[發明專利]一種風機葉片結冰狀態檢測方法、裝置及可讀存儲介質

在審

• 申請號: 202011424199.2
• 申請日: 2020-12-08
• 公開（公告）號: CN112633558A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 計三有;于振華
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 武漢智嘉聯合知識產權代理事務所(普通合伙) 42231
• 代理人: 易賢衛

1.一種風機葉片結冰狀態檢測方法，其特征在于，包括以下步驟：

獲取風力發電廠實際運行的SCADA數據，得到特征數據集，對所述數據集進行歸一化處理，得到歸一化后的數據集；

構建擴展深度信念網絡模型，利用所述歸一化后的數據集對所述擴展深度信念網絡模型進行訓練，并利用代價敏感學習對擴展深度信念網絡模型進行優化，得到用于結冰檢測的擴展深度信念網絡模型；

采集需要檢測的SCADA數據，將所述需要檢測的SCADA數據輸入至用于結冰檢測的擴展深度信念網絡模型中，得到結冰狀態檢測結果。

2.根據權利要求1所述的風機葉片結冰狀態檢測方法，其特征在于，對所述數據集進行歸一化處理，得到歸一化后的數據集，具體包括，利用歸一化公式對所述數據集的數據進行歸一化，得到歸一化后的數據集，所述歸一化公式為

其中，X₀為需要進行歸一化的數據，X₁為歸一化后的數據，X_max為一維數據中的最大值，X_min為一維數據中的最小值。

3.根據權利要求1所述的風機葉片結冰狀態檢測方法，其特征在于，利用所述歸一化后的數據集對所述擴展深度信念網絡模型進行訓練，具體包括，在歸一化的數據集取出一組數據作為輸入向量，將所述輸入向量輸入至擴展深度信念網絡模型中，并計算隱藏層神經元被激活的概率，根據隱藏層神經元被激活的概率確定隱藏層神經元的取值，更新擴展深度信念網絡模型中連接權重值、可視層與隱藏層的偏置值。

4.根據權利要求2所述的風機葉片結冰狀態檢測方法，其特征在于，所述計算隱藏層神經元被激活的概率，具體包括，

通過激活概率公式計算隱藏層神經元被激活的概率，所述激活概率公式為其中，p(h_j＝1|h)為隱藏層神經元被激活的概率，σ為激活函數，h為隱藏層神經元變量，b_j為隱藏層b中第j個神經元的偏置值，w_i,j為隱藏層b中第j個神經元與可見層a中第i個神經元的權重值，v_i為輸入向量。

5.根據權利要求4所述的風機葉片結冰狀態檢測方法，其特征在于，根據隱藏層神經元被激活的概率確定隱藏層神經元的取值，具體包括，若隱藏層神經元被激活的概率大于或等于設定閾值，則該隱藏層神經元處于激活狀態，其取值為1，若隱藏層神經元被激活的概率小于設定閾值，則該隱藏層神經元處于未激活狀態，其取值為0。

6.根據權利要求5所述的風機葉片結冰狀態檢測方法，其特征在于，所述更新擴展深度信念網絡模型中連接權重值、可視層與隱藏層的偏置值，具體包括，根據隱藏層神經元的取值反推可見層神經元的取值，得到重構誤差，根據重構誤差更新擴展深度信念網絡模型中連接權重值、可視層與隱藏層的偏置值。

7.根據權利要求1所述的風機葉片結冰狀態檢測方法，其特征在于，所述利用代價敏感學習對擴展深度信念網絡模型進行優化，具體包括，以未結冰樣本為正類樣本，以結冰樣本為負類樣本，以誤分類代價為目標函數，采用自適應差分進化算法優化目標函數，得到最優的誤分類代價，將所述最優的誤分類代價作用于擴展深度信念網絡模型的輸出層。

8.根據權利要求1所述的風機葉片結冰狀態檢測方法，其特征在于，還包括，以準確率Acc作為誤分類代價的評價指標，

其中，TP表示正確識別為正類樣本的數量，TN表示錯誤識別為正類樣本的數量，FN表示錯誤識別為負類樣本的數量，TN表示正確識別為負類樣本的數量。

9.一種風機葉片結冰狀態檢測裝置，其特征在于，包括處理器以及存儲器，所述存儲器上存儲有計算機程序，所述計算機程序被所述處理器執行時，實現如權利要求1-8任一所述的風機葉片結冰狀態檢測方法。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機該程序被處理器執行時，實現如權利要求1-8任一所述的風機葉片結冰狀態檢測方法。