[發明專利]基于神經網絡與數據挖掘的風電機組健康管理方法

在審

• 申請號: 201811089372.0
• 申請日: 2018-09-18
• 公開（公告）號: CN109492790A
• 公開（公告）日: 2019-03-19
• 發明（設計）人: 張軼;石林;王嘉文;謝丹尼
• 申請（專利權）人: 北京光耀電力科技股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/00;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 皋吉甫

1.一種基于神經網絡與數據挖掘的風電機組健康管理方法，其特征在于，包括狀態診斷模型的構建、故障診斷模型的構建和故障預測模型的構建；

所述狀態診斷模型、所述故障診斷模型和所述故障預測模型的構建步驟均包括數據采集、線下模型構建、線上模型構建和結論輸出；

所述故障診斷模型和所述故障預測模型的線下模型構建分別基于RVFL神經網絡算法；

所述狀態診斷模型的線下模型構建基于模糊評價變權算法和專家系統。

2.根據權利要求1所述的基于神經網絡與數據挖掘的風電機組健康管理方法，其特征在于，所述故障診斷模型的數據采集的采集數據源為風機運行狀態數據；所述故障診斷模型的模型訓練的輸出結果為實時故障類型信息。

3.根據權利要求1所述的基于神經網絡與數據挖掘的風電機組健康管理方法，其特征在于，所述故障預測模型的數據采集的采集數據源為風機運行狀態數據和特定時間段內是否發生故障的信號數據；所述故障預測模型的模型訓練的輸出結果為未來特定時間段內是否會發生故障的信息。

4.根據權利要求1所述的基于神經網絡與數據挖掘的風電機組健康管理方法，其特征在于，所述故障診斷模型和/或所述故障預測模型的線下模型構建的步驟包括：

S11、數據平衡處理；

S12、數據標準化處理；

S13、提取用于RVFL神經網絡訓練的訓練數據集并得到特征數據；

S14、對所述RVFL神經網絡進行訓練。

5.根據權利要求4所述的基于神經網絡與數據挖掘的風電機組健康管理方法，其特征在于，所述數據平衡處理具體為提取原始數據中的故障數據，并在剩余的原始數據中隨機提取與所述故障數據數量相同的常規數據，將提取的所述故障數據和常規數據合并成平衡數據。

6.根據權利要求5所述的基于神經網絡與數據挖掘的風電機組健康管理方法，其特征在于，所述數據標準化處理具體為利用數據標準化公式將提取的所述平衡數據整合至[-1,1]的區間內；

所述數據標準化公式為：

其中，N為樣本數量，M為特征維度，x_n,m和x′_n,m分別為標準化前和標準化后的數據，minx_m和maxx_m分別為第m維特征的最小值和最大值。

7.根據權利要求4所述的基于神經網絡與數據挖掘的風電機組健康管理方法，其特征在于，對所述RVFL神經網絡進行訓練的具體過程包括：

S141、得到一組已知的擁有N個案例的訓練數據集S:{x_i,t_i},i＝1,2,…,N，其中，為由M個特征組成的輸入矢量，t_i為輸出類別；

S142、對于每個所述案例，輸入矢量與輸出類別之間的關系用全連接的RVFL神經網絡表達如下：

其中，

J為隱藏層節點數量，ω_m,j為輸入層與隱藏層之間的權重，b_j為隱藏層偏置，α_m為輸入層與輸出層之間的權重，β_j為隱藏層與輸出層之間的權重，f(·)為用作激活函數的sigmoid函數，h_i,j為隱藏層節點的輸出值；

S143、將所述全連接的RVFL神經網絡簡潔表達為：

t_i＝h_iβ,i＝1,2,...,N

其中，h_i＝[x_i,1,x_i,2,...,x_i,M,h_i,1,h_i,2,...,h_i,M]，β＝[α₁,α₂,...,α_M,β₁,β₂,...,β_J]^T；

S144、計算輸出權重矢量β：

其中，