[發明專利]一種基于深度神經網絡的風力機葉片結冰預測方法

在審

• 申請號: 202310280158.8
• 申請日: 2023-03-21
• 公開（公告）號: CN116579383A
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 崔紅梅;李忠陽;李飛宇;孫兵川;張永;王健;樊騰;李永浩;羅立達
• 申請（專利權）人: 內蒙古農業大學
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06F18/20;G06F18/10;G06F18/214;F03D80/40
• 代理公司: 濟南泉城專利商標事務所 37218
• 代理人: 張貴賓

1.一種基于深度神經網絡的風力機葉片結冰預測方法，其特征在于：包括以下步驟：

S1：獲取葉片在未結冰和不同結冰質量狀態下相對應的前6階固有頻率，并構建數據樣本；

S2：將S1得到的樣本數據分為訓練樣本和測試樣本，并進行歸一化預處理：

歸一化預處理公式為：

其中，T_norm為歸一化后數據，T為原始數據，T_max、T_min分別為原始數據的最大值和最小值；

S3：搭建深度神經網絡預測模型，選用激活函數ReLU，損失函數MSE和MAE，優化器Adam，以前6階固有頻率作為輸入因子，以葉片結冰質量作為輸出因子，并利用訓練樣本對深度神經網絡進行訓練；

該深度神經網絡包含輸入層、隱藏層、輸出層，其中，輸入層有6個神經元，x₁,x₂,x₃,x₄,x₅,x₆，分別對應輸入數據的前6階固有頻率；隱藏層設置4層；輸出層為1個神經元，y表示結冰質量，數學模型表示為：

y₁＝R(w₁x+b₁)

其中，w₁，b₁表示輸入層至第一層隱藏層的權重與偏置向量，x為輸入數據，R表示激活函數，y₁為第一層隱藏層的輸出；

設第i層隱藏層的輸出為：

y_i＝R(w_iy_i-1+b_i)

最后，經輸出層的輸出為：y＝R(w₅y₄+b₅)

式中，w₅，b₅表示最后一層隱藏層與輸出層的權重與偏置向量；S4：.將S3得到葉片結冰質量的預測值，計算深度神經網絡預測得到的葉片結冰質量與實際葉片結冰質量的相對誤差ε，來評價網絡模型的預測效果：

式中，U_i為實際結冰質量，U_j為深度神經網絡模型預測的結冰質量。

2.根據權利要求1所述的一種基于深度神經網絡的風力機葉片結冰預測方法，其特征在于：所述步驟S2中，按照比例8:2隨機劃分為訓練樣本和測試樣本。

3.根據權利要求1所述的一種基于深度神經網絡的風力機葉片結冰預測方法，其特征在于：所述步驟S3中，激活函數ReLU，

其中ReLU函數指輸入小于0時輸出0，輸入大于0時輸出等于輸入；

其中，P_i為預測值，R_i為真實值。