[发明专利]NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法

权利要求书

1.一种NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法，其特征是：该方法包括如下步骤：

步骤1，收集风机历史振动信号样本数据，用来构建样本数据库，分出训练集与测试集；

步骤2，对训练集原子进行傅里叶变化在频域使用1D CNN提取振动特征参量；

步骤3，将训练集特征参量输入BiLSTM模型进行建模；

步骤4，用NMS-RLM改进黏菌算法寻找最优参数。判断模型是否达到最佳适应度，若未达到，则重复寻找最优参数进行迭代，直至获得最优超参数模型。

步骤5，将测试集原子输入最优超参数模型，对风电机组进行状态趋势预测。

2.根据权利要求1所述的NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法，其特征是：所述步骤1中的样本数据来源于实际工程中风机振动信号，将信号分为训练集与测试集两部分，训练集用来训练模型，测试集用来特征预测。

3.根据权利要求1所述的NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法，其特征是：将训练集原子输入步骤2的1D CNN提取振动特征参量，CNN的局部感知和权值共享可以大大减少参数的数量，从而提高学习模型的效率，卷积层之后的池化层可以降低特征维数，保留强特征，降低网络的训练成本。

4.根据权利要求1所述的NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法，其特征是：将所提取的特征参量输入步骤3的NMS-RLM改进黏菌算法优化参数的BiLSTM模型进行建模，BiLSTM模型的输出值是由正向和反向隐含层共同决定，公式(1)为正向隐含层的输出，公式(2)为反向隐含层的输出：

式(1)中，为单元隐含层输出权重；为前一时刻到当前时刻状态量的权重；为偏置；为前一时刻隐含层状态输出值。

5.根据权利要求1所述的NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法，其特征是：通过步骤4中NMS-RLM改进黏菌算法为BiLSTM模型寻找最优参数包括以下步骤：

(1)初始化，通过公式(3)随机生成初始种群。

其中popsize表示人口规模，表示群体中的第i个个体，rand是[0，1]中的一个随机数，UB和LB表示上限和下限。

(2)种群更新，种群的位置根据食物来源的浓度通过公式(4)计算进行调整，参数a、p、vb、vc不断更新；

式中：的范围为[-a，a]；从1到0线性递减；为当前寻找到的最高适应度值个体的位置；为黏菌的位置；为从黏菌中随机挑选的两个个体；为黏菌的权重；

(3)NMs本地搜索；

a)计算每个单位适应度值，将其按顶点适应度值的递增顺序排序，找到适应度排名前两位的顶点位置X_g和X_p，根据公式(5)计算其中心点的位置；

X_c＝(X_g+X_p)/2    (5)

b)基于反射系数r和等式(6)，计算反射点位置X_r，以获得适应度函数值f(X_r)：

X_r＝X_c+r·(X_c-X_w)    (6)

c)若f(X_r)＜f(X_g)，表示反射方向正确，此时进入展开阶段，使用公式(7)获得展开点X_y。然后比较X_y和X_g的适应度函数值，如果X_y的适应度函数值较小，则X_w＝X_y；相反，X_w＝X_r；

若f(X_r)＜f(X_g)，表示反射方向不正确，。此时进入压缩阶段，使用公式(8)获得压缩点X_ic；如果X_ic小于X_w的适应度函数的值，那么X_ic＝X_w；

若f(X_r)＞f(X_w)＞f(X_p)；此时进入收缩阶段，使用公式(9)获得收缩点X_oc；如果X_oc小于X_w的适应度函数的值，那么X_w＝X_oc；相反，X_w＝X_r；

X_ic＝X_c+β(X_r-X_c)    (8)

X_oc＝X_r+σ(X_ic-X_r)    (9)

式中，为膨胀系数，β为压缩系数，σ为收缩系数。

d)用X_w替换最差的解X_g；

(4)在SMA更新后，我们将执行RLM，帮助算法避免陷入局部最优，从而避免陷入局部最优，通过公式(9)随机选择人群中的三个不同个体，使用这三个不同的个体更新人群；

(5)重复步骤(2)～(4)，直到满足终止条件并输出最佳解决方案。

6.根据权利要求1所述的NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法，其特征是，所述步骤5中得到最优超参数模型模型后，将测试集原子输入，对风电机组进行状态趋势预测。