运算得到全局图表示f
′
，公式表示如下。
[0064][0065]
其中，concat表示串联运算。
[0066]
步骤s5：故障分类模块。将融合后的全局图表示f
′
输入到全连接(fc)层，并用softmax分类器输出不同故障类型的概率，最终得到各状态的故障类型标签。
[0067]
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
技术特征：1.一种基于多视角图神经网络的风电机组故障诊断方法，其特征在于：该方法包括如下步骤：步骤s1：从风电场状态监视与数据采集系统获取多台风电机组健康和不同故障状态下的多变量传感器时间序列历史数据；步骤s2：将处理后的多变量传感器时间序列数据从不同视角构建多视角图结构数据；即将每个传感器作为一个节点，传感器的时间序列切片为该节点特征，计算两两传感器之间的相关性作为边，分别构建距离图邻域图功能图因果图形成多视角图结构数据集合步骤s3：构建图表示学习模块；将步骤s2中得到的四种图结构数据分别输入到对应的图卷积神经网络进行特征学习，再经过图池化层，最后通过使用读出层来聚合节点特征得到每个图结构数据对应的图特征表示，分别为步骤s4：构建多图交互学习融合模块，将步骤s3得到多图特征输入交互学习单元，定义交互学习权重系数矩阵α来对多图特征分配不同的权重，利用了多图特征之间的相关性和互补性，最终学习得到多图特征之间的共享表示公式如下下其中，α
ab
＝α
ba
，α
ac
＝α
ca
，α
ad
＝α
da
，α
bc
＝α
cb
，α
bd
＝α
db
，α
cd
＝α
dc
；α
aa
,α
bb
,α
cc
,α
dd
分别表示距离图、邻域图、功能图、因果图的自相关性度量系数；α
ab
,α
ba
表示距离图和邻域图之间的相关性度量系数；α
ac
,α
ca
表示距离图和功能图之间的相关性度量系数；α
ad
,α
da
表示距离图和因果图之间的相关性度量系数；α
bc
,α
cb
表示邻域图和功能图之间的相关性度量系数；α
bd
,α
db
表示邻域图和因果图之间的相关性度量系数；α
cd
,α
dc
表示功能图和因果图之间的相关性度量系数；最后串联运算得到全局图表示f
′
，公式表示如下，其中，concat表示串联运算；步骤s5：故障分类模块，将融合后的全局图表示f
′
输入到全连接层，并用softmax分类器输出不同故障类型的概率，最终得到各状态的故障类型标签。2.根据权利要求1中所述的一种基于多视角图神经网络的风电机组故障诊断方法，其特征在于步骤s2中构建多视角图结构数据具体包括：所述构建距离图是通过高斯核权函数在样本的其他节点中找到该节点的k
′
个最
近邻，计算两节点之间的边权值，公式如下其中，表示节点x
i
和节点x
j
之间的边权值，ζ是高斯核的带宽；所述构建邻域图是根据风力发电机各传感器部件的实际空间位置定义的，如果两传感器相邻，则这两节点之间的边权值定义为1；不相邻则为0，公式如下所述构建功能图的边权值表示每两个传感器的功能相关性，边权值由两节点之间的皮尔森相关系数确定，计算公式如下其中，x
i,t
和x
j,t
为节点i和节点j在时段t内的属性值，为所有节点在t时段属性的均值，t表示时间序列总长度；所述构建因果图用于提取两节点之间的因果关系，两节点之间的边权值通过传递熵值计算，公式如下其中，表示因果图中传感器变量i到j的因果关系，p(x
i+1
,x
i
,x
j
)表示x
i+1
,x
i
,x
j
的联合概率；p(x
i+1
|x
i
)表示已知i时刻x
i
的情况下x
i+1
的条件概率；p(x
i
,x
j
)表示x
i
和x
j
的联合概率。3.根据权利要求1中所述的一种基于多视角图神经网络的风电机组故障诊断方法，其特征在于：步骤s3中所述的读出层，考虑多视角图神经网络的全局均值特性和局部最大值特性，计算公式如下其中，concat表示均值池和最大池的串联运算，n为节点个数，为第i个节点的特征表示，最终得到各图的图表示f。4.根据权利要求1中所述的一种基于多视角图神经网络的风电机组故障诊断方法，其特征在于：α
ac
,α
ca
,α
ab
,α
ba
,α
ad
,α
da
,α
bc
,α
cb
,α
cd
,α
dc
,α
bd
,α
db
,这些系数是在网络训练过程中自动优化得到的。
技术总结本发明公开了一种基于多视角图神经网络的风电机组故障诊断方法，首先从风电场获得多变量传感器时间序列历史数据，将处理后的多变量传感器时间序列数据从不同视角构建成多视角图结构数据，接着对每一种图结构数据进行图表示学习，输入多个独立并行的图卷积神经网络进行特征提取，经过图池化层后使用一个读出层来聚合节点特征从而获得多图特征表示。然后将多图特征表示输入多图交互学习融合模块得到多图共享表示，再将其拼接获得融合后的全局图表示。最后将全局图表示输入FC层，并用softmax分类器输出不同故障类型的概率，最终得到各状态的故障类型标签。本发明通过多图交互学习融合，可以学习到更有效的故障特征，提高故障诊断精度。断精度。断精度。
技术研发人员：江国乾 王俪瑾 范伟鹏 谢平 何群 武鑫
受保护的技术使用者：燕山大学
技术研发日：2022.07.18
技术公布日：2022/11/1
