[發明專利]一種基于深度學習算法的風機葉片覆冰狀態預測方法

有效

• 申請號: 202110089240.3
• 申請日: 2021-01-22
• 公開（公告）號: CN112734131B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 熊昌全;何澤其;張宇寧;黃勝
• 申請（專利權）人: 國家電投集團四川電力有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06Q10/067;G06N3/0442
• 代理公司: 成都時譽知識產權代理事務所(普通合伙) 51250
• 代理人: 葉斌

1.一種基于深度學習算法的風機葉片覆冰狀態預測方法，其特征在于，包括以下步驟：

步驟1：數據集采集、降維處理；

基于主成分分析法對數據指標集進行降維篩選處理，得到M個與風機葉片覆冰關聯度高的數據特征；通過SCADA監測系統采集M個相關數據特征歷史數據，共采集N組數據，自N組后數據為覆冰狀態；

步驟2：數據特征預處理；

對得到的數據特征進行歸一化、標準化預處理，得到可用于Bi-LSTM及SVM的訓練數據集和測試數據集；

步驟3：Bi-LSTM模型訓練及測試評估；

訓練數據和測試數據之比選為L:1，利用訓練數據集Bi-LSTM神經網絡進行模型訓練，并用測試數據集進行測試，采用平均絕對誤差、平均絕對誤差百分比和均方根誤差作為模型評價指標，對所設計Bi-LSTM模型預測準確性進行分析；

步驟4：基于Bi-LSTM和SVM模型對風機葉片覆冰狀態預測；

對實際采集的風機SCADA數據特征，基于訓練完成的Bi-LSTM對數據特征進行短期預測，其次將Bi-LSTM預測輸出數據輸入訓練完成的SVM模型，判斷風機葉片短期內是否會出現覆冰故障。

2.如權利要求1所述的一種基于深度學習算法的風機葉片覆冰狀態預測方法，其特征在于，步驟1中，基于主成分分析法對數據指標集進行降維篩選處理步驟如下：

1)對數據進行標準化處理；

2)計算標準化矩陣的相關系數矩陣；

R＝(S_ij)_p×p，i,j＝1,2,…_p，公式中R為協方差矩陣；S_ij為協方差矩陣中第i行、第j列所對應的數；

3)基于上述協方差矩陣，計算協方差矩陣的特征值a_i,i＝1,2,…,p和特征向量λ_i,i＝1,2,…,m；

4)計算累積方差貢獻率并選擇主成分；

公式為主成分的累積方差貢獻率表達式，其中B(m)為累積方差貢獻率；λ_k為第k個主成分的特征值，m為抽取的主成分數量；

5)主成分得分表達式：

B_i＝α₁y₁+α₂y₂+…+α_py_p

式中：B_i為最終所提取的主成分得分，y_i為特征向量將標準化的數據指標轉化為主成分，α_i為主成分的方差貢獻率；

最后，將原始數據特征帶入主成分表達式，剔除掉主成分得分低的數據特征，主成分得分高的構成新的數據特征集，達到對數據特征降維目的。

3.如權利要求1所述的一種基于深度學習算法的風機葉片覆冰狀態預測方法，其特征在于，步驟2中，數據特征預處理，為使數據特征形式符合Bi-LSTM神經網絡模型的輸入規范，采用歸一化和標準化對數據進行預處理；將數據特征的上限設為1，下限設為0，表達式如下，

式中：Z′為預處理后的數據特征；Z為原始數據；Z_max、Z_min分別為數據特征中的最大值和最小值；

對于范圍模糊的數據，進行標準化處理，降低異常數據帶來的不利影響，即將數據特征的均值轉化為0，方差轉化為1，即

式中：β、δ分別是數據特征的均值和標準差。