CN112633558A - 一种风机叶片结冰状态检测方法、装置及可读存储介质 - Google Patents
一种风机叶片结冰状态检测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112633558A CN112633558A CN202011424199.2A CN202011424199A CN112633558A CN 112633558 A CN112633558 A CN 112633558A CN 202011424199 A CN202011424199 A CN 202011424199A CN 112633558 A CN112633558 A CN 112633558A
- Authority
- CN
- China
- Prior art keywords
- hidden layer
- network model
- belief network
- neuron
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 79
- 230000004913 activation Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000000523 sample Substances 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000012520 frozen sample Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种风机叶片结冰状态检测方法、装置及计算机可读存储介质，所述方法包括以下步骤：获取风力发电厂实际运行的SCADA数据，得到特征数据集，对所述数据集进行归一化处理，得到归一化后的数据集；构建扩展深度信念网络模型，利用所述归一化后的数据集对所述扩展深度信念网络模型进行训练，并利用代价敏感学习对扩展深度信念网络模型进行优化，得到用于结冰检测的扩展深度信念网络模型；采集需要检测的SCADA数据，将所述需要检测的SCADA数据输入至用于结冰检测的扩展深度信念网络模型中，得到结冰状态检测结果。本发明所述的风机叶片结冰状态检测方法，提高了风机叶片结冰状态检测的准确度。
Description
技术领域
本发明涉及风机叶片技术领域，尤其涉及一种风机叶片结冰状态检测方法、装置及计算机可读存储介质。
背景技术
风能作为一种清洁的可再生能源，越来越受到世界各国的重视，在此情况下风力发电机组被广泛利用；相关研究表明，风机叶片一旦结冰之后会影响风机叶片的固有模态参数、改变风机叶片的翼型，进而会降低风机的运行稳定性和发电效率，而且冰层滑落之后容易造成人员伤亡。因此，对叶片结冰进行早期的检测可以有效提高风机的运行稳定性和发电效率。现有关于风机叶片结冰状态检测方案的存在原始数据相关信息容易丢失，导致检测准确度不高。
发明内容
有鉴于此，有必要提供一种风机叶片结冰状态检测方法、装置及计算机可读存储介质，用以解决现有技术中风机叶片结冰状态检测准确度不高的问题。
本发明提供一种风机叶片结冰状态检测方法，包括以下步骤：
获取风力发电厂实际运行的SCADA数据，得到特征数据集，对所述数据集进行归一化处理，得到归一化后的数据集；
构建扩展深度信念网络模型，利用所述归一化后的数据集对所述扩展深度信念网络模型进行训练，并利用代价敏感学习对扩展深度信念网络模型进行优化，得到用于结冰检测的扩展深度信念网络模型；
采集需要检测的SCADA数据，将所述需要检测的SCADA数据输入至用于结冰检测的扩展深度信念网络模型中，得到结冰状态检测结果。
进一步地，对所述数据集进行归一化处理，得到归一化后的数据集，具体包括，利用归一化公式对所述数据集的数据进行归一化，得到归一化后的数据集，所述归一化公式为
其中，X0为需要进行归一化的数据，X1为归一化后的数据，Xmax为一维数据中的最大值，Xmin为一维数据中的最小值。
进一步地，利用所述归一化后的数据集对所述扩展深度信念网络模型进行训练，具体包括，在归一化的数据集取出一组数据作为输入向量，将所述输入向量输入至扩展深度信念网络模型中，并计算隐藏层神经元被激活的概率，根据隐藏层神经元被激活的概率确定隐藏层神经元的取值，更新扩展深度信念网络模型中连接权重值、可视层与隐藏层的偏置值。
进一步地，所述计算隐藏层神经元被激活的概率，具体包括，
通过激活概率公式计算隐藏层神经元被激活的概率，所述激活概率公式为
其中，p(hj＝1|h)为隐藏层神经元被激活的概率，σ为激活函数，h为隐藏层神经元变量，bj为隐藏层b中第j个神经元的偏置值，wi,j为隐藏层b中第j个神经元与可见层a中第i个神经元的权重值，vi为输入向量。
进一步地，根据隐藏层神经元被激活的概率确定隐藏层神经元的取值，具体包括，若隐藏层神经元被激活的概率大于或等于设定阈值，则该隐藏层神经元处于激活状态，其取值为1，若隐藏层神经元被激活的概率小于设定阈值，则该隐藏层神经元处于未激活状态，其取值为0。
进一步地，所述更新扩展深度信念网络模型中连接权重值、可视层与隐藏层的偏置值，具体包括，根据隐藏层神经元的取值反推可见层神经元的取值，得到重构误差，根据重构误差更新扩展深度信念网络模型中连接权重值、可视层与隐藏层的偏置值。
进一步地，所述利用代价敏感学习对扩展深度信念网络模型进行优化，具体包括，以未结冰样本为正类样本，以结冰样本为负类样本，以误分类代价为目标函数，采用自适应差分进化算法优化目标函数，得到最优的误分类代价，将所述最优的误分类代价作用于扩展深度信念网络模型的输出层。
进一步地，所述风机叶片结冰状态检测方法还包括，以准确率Acc作为误分类代价的评价指标，
其中，TP表示正确识别为正类样本的数量，TN表示错误识别为正类样本的数量，FN表示错误识别为负类样本的数量，TN表示正确识别为负类样本的数量。
本发明还提供了一种风机叶片结冰状态检测装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的风机叶片结冰状态检测方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的风机叶片结冰状态检测方法。
与现有技术相比，本发明的有益效果包括：通过获取风力发电厂实际运行的SCADA数据，得到特征数据集，对所述数据集进行归一化处理，得到归一化后的数据集；构建扩展深度信念网络模型，利用所述归一化后的数据集对所述扩展深度信念网络模型进行训练，并利用代价敏感学习对扩展深度信念网络模型进行优化，得到用于结冰检测的扩展深度信念网络模型；采集需要检测的SCADA数据，将所述需要检测的SCADA数据输入至用于结冰检测的扩展深度信念网络模型中，得到结冰状态检测结果；提高了风机叶片结冰状态检测的准确度。
附图说明
图1为本发明提供的风机叶片结冰状态检测方法的流程示意图；
图2为本发明提供的水平加速度和垂直加速度散点图；
图3为本发明提供的部分特征数据集。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
本发明实施例提供了一种风机叶片结冰状态检测方法，其流程示意图，如图1所示，所述方法包括以下步骤：
S1、获取风力发电厂实际运行的SCADA数据，得到特征数据集，对所述数据集进行归一化处理，得到归一化后的数据集；
S2、构建扩展深度信念网络模型，利用所述归一化后的数据集对所述扩展深度信念网络模型进行训练，并利用代价敏感学习对扩展深度信念网络模型进行优化，得到用于结冰检测的扩展深度信念网络模型；
S3、采集需要检测的SCADA数据，将所述需要检测的SCADA数据输入至用于结冰检测的扩展深度信念网络模型中，得到结冰状态检测结果。
一个具体实施例中，获取风力发电场实际运行的SCADA(数据采集与监视控制系统)数据，剔除数据集中与叶片结冰关联度较低的特征，得到特征数据集；
需要说明的是，可以通过数据采集与监视控制系统可以获得风机运行时的相关数据，所述特征数据集就是提出原数据中的一些列(特征)所得到的数据集，
特征数据集的字段及含义，如表1所示，
表1
原数据集中数据集中共有29个参数，即特征，通过可视化分析绘制相关参数与结冰状态的散点图剔除部分数据，
一个具体实施例中，水平加速度和垂直加速度散点图，如图2所示，由图2可以看出，SCADA系统所采集的水平方向加速度值和垂直方向加速度值数量较小，从侧面反映出采集这两个特征的传感器的灵敏度并不是很高，所以导致风机的垂直方向加速度值和水平在一定范围内都被采集为一个值；从所采集到的数据可以看出，水平方向加速度值和垂直方向加速度值在正常数据和结冰数据中有大量重叠的部分，所以并不能够做为区分叶片结冰的特征，为了减少计算的复杂度，从数据集中剔除这两个特征；
同时还发现三个风机叶片的角度以及三个电机的温度这些参数，与叶片结冰的关联度较低，将其从数据集中剔除；另外，数据集还包括记录的时间以及组别信息，对模型的训练没有任何作用，将他们从数据集中剔除；参数中还包括叶片结冰的标签信息，标签0为叶片处于未结冰状态，标签1为叶片处于结冰状态；经过上述处理后数据集变为包含18个特征的数据集a，即特征数据集；
优选的，对所述数据集进行归一化处理，得到归一化后的数据集，具体包括，利用归一化公式对所述数据集的数据进行归一化，得到归一化后的数据集，所述归一化公式为
其中，X0为需要进行归一化的数据，X1为归一化后的数据，Xmax为一维数据中的最大值，Xmin为一维数据中的最小值；
需要说明的是，所述一维数据即为特征数据集中的一个参数的一系列数，如图3所示为部分特征数据集，一维数即为图3中的一列数；
经过这一步之后特征数据集中的所有数据的值全部被压缩到[0,1]之间，如果X1取值大于或等于0.5，则用“1”代替X1的值，如果X的取值小于0.5，则用“0”代替X1的值，经过这一步处理后的数据集中只包含“0”和“1”两个数值，此时的数据集记录为b，即归一化后的数据集；
优选的，利用所述归一化后的数据集对所述扩展深度信念网络模型进行训练，具体包括，在归一化的数据集取出一组数据作为输入向量，将所述输入向量输入至扩展深度信念网络模型中，并计算隐藏层神经元被激活的概率，根据隐藏层神经元被激活的概率确定隐藏层神经元的取值，更新扩展深度信念网络模型中连接权重值、可视层与隐藏层的偏置值；
一个具体实施例中，由于风机叶片结冰问题属于典型的二分类问题，即只需要把叶片分为结冰状态和未结冰状态，采用深度信念网络(Deep Belief Network，DBN)来完成分类任务，为了解决深度信念网络随网络层数的增加原始数据所提供的信息逐渐减少的问题，选择扩展深度信念网络来完成分类任务；模型输入向量为v＝[v1,v2,…,vn]，n为保留的特征数，因为保留的特征数为18，所以n取18，即扩展深度信念网络中可视层神经元的数量为18个，向量中每一维的取值均为0或1；由于风机叶片结冰检测属于二分类问题，则输出层神经元数量为两个；通过对比发现3层隐藏层的扩展深度信念网络分类效果较好，确定扩展深度信念网络的隐藏层层数为3；
神经网络中的隐藏层的神经元数量可以根据以下公式来确定，
上式中，h表示隐藏层神经元的数量，m和n分别表示输入层和输出层的神经元数量，a为0-10之间的调节常数，取6，经计算得出隐藏层神经元的数量取值为10；
由于扩展深度信念网络从第二个输入层开始，需要加上原始数据，所以每一层神经元多18个，即隐藏层结构为[18,18,18]；
优选的，所述计算隐藏层神经元被激活的概率，具体包括，
通过激活概率公式计算隐藏层神经元被激活的概率，所述激活概率公式为
其中，p(hj＝1|h)为隐藏层神经元被激活的概率，σ为激活函数，h为隐藏层神经元变量，bj为隐藏层b中第j个神经元的偏置值，wi,j为隐藏层b中第j个神经元与可见层a中第i个神经元的权重值，vi为输入向量。
一个具体实施例中，将归一化后的数据集输入到扩展深度信念网络模型中进行训练，首先需要将归一化后的数据集取出一组数据作为输入向量，所述一组数据即为一维数据，然后，将输入向量输入到扩展深度信念网络模型中计算隐藏层神经元被激活的概率；
式中，vi为输入向量，也是扩展深度信念网络模块的可见层变量，h为隐藏层变量，wi，j为隐藏层b中第j个神经元与可见层a中第i个神经元的权重值，其初始值取0，bj为隐藏层b中第j个神经元的偏置值，其初始值取0，σ为激活函数；
优选的，根据隐藏层神经元被激活的概率确定隐藏层神经元的取值，具体包括，若隐藏层神经元被激活的概率大于或等于设定阈值，则该隐藏层神经元处于激活状态，其取值为1，若隐藏层神经元被激活的概率小于设定阈值，则该隐藏层神经元处于未激活状态，其取值为0；
一个具体实施例中，激活函数σ为sigmoid型激活函数
式中，x为神经元的的输入，σ设定阈值为0.5，若隐藏层神经元被激活的概率大于或等于0.5则视为处于激活状态，取值为1，若激活概率小于0.5则视为处于未激活状态，取值为0，可以依次求出扩展深度信念网络模型中所有隐藏层神经元的取值；
优选的，所述更新扩展深度信念网络模型中连接权重值、可视层与隐藏层的偏置值，具体包括，根据隐藏层神经元的取值反推可见层神经元的取值，得到重构误差，根据重构误差更新扩展深度信念网络模型中连接权重值、可视层与隐藏层的偏置值。
一个具体实施例中，可采用对比散度的方法更新网络的参数wi,j，ai(aj为可见层a中第i个神经元的偏置值)及bj的值，扩展深度信念网络模型为无向图模型，可以采用隐藏层神经元的取值来反推可见层神经元的取值，得到重构误差；利用隐藏层神经元的取值反向推导可见层神经元被激活的概率为
扩展深度信念网络模型参数(wi,j，ai(及bj)更新方式为
a←a+ε×[v-v*]
b←b+ε×[P(h＝1|v)-P(h*＝1|v*)]
其中，v*为可视层v的重构(reconstruction)，ε学习效率，h*为隐藏层h的重构；
优选的，所述利用代价敏感学习对扩展深度信念网络模型进行优化，具体包括，以未结冰样本为正类样本，以结冰样本为负类样本，以误分类代价为目标函数，采用自适应差分进化算法优化目标函数，得到最优的误分类代价，将所述最优的误分类代价作用于扩展深度信念网络模型的输出层；
一个具体实施例中，利用代价敏感学习对扩展深度信念网络模块进行优化，在风机叶片结冰数据分类问题当中，设置未结冰样本为正类样本，结冰样本为负类样本，混淆矩阵如表2所示，
表2
| 实际为正 | 实际为负 | |
| 预测为正 | TP | FP |
| 预测为负 | FN | TN |
以误分类评价指标为目标函数，采用自适应差分进化算法优化目标函数，得到最优的误分类代价；
优选的，所述风机叶片结冰状态检测方法还包括，以准确率Acc作为误分类代价的评价指标，
其中，TP表示正确识别为正类样本的数量，TN表示错误识别为正类样本的数量，FN表示错误识别为负类样本的数量，TN表示正确识别为负类样本的数量；
一个具体实施例中，将得到的最优误分类代价作用于扩展深度信念网络的输出层，得到最终的分类模型，即用于结冰检测的扩展深度信念网络模型。
实施例2
本发明实施例提供了一种风机叶片结冰状态检测装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如实施例1所述的风机叶片结冰状态检测方法。
实施例3
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如实施例1所述的风机叶片结冰状态检测方法。
本发明公开了一种风机叶片结冰状态检测方法、装置及计算机可读存储介质，通过获取风力发电厂实际运行的SCADA数据，得到特征数据集，对所述数据集进行归一化处理，得到归一化后的数据集；构建扩展深度信念网络模型，利用所述归一化后的数据集对所述扩展深度信念网络模型进行训练，并利用代价敏感学习对扩展深度信念网络模型进行优化，得到用于结冰检测的扩展深度信念网络模型；采集需要检测的SCADA数据，将所述需要检测的SCADA数据输入至用于结冰检测的扩展深度信念网络模型中，得到结冰状态检测结果；提高了风机叶片结冰状态检测的准确度；
本发明所述技术方案能够处理不平衡数据分类，可以有效防止原始数据的信息在深层神经网络的传递中发生逐渐消失，使风机叶片结冰状态检测的准确度有较大提高。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种风机叶片结冰状态检测方法，其特征在于，包括以下步骤：
获取风力发电厂实际运行的SCADA数据，得到特征数据集，对所述数据集进行归一化处理，得到归一化后的数据集；
构建扩展深度信念网络模型，利用所述归一化后的数据集对所述扩展深度信念网络模型进行训练，并利用代价敏感学习对扩展深度信念网络模型进行优化，得到用于结冰检测的扩展深度信念网络模型；
采集需要检测的SCADA数据，将所述需要检测的SCADA数据输入至用于结冰检测的扩展深度信念网络模型中，得到结冰状态检测结果。
2.根据权利要求1所述的风机叶片结冰状态检测方法，其特征在于，对所述数据集进行归一化处理，得到归一化后的数据集，具体包括，利用归一化公式对所述数据集的数据进行归一化，得到归一化后的数据集，所述归一化公式为
其中，X0为需要进行归一化的数据，X1为归一化后的数据，Xmax为一维数据中的最大值，Xmin为一维数据中的最小值。
3.根据权利要求1所述的风机叶片结冰状态检测方法，其特征在于，利用所述归一化后的数据集对所述扩展深度信念网络模型进行训练，具体包括，在归一化的数据集取出一组数据作为输入向量，将所述输入向量输入至扩展深度信念网络模型中，并计算隐藏层神经元被激活的概率，根据隐藏层神经元被激活的概率确定隐藏层神经元的取值，更新扩展深度信念网络模型中连接权重值、可视层与隐藏层的偏置值。
4.根据权利要求2所述的风机叶片结冰状态检测方法，其特征在于，所述计算隐藏层神经元被激活的概率，具体包括，
通过激活概率公式计算隐藏层神经元被激活的概率，所述激活概率公式为
其中，p(hj＝1|h)为隐藏层神经元被激活的概率，σ为激活函数，h为隐藏层神经元变量，bj为隐藏层b中第j个神经元的偏置值，wi,j为隐藏层b中第j个神经元与可见层a中第i个神经元的权重值，vi为输入向量。
5.根据权利要求4所述的风机叶片结冰状态检测方法，其特征在于，根据隐藏层神经元被激活的概率确定隐藏层神经元的取值，具体包括，若隐藏层神经元被激活的概率大于或等于设定阈值，则该隐藏层神经元处于激活状态，其取值为1，若隐藏层神经元被激活的概率小于设定阈值，则该隐藏层神经元处于未激活状态，其取值为0。
6.根据权利要求5所述的风机叶片结冰状态检测方法，其特征在于，所述更新扩展深度信念网络模型中连接权重值、可视层与隐藏层的偏置值，具体包括，根据隐藏层神经元的取值反推可见层神经元的取值，得到重构误差，根据重构误差更新扩展深度信念网络模型中连接权重值、可视层与隐藏层的偏置值。
7.根据权利要求1所述的风机叶片结冰状态检测方法，其特征在于，所述利用代价敏感学习对扩展深度信念网络模型进行优化，具体包括，以未结冰样本为正类样本，以结冰样本为负类样本，以误分类代价为目标函数，采用自适应差分进化算法优化目标函数，得到最优的误分类代价，将所述最优的误分类代价作用于扩展深度信念网络模型的输出层。
8.根据权利要求1所述的风机叶片结冰状态检测方法，其特征在于，还包括，以准确率Acc作为误分类代价的评价指标，
其中，TP表示正确识别为正类样本的数量，TN表示错误识别为正类样本的数量，FN表示错误识别为负类样本的数量，TN表示正确识别为负类样本的数量。
9.一种风机叶片结冰状态检测装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-8任一所述的风机叶片结冰状态检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机该程序被处理器执行时，实现如权利要求1-8任一所述的风机叶片结冰状态检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011424199.2A CN112633558A (zh) | 2020-12-08 | 2020-12-08 | 一种风机叶片结冰状态检测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011424199.2A CN112633558A (zh) | 2020-12-08 | 2020-12-08 | 一种风机叶片结冰状态检测方法、装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112633558A true CN112633558A (zh) | 2021-04-09 |
Family
ID=75308649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011424199.2A Pending CN112633558A (zh) | 2020-12-08 | 2020-12-08 | 一种风机叶片结冰状态检测方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633558A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107725283A (zh) * | 2017-09-19 | 2018-02-23 | 江苏方天电力技术有限公司 | 一种基于深度信念网络模型的风机故障检测方法 |
| CN108256556A (zh) * | 2017-12-22 | 2018-07-06 | 上海电机学院 | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 |
| CN109086817A (zh) * | 2018-07-25 | 2018-12-25 | 西安工程大学 | 一种基于深度信念网络的高压断路器故障诊断方法 |
| CN111144499A (zh) * | 2019-12-27 | 2020-05-12 | 北京工业大学 | 基于深度神经网络的风机叶片早期结冰故障检测方法 |
-
2020
- 2020-12-08 CN CN202011424199.2A patent/CN112633558A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107725283A (zh) * | 2017-09-19 | 2018-02-23 | 江苏方天电力技术有限公司 | 一种基于深度信念网络模型的风机故障检测方法 |
| CN108256556A (zh) * | 2017-12-22 | 2018-07-06 | 上海电机学院 | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 |
| CN109086817A (zh) * | 2018-07-25 | 2018-12-25 | 西安工程大学 | 一种基于深度信念网络的高压断路器故障诊断方法 |
| CN111144499A (zh) * | 2019-12-27 | 2020-05-12 | 北京工业大学 | 基于深度神经网络的风机叶片早期结冰故障检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHONG ZHANG ET AL: "A Cost-Sensitive Deep Belief Network for Imbalanced Classification", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》, vol. 30, no. 1, pages 109 - 122, XP011694467, DOI: 10.1109/TNNLS.2018.2832648 * |
| 潘瑞: "基于运行数据的风电机组状态监测与评价", 《中国优秀硕士学位论文全文数据库工程科技II辑》, no. 01, pages 20 - 38 * |
| 王晓丹: "基于深度学习的风力发电机故障预测研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, no. 01, pages 6 - 30 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112783940B (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
| CN108320016B (zh) | 一种建筑能耗短期预测方法 | |
| CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
| CN112304613B (zh) | 一种基于特征融合的风电机组发电机轴承预警方法 | |
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| Zhang et al. | Application of XGboost algorithm in bearing fault diagnosis | |
| CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
| CN111898639A (zh) | 基于降维的分层时间记忆工业异常检测方法与装置 | |
| CN112798290B (zh) | 基于频谱重构误差的燃气轮机异常状态监测方法 | |
| CN110888186A (zh) | 基于gbdt+lr模型的冰雹和短时强降水预报方法 | |
| CN114169374B (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
| CN113469230A (zh) | 一种转子系统深度迁移故障诊断方法、系统及介质 | |
| CN114565006A (zh) | 一种基于深度学习的风力发电机叶片损伤检测方法及系统 | |
| CN116881841A (zh) | 一种基于F1-score多级决策分析的混合模型故障诊断方法 | |
| CN114330881A (zh) | 一种数据驱动的风机叶片结冰预测方法及装置 | |
| CN115859148A (zh) | 风机叶片振动报警方法及装置 | |
| CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
| Saufi et al. | Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal | |
| CN114942140A (zh) | 基于多输入并行图卷积神经网络的滚动轴承故障诊断方法 | |
| CN112633558A (zh) | 一种风机叶片结冰状态检测方法、装置及可读存储介质 | |
| CN116186586A (zh) | 基于改进经验模态分解算法与优化深度置信网络的滚动轴承故障诊断方法 | |
| CN115712860A (zh) | 风机叶片振动报警方法及装置 | |
| CN115979660A (zh) | 基于mpa优化的内燃机用滤清器故障诊断方法 | |
| Zhao et al. | Combine assembly quality detection based on multi-entropy data fusion and optimized LSSVM | |
| CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |