[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

本發明涉及一種風機葉片結冰狀態檢測方法、裝置及計算機可讀存儲介質，所述方法包括以下步驟：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。本發明所述的風機葉片結冰狀態檢測方法，提高了風機葉片結冰狀態檢測的準確度。

技術領域

本發明涉及風機葉片技術領域，尤其涉及一種風機葉片結冰狀態檢測方法、裝置及計算機可讀存儲介質。

背景技術

風能作為一種清潔的可再生能源，越來越受到世界各國的重視，在此情況下風力發電機組被廣泛利用；相關研究表明，風機葉片一旦結冰之后會影響風機葉片的固有模態參數、改變風機葉片的翼型，進而會降低風機的運行穩定性和發電效率，而且冰層滑落之后容易造成人員傷亡。因此，對葉片結冰進行早期的檢測可以有效提高風機的運行穩定性和發電效率。現有關于風機葉片結冰狀態檢測方案的存在原始數據相關信息容易丟失，導致檢測準確度不高。

發明內容

有鑒于此，有必要提供一種風機葉片結冰狀態檢測方法、裝置及計算機可讀存儲介質，用以解決現有技術中風機葉片結冰狀態檢測準確度不高的問題。

本發明提供一種風機葉片結冰狀態檢測方法，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。

進一步地，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。

進一步地，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。

進一步地，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。

進一步地，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。