[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

本發明公布了一種基于深度神經網絡的風電機葉片結冰預測方法，具體步驟如下：S1采集葉片在未結冰和不同結冰質量狀態下的前6階固有頻率作為樣本數據；S2將樣本數據分為訓練樣本和測試樣本，并進行歸一化預處理；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；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?，來評價網絡模型的預測效果。本發明實現了葉片結冰質量預測準確性的技術效果，可靠性高，可為風力機葉片結冰監測提供新手段。

技術領域

本發明涉及風機故障診斷領域，特別涉及一種基于深度神經網絡的風力機葉片結冰預測方法。

背景技術

風力機普遍分布在寒冷潮濕的高山以及風資源豐富的沿海地帶，當遇到雨雪等極端天氣，葉片不可避免會出現不同程度的結冰現象，葉片結冰不僅會改變葉片的氣動性能導致發電效率降低，而且葉片上不均勻質量分布的冰層也會造成風力機的不穩定運行，嚴重時導致葉片折斷等。因此，開展風力機葉片結冰的預測對提高風力機組的經濟性、發電效率和可靠性具有重要意義。

目前，常見的風力機葉片結冰監測主要通過安裝相應的傳感器來檢測葉片結冰導致的物理變化來判斷葉片是否結冰，如振動測量、壓電陶瓷等方法。近年來，隨著人工智能深度學習的不斷發展，使得將神經網絡運用于葉片結冰監測領域成為一種可能，可以避免傳統監測的繁瑣過程。通過對葉片結冰提早預測，進而采取有效措施，降低葉片結冰對風力機的影響。

發明內容

本發明為了彌補現有技術的不足，提供了一種基于深度神經網絡的風力機葉片結冰預測方法。

本發明是通過如下技術方案實現的：一種基于深度神經網絡的風力機葉片結冰預測方法，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)