[发明专利]一种基于深度学习算法的风机叶片覆冰状态预测方法

权利要求书

1.一种基于深度学习算法的风机叶片覆冰状态预测方法，其特征在于，包括以下步骤：

步骤1：数据集采集、降维处理；

基于主成分分析法对数据指标集进行降维筛选处理，得到M个与风机叶片覆冰关联度高的数据特征；通过SCADA监测系统采集M个相关数据特征历史数据，共采集N组数据，自N组后数据为覆冰状态；

步骤2：数据特征预处理；

对得到的数据特征进行归一化、标准化预处理，得到可用于Bi-LSTM及SVM的训练数据集和测试数据集；

步骤3：Bi-LSTM模型训练及测试评估；

训练数据和测试数据之比选为L:1，利用训练数据集Bi-LSTM神经网络进行模型训练，并用测试数据集进行测试，采用平均绝对误差、平均绝对误差百分比和均方根误差作为模型评价指标，对所设计Bi-LSTM模型预测准确性进行分析；

步骤4：基于Bi-LSTM和SVM模型对风机叶片覆冰状态预测；

对实际采集的风机SCADA数据特征，基于训练完成的Bi-LSTM对数据特征进行短期预测，其次将Bi-LSTM预测输出数据输入训练完成的SVM模型，判断风机叶片短期内是否会出现覆冰故障。

2.如权利要求1所述的一种基于深度学习算法的风机叶片覆冰状态预测方法，其特征在于，步骤1中，基于主成分分析法对数据指标集进行降维筛选处理步骤如下：

1)对数据进行标准化处理；

2)计算标准化矩阵的相关系数矩阵；

R＝(S_ij)_p×p，i,j＝1,2,…_p，公式中R为协方差矩阵；S_ij为协方差矩阵中第i行、第j列所对应的数；

3)基于上述协方差矩阵，计算协方差矩阵的特征值a_i,i＝1,2,…,p和特征向量λ_i,i＝1,2,…,m；

4)计算累积方差贡献率并选择主成分；

公式为主成分的累积方差贡献率表达式，其中B(m)为累积方差贡献率；λ_k为第k个主成分的特征值，m为抽取的主成分数量；

5)主成分得分表达式：

B_i＝α₁y₁+α₂y₂+…+α_py_p

式中：B_i为最终所提取的主成分得分，y_i为特征向量将标准化的数据指标转化为主成分，α_i为主成分的方差贡献率；

最后，将原始数据特征带入主成分表达式，剔除掉主成分得分低的数据特征，主成分得分高的构成新的数据特征集，达到对数据特征降维目的。

3.如权利要求1所述的一种基于深度学习算法的风机叶片覆冰状态预测方法，其特征在于，步骤2中，数据特征预处理，为使数据特征形式符合Bi-LSTM神经网络模型的输入规范，采用归一化和标准化对数据进行预处理；将数据特征的上限设为1，下限设为0，表达式如下，

式中：Z′为预处理后的数据特征；Z为原始数据；Z_max、Z_min分别为数据特征中的最大值和最小值；

对于范围模糊的数据，进行标准化处理，降低异常数据带来的不利影响，即将数据特征的均值转化为0，方差转化为1，即

式中：β、δ分别是数据特征的均值和标准差。