[發(fā)明專利]一種基于深度學(xué)習(xí)的風(fēng)電機(jī)組主軸承溫度預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011552148.8
• 申請(qǐng)日: 2020-12-24
• 公開（公告）號(hào): CN113158535A
• 公開（公告）日: 2021-07-23
• 發(fā)明（設(shè)計(jì)）人: 肖小聰;劉建勛;劉德順;戴巨川
• 申請(qǐng)（專利權(quán)）人: 湖南科技大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06K9/62;G06N3/04;G06N3/08;G06F16/215;G01M13/04;G06Q10/04
• 代理公司: 北京盛凡智榮知識(shí)產(chǎn)權(quán)代理有限公司 11616
• 代理人: 戴龍澤

1.一種基于深度學(xué)習(xí)的風(fēng)電機(jī)組主軸承溫度預(yù)測(cè)方法，其特征在于，包括以下步驟：

(1)、對(duì)收集的風(fēng)場(chǎng)風(fēng)電機(jī)組SCADA系統(tǒng)數(shù)據(jù)進(jìn)行預(yù)處理，即數(shù)據(jù)清洗和數(shù)據(jù)重采樣；

(2)、選擇與主軸承溫度變化相關(guān)的參數(shù)變量，構(gòu)建訓(xùn)練樣本和測(cè)試樣本數(shù)據(jù)集；

(3)、利用訓(xùn)練集數(shù)據(jù)逐個(gè)反復(fù)地訓(xùn)練單個(gè)自編碼模型；

(4)、然后堆疊多個(gè)已經(jīng)訓(xùn)練好的單個(gè)自編碼模型，構(gòu)建一個(gè)基于深度學(xué)習(xí)的堆疊自編碼深度模型，保存逐層獲取的表征主軸承溫度變化特性的特征表示；

(5)、在堆疊自編碼深度模型的頂部添加回歸預(yù)測(cè)層，利用訓(xùn)練數(shù)據(jù)進(jìn)一步微調(diào)整個(gè)深度學(xué)習(xí)模型，并通過測(cè)試集對(duì)訓(xùn)練完成的深度學(xué)習(xí)自編碼模型進(jìn)行測(cè)試，直到滿足主軸承溫度的智能預(yù)測(cè)；

(6)、向訓(xùn)練好的深度學(xué)習(xí)自編碼模型中輸入實(shí)時(shí)的SCADA相關(guān)的監(jiān)測(cè)數(shù)據(jù)值，獲得深度學(xué)習(xí)自編碼模型的輸出結(jié)果，作為主軸承溫度的預(yù)測(cè)值，該值可用于監(jiān)測(cè)主軸承溫度變化的趨勢(shì)。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的風(fēng)電機(jī)組主軸承溫度預(yù)測(cè)方法，其特征在于，所述步驟(1)中的對(duì)數(shù)據(jù)進(jìn)行清洗包括：

利用python等開發(fā)語言，導(dǎo)入csv格式文件，對(duì)無效數(shù)據(jù)、離群點(diǎn)數(shù)據(jù)和缺失數(shù)據(jù)逐條整理和篩選數(shù)據(jù)，最后根據(jù)要求重采樣。

其中x_i代表采樣點(diǎn)的值，采樣頻率是1秒。

3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的風(fēng)電機(jī)組主軸承溫度預(yù)測(cè)方法，其特征在于，所述步驟(2)中的選擇與主軸承溫度變化相關(guān)的參數(shù)變量，訓(xùn)練樣本和測(cè)試樣本數(shù)據(jù)集的構(gòu)建包括：

初步選取與主軸承溫度變化相關(guān)的參數(shù)變量；

利用皮爾遜法對(duì)參數(shù)變量進(jìn)行再次篩選；

利用物理機(jī)理，選取與主軸承溫度變化相關(guān)的最終參數(shù)變量；

參數(shù)變量歸一化處理

將80％的數(shù)據(jù)集作為訓(xùn)練集，20％的數(shù)據(jù)集作為測(cè)試集。

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的風(fēng)電機(jī)組主軸承溫度預(yù)測(cè)方法，其特征在于，所述步驟(4)中的堆疊自編碼深度模型的構(gòu)建包括構(gòu)建一個(gè)基本的自編碼模型AE(Autoencoder)和SSAE(Stacked Sparse Autoencoder)模型。

5.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的風(fēng)電機(jī)組主軸承溫度預(yù)測(cè)方法，其特征在于，所述步驟(3)中的自編碼模型的訓(xùn)練包括：

利用無監(jiān)督學(xué)習(xí)方式，逐個(gè)訓(xùn)練基本的自編碼模型，訓(xùn)練單個(gè)自編碼的數(shù)學(xué)模型可以描述如下：

其中x是輸入向量，h是隱層，J是損失函數(shù)，w和b是模型參數(shù)。

6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的風(fēng)電機(jī)組主軸承溫度預(yù)測(cè)方法，其特征在于，所述步驟(4)中的堆疊自編碼深度模型的構(gòu)建包括：堆疊每個(gè)自編碼模型的隱層表示h_i，組成最終的隱層表征向量h＝[h₂,h₂,……,h_n]，即構(gòu)建SSAE模型。

7.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)的風(fēng)電機(jī)組主軸承溫度預(yù)測(cè)方法，其特征在于，所述步驟(5)中深度學(xué)習(xí)自編碼模型的構(gòu)建包括：

在SSAE頂層添加回歸預(yù)測(cè)層，構(gòu)造最終的預(yù)測(cè)模型SSAE-MLP；利用有監(jiān)督學(xué)習(xí)，訓(xùn)練最終的預(yù)測(cè)模型，模型的損失函數(shù)可表述為：

其中Yact為觀測(cè)值，Ypre為預(yù)測(cè)值，N為樣本個(gè)數(shù)。

8.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的風(fēng)電機(jī)組主軸承溫度預(yù)測(cè)方法，其特征在于，所述步驟(6)中的主軸承溫度值的預(yù)測(cè)包括：

向訓(xùn)練好的深度學(xué)習(xí)自編碼模型中輸入實(shí)時(shí)的SCADA相關(guān)的監(jiān)測(cè)數(shù)據(jù)值，獲得模型的輸出結(jié)果，作為主軸承溫度的預(yù)測(cè)值；對(duì)比實(shí)測(cè)值，監(jiān)測(cè)主軸承運(yùn)行狀況。