[发明专利]基于集成深度神经网络的风力发电机叶片结冰诊断方法

摘要

本发明提出了一种基于集成深度神经网络的风力发电机叶片结冰诊断方法，主要解决现有技术检测风力发电机叶片故障情况时需要额外加装设备，成本高、检测准确性低的问题。其实现步骤包括：1)采集风力发电机运行的历史数据；2)对历史数据进行预处理；3)对预处理后的历史数据进行数据平衡处理，获得训练数据集；4)构建集成深度神经网络并利用训练数据集对其进行训练；5)对新流入风力发电机的实时数据进行数据预处理；6)将经过预处理后的实时数据输入训练后的集成深度神经网络模型，进行叶片结冰状态的诊断。本发明在不引入其他测量设备的前提下，实现对风力发电机叶片结冰的实时监测，并大大提高了风力发电机叶片结冰诊断的准确率。

主权项

1.一种基于集成深度神经网络的风力发电机叶片结冰诊断方法，其特征在于包括如下步骤：(1)采集风力发电机运行的历史数据；(2)对采集到的历史数据进行数据预处理，得到预处理后的历史数据；(3)对预处理后的历史数据进行数据平衡处理，获得训练数据集x_label；(4)构建集成深度神经网络并利用训练数据集x_label对其进行训练，获取训练后的集成深度神经网络模型，具体如下：(4a)搭建堆栈式自编码器模型的基本结构：设定堆栈式自编码器模型的个数L、每个自编码器的输入层节点数ul以及隐层节点数vl，其中l＝1,2,…,L，L≥3且为奇数，第k个堆栈式自编码器模型的编号为lk，且k＝1,2,...,L；第一个自编码器的输出层节点数u1等于训练数据集的特征个数，第一个之后自编码器的输入层节点数ut与其前一个自编码器的隐含层节点数vt‑1相等，其中t＝2,3，…,L；(4b)训练堆栈式自编码器模型：(4b1)令k＝1；(4b2)训练编号为lk的自编码器模型：(4b2a)初始化权重矩阵W，学习率η及偏移向量b'、b”，并设定最大循环次数为I；(4b2b)去除训练数据集x_label的类标签，得到无标签训练数据集x：x＝{xi,其中x∈Ru,i∈{0,1,2,……,n‑1,n}}，其中，n为训练数据集的样本个数，i为样本序号，u为每个样本对应空间向量的维度；将无标签训练数据集x作为编号lk的自编码器模型的输入；(4b2c)根据如下公式计算得到编号为lk的自编码器模型隐含层的输出yk：根据如下公式计算得到编号为l_k的自编码器模型输出层的输出其中，WT为权重矩阵W的转置；(4b2d)令j＝1；(4b2e)根据公式更新参数，其中为编号为l_k的自编码器模型输出层的输出中样本序号为i的向量；W_j+1,b'_j+1,b”_j+1为第j次参数更新的结果；(4b2f)判断j是否等于I，若是，则取第I次参数更新的结果得到训练后编号为lk的自编码器模型l'k并进入步骤(4b3)；反之对j加1后返回步骤(4b2e)；(4b3)将上一步训练后编号为lk的自编码器模型l'k的隐含层hk作为编号为lk+1的自编码器模型的输入层，重复步骤(4b2c)‑(4b2f)得到编号lk+1训练后的自编码器模型l'k+1；(4b4)判断k是否等于L‑1，若是则得到训练后的堆栈式自编码器模型Q；反之，对k加1后返回步骤(4b3)；(4c)搭建集成深度神经网络模型并进行训练：(4c1)令k＝1；(4c2)提取训练后的堆栈式自编码器模型Q中前k个自编码器模型，得到仅包含有k个自编码器模型的堆栈式自编码器模型Nk，在模型Nk的最后一个自编码器模型的隐含层hk后面连接一个Softmax分类器mk，并将模型Nk与Softmax分类器mk作为集成深度神经网络模型的第lk个基分类器；(4c3)训练第lk个基分类器：定义假设函数hθ(X(i))表达式如下：其中：·^T为转置操作，为类标签的取值，为类标签的取值为时数据样本属于该类的概率值；将训练数据集x_label作为第lk个基分类器的输入，利用BP算法对该基分类器进行训练，然后得到经过微调的自编码器模型以及参数θ，从而完成第lk个基分类器的训练；(4c4)判断k是否等于L，若是，则完成对L个基分类器的训练，即得到训练后的集成深度神经网络模型；反之，对k加1后返回步骤(4c2)；(5)对新流入风力发电机的实时数据进行数据预处理，得到预处理后的实时数据data；(6)将经过预处理后的实时数据data输入训练后的集成深度神经网络模型中，通过该模型对风力发电机的叶片结冰状态进行诊断。