[发明专利]一种风机结冰检测模型的构建方法及其应用

权利要求书

1.一种风机结冰检测模型的构建方法，其特征在于，包括以下步骤：

S1、基于不同环境温度和风力输出条件下对不同风机采集到的风机监测数据构建训练样本集；其中，所述训练样本集包括带标签的样本和不带标签的样本；所述带标签的样本构成源域数据集，所述不带标签的样本构成目标域数据集；所述标签用于表示样本所对应的风机是否结冰；

S2、构造风机结冰检测模型的结构；所述风机结冰检测模型包括第一GAN模型、第二GAN模型、融合层、CNN模型、第一域自适应网络和第二域自适应网络；所述第一GAN模型和所述第二GAN模型相互并联，且均通过所述融合层与所述CNN模型连接；所述CNN模型中的批归一化层以及第一全连接层分别与所述第一域自适应网络和所述第二域自适应网络相连；

S3、采用所述源域数据集中的非结冰样本训练所述第一GAN模型；采用所述源域数据集中的结冰样本训练所述第二GAN模型；

S4、以最小化源域数据集中各样本的预测标签和真实标签的差异、最大化源域数据集中结冰样本与非结冰样本的分布差异以及最小化源域数据与目标域数据的分布差异为目标，采用所述训练样本集训练所述风机结冰检测模型。

2.根据权利要求1所述的风机结冰检测模型的构建方法，其特征在于，所述风力输出小于或等于预设风力输出；

所述风机监测数据包括：工况参数、环境参数和状态参数；

所述工况参数包括：叶片角度、叶片速度、变桨电机温度、发电机转速、网侧有功功率、机舱温度、充电器温度、充电器直流电流、风机轴承振动的轴向加速度以及与轴向方向垂直的水平加速度；

所述环境参数包括：风速、25秒平均风向角、风机偏航位置、风机偏航速度和环境温度；

所述状态参数包括：风机在结冰期间显示增长趋势的第一比率、第二比率和第三比率、以及风机机舱舱内温度和环境温度之差、发电机扭矩、发电机功率系数、发电机推力系数、以及发电机速度与风速的比值；

其中，所述第一比率所述第二比率所述第三比率κ_w2gs＝(κ_w2p+1)(κ_w2gs+1)-1；v_ws为风速，p为发电机功率，v_gs为发电机速度；所述发电机扭矩所述发电机功率系数所述发电机推力系数

3.根据权利要求1所述的风机结冰检测模型的构建方法，其特征在于，所述步骤S4中训练所述风机结冰检测模型的方法，包括：

S41、将所述源域数据集中的样本分别输入到所述第一GAN模型和所述第二GAN模型中，同时将所述目标域数据集中的样本分别输入到所述第一GAN模型和所述第二GAN模型中；

S42、基于所述第一GAN模型分别获取所述源域数据集和所述目标域数据集中样本的非结冰分布特征，并输出到所述融合层中；

基于所述第二GAN模型获取所述源域数据集和所述目标域数据集中样本的结冰分布特征，并输出到所述融合层中；

S43、基于所述融合层将所述源域数据集中样本的非结冰分布特征和结冰分布特征进行融合，并输出到所述CNN模型中进行深层次的特征提取，得到源域数据集中样本的深层特征，并进一步得到源域数据集中样本的预测标签，进而得到源域数据集中样本的预测标签和真实标签的差异；将所述源域数据集中样本的深层特征分别输出到所述第一域自适应网络中和所述第二域自适应网络中；

基于所述融合层将目标域数据集中样本的非结冰分布特征和结冰分布特征进行融合，并输出到所述CNN模型中进行深层次的特征提取，得到目标域数据集中样本的深层特征，并分别输出到所述第二域自适应网络中；

S44、基于源域数据集中结冰样本和非结冰样本的深层特征，采用所述第一域自适应网络计算源域数据集中结冰样本与非结冰样本的分布差异距离；

基于源域数据集和目标域数据集中样本的深层特征，采用所述第二域自适应网络计算源域数据与目标域数据的分布差异距离；

S45、基于所述源域数据集中样本的预测标签和真实标签的差异、所述源域数据集中结冰样本与非结冰样本的分布差异距离和源域数据与所述目标域数据的分布差异距离计算风机结冰检测模型的损失值；

S46、基于所述风机结冰检测模型的损失值对所述风机结冰检测模型中的参数进行更新；

S47、重复步骤S41-S46，直至所述风机结冰检测模型的损失值最小，此时所述风机结冰检测模型训练完成。