[發明專利]基于多尺度時序數據融合模型的發電機組運行參數預測方法、裝置及存儲介質

在審

• 申請號: 202210680101.2
• 申請日: 2022-06-16
• 公開（公告）號: CN115204035A
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 魏祥龍;劉惠義
• 申請（專利權）人: 河海大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 嚴志平

1.一種基于多尺度時序數據融合模型的發電機組運行參數預測方法，其特征在于，所述多尺度時序數據融合模型包括數據去噪模塊和數據融合模塊，所述數據去噪模塊包括降噪自動編碼器，所述數據融合模塊包括一維深度卷積神經網絡和雙向長短期記憶網絡，所述一維深度卷積神經網絡包括卷積層、池化層和全連接層，所述雙向長短期記憶網絡嵌入到一維深度卷積神經網絡中；

所述發電機組運行參數預測方法包括：

采集影響發電機組運行方式的各運行參數的實時數據，并進行預處理；

將預處理后的各運行參數的實時數據輸入預先訓練好的多尺度時序數據融合模型中，獲取發電機組各運行參數的預測結果。

2.根據權利要求1所述的基于多尺度時序數據融合模型的發電機組運行參數預測方法，其特征在于，各所述運行參數包括發電機組的流量、揚程、轉速和功率。

3.根據權利要求2所述的基于多尺度時序數據融合模型的發電機組運行參數預測方法，其特征在于，所述多尺度時序數據融合模型的訓練過程包括以下步驟：

步驟2.1:初始化多尺度時序數據融合模型的模型參數；

步驟2.2:采集發電機組不同時間尺度的各運行參數的歷史數據，降噪自動編碼器對所采集的歷史數據進行去噪重建后更新得到清潔的時序數據；

步驟2.3:一維深度卷積神經網絡對所述時序數據進行特征提取后得到包含空間特征、短期時間特征的特征圖；

步驟2.4:將所述特征圖進行平鋪Flatten操作后輸入所述雙向長短期記憶網絡中，進一步提取所述特征圖中時序數據的長期時間特征；

步驟2.5:一維深度卷積神經網絡中的全連接層對所述時序數據的空間特征、短期時間特征、長期時間特征進行融合處理后得到的融合值作為該模型的預測值；

步驟2.6:重復步驟2.2至步驟2.5進行迭代訓練并同時更新模型的網絡參數，直至模型的損失函數值符合設定要求時停止訓練，得到訓練好的多尺度時序數據融合模型。

4.根據權利要求3所述的基于多尺度時序數據融合模型的發電機組運行參數預測方法，其特征在于，所述初始化多尺度時序數據融合模型的模型參數包括：

采集不同水電站的發電機組的運行參數數據對模型進行預訓練；

將預訓練后得到的模型參數作為所述多尺度時序數據融合模型的初始參數。

5.根據權利要求3所述的基于多尺度時序數據融合模型的發電機組運行參數預測方法，其特征在于，所述降噪自動編碼器對所采集的歷史數據進行去噪重建的方法包括以下步驟：

步驟a:對所采集歷史數據進行標準歸一化處理；

步驟b:降噪自動編碼器中的輸入層對所述歸一化處理后的數據進行加噪處理，從而得到含噪聲的輸入數據；

步驟c:通過編碼函數將所述含噪聲的輸入數據映射到所述降噪自動編碼器中的隱藏層得到特征表達；

步驟d:利用解碼函數將所得到的特征表達映射到所述降噪自動編碼器中的輸出層；

步驟e：重復步驟b至步驟d，通過最小代價化函數對所述降噪自動編碼器的參數進行迭代更新直至函數收斂，重構得到清潔的時序數據。

6.根據權利要求3所述的基于多尺度時序數據融合模型的發電機組運行參數預測方法，其特征在于，所述一維深度卷積神經網絡對所述清潔的時序數據進行特征提取的方法包括：

所述卷積層對所述時序數據進行卷積操作提取特征，池化層對提取到的特征進行壓縮降維從而減少網絡的計算量；

其中，所述卷積層提取特征的計算公式為：

Z^l＝σ(Z^l-1W^l+b^l) (1)

式中，l表示卷積層的層數，Z^l-1表示第l-1層輸出的特征圖，W^l和b^l分別為第l層的卷積核的權重和偏差，σ表示激活函數，Z^l表示第l層輸出的特征圖，所述特征圖包括輸入的時序數據的空間特征和短期時間特征。