CN112949744B - 风力发电机叶片结冰检测方法、系统及存储介质 - Google Patents
风力发电机叶片结冰检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112949744B CN112949744B CN202110306110.0A CN202110306110A CN112949744B CN 112949744 B CN112949744 B CN 112949744B CN 202110306110 A CN202110306110 A CN 202110306110A CN 112949744 B CN112949744 B CN 112949744B
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- network
- generated
- icing
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 163
- 239000013598 vector Substances 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000000523 sample Substances 0.000 claims description 207
- 239000012520 frozen sample Substances 0.000 claims description 43
- 238000005259 measurement Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 17
- 230000008485 antagonism Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000025518 detection of mechanical stimulus involved in sensory perception of wind Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风力发电技术领域,具体公开了一种风力发电机叶片结冰检测方法,其中,包括:获取训练样本,其中训练样本包括结冰样本和正常样本;根据训练样本进行预训练得到生成对抗网络;根据生成对抗网络中获得的训练样本的生成样本与原始样本的特征向量差进行预训练获得卷积分类器;将生成对抗网络的预训练参数以及卷积分类器的预训练参数进行整体训练,得到结冰检测整体训练网络;将每个待测试数据分别输入至结冰检测整体训练网络,得到风力发电机叶片是否结冰的检测结果。本发明还公开了一种风力发电机叶片结冰检测系统及存储介质。本发明提供的风力发电机叶片结冰检测方法能够实现对风力发电机叶片是否结冰的有效检测。
Description
技术领域
本发明涉及风力发电技术领域,尤其涉及一种风力发电机叶片结冰检测方法、风力发电机叶片结冰检测系统及计算机可读存储介质。
背景技术
我国北方地区风能资源丰富,对于风力发电的建设很有意义,但是这些地区一般处于高原寒冷地带,温度低、海拔高,不利于风力发电机组的运行,导致风电系统的维护成本持续增高。风力发电机叶片表面结冰是过冷水滴撞击叶片表面后冻结成冰覆盖在叶片表面形成的。覆冰会改变叶片的外部形状和气动性能,增大叶片阻力、减小升力,影响全机操纵性、稳定剂,最终导致风能的转化效率降低;结冰严重时,会破坏风力发电机的安全性,甚至导致叶片损毁、发生运行事故。
目前,风力发电机叶片结冰成为了阻碍风能发展的一个重要因素,大大降低了风力发电机的利用率,威胁着风力发电机的安全运行。因此对风力发电机叶片是否结冰进行诊断,对于保证风力发电机的安全运行,提高发电效率有着重要意义。
发明内容
本发明提供了一种风力发电机叶片结冰检测方法、风力发电机叶片结冰检测系统及计算机可读存储介质,解决相关技术中存在的无法实现对风力发电机叶片是否结冰进行检测的问题。
作为本发明的第一个方面,提供一种风力发电机叶片结冰检测方法,其中,包括:
获取训练样本,其中所述训练样本包括结冰样本和正常样本;
根据所述训练样本进行预训练得到生成对抗网络,其中所述生成对抗网络包括根据结冰样本进行预训练得到的第一生成对抗网络和根据正常样本进行预训练得到的第二生成对抗网络,所述生成对抗网络能够根据所述训练样本的原始样本得到所述训练样本的生成样本,并能够提取所述训练样本的特征;
根据所述生成对抗网络中获得的所述训练样本的生成样本与原始样本的特征向量差进行预训练获得卷积分类器;
将所述生成对抗网络的预训练参数以及所述卷积分类器的预训练参数进行整体训练,得到结冰检测整体训练网络;
将每个待测试数据分别输入至所述结冰检测整体训练网络,得到风力发电机叶片是否结冰的检测结果。
进一步地,所述根据所述训练样本进行预训练得到生成对抗网络,包括:
分别从所述训练样本中获取所述结冰样本的测量数据和正常样本的测量数据;
根据所述结冰样本的测量数据进行生成对抗网络训练得到第一生成对抗网络,以及根据所述正常样本的测量数据进行生成对抗网络训练得到第二生成对抗网络;
其中所述生成对抗网络包括生成器和辨别器,所述生成器与所述辨别器连接。
进一步地,所述根据所述结冰样本的测量数据进行生成对抗网络训练训练得到第一生成对抗网络,包括:
根据所述结冰样本的测量数据确定所述结冰样本的原始样本;
将所述结冰样本的原始样本输入至第一生成器以生成与所述结冰样本的原始样本对应的第一特征向量和第一生成样本;
根据所述结冰样本的原始样本以及第一特征向量和第一生成样本得到第一生成器损失值;
将所述结冰样本的原始样本以及所述第一生成样本输入至第一辨别器得到第一辨别器损失值;
以最小化所述第一生成器损失值和最小化所述辨别器损失值为目的,交替调整所述第一生成器的参数和所述第一辨别器的参数,并重复第一生成器损失值的获得步骤以及重复第一辨别器损失值的获得步骤,直至达到迭代停止条件,获得所述第一生成对抗网络。
进一步地,所述根据所述正常样本的测量数据进行生成对抗网络训练得到第二生成对抗网络,包括:
根据所述正常样本的测量数据确定所述正常样本的原始样本;
将所述正常样本的原始样本输入值第二生成器以生成与所述正常样本的原始样本对应的第二特征向量和第二生成样本;
根据所述正常样本的原始样本以及第二特征向量和第二生成样本得到第二生成器损失值;
将所述正常样本的原始样本以及所述第二生成样本输入至第二辨别器得到第二辨别器损失值;
以最小化所述第二生成器损失值和最小化所述辨别器损失值为目的,交替调整所述第二生成器的参数和所述第二辨别器的参数,并重复第二生成器损失值的获得步骤以及重复第二辨别器损失值的获得步骤,直至达到迭代停止条件,获得所述第二生成对抗网络。
进一步地,所述根据所述生成对抗网络中获得的所述训练样本的生成样本与原始样本的特征向量差进行预训练获得卷积分类器,包括:
根据所述结冰样本的测量数据以及第一生成对抗网络获得所述结冰样本的原始样本以及第一生成样本;
将所述结冰样本的第一生成样本与所述结冰样本的原始样本之间的特征向量差作为第一特征数据;
根据所述正常样本的测量数据以及第二生成对抗网络获得所述正常样本的原始样本以及第二生成样本;
将所述正常样本的第二生成样本与所述正常样本的原始样本之间的特征向量差作为第二特征数据;
将所述第一特征数据与所述第二特征数据进行拼接,得到拼接数据;
将所述拼接数据通过连接层获得卷积分类器的输入数据;
将所述卷积分类器的输入数据输入至待训练卷积分类器中进行训练,得到所述卷积分类器。
进一步地,所述第一特征数据为将所述第一生成对抗网络对应的第一辨别器特征提取部分的输出特征向量减去第一生成器编码网络的输出特征向量后得到的第一差值;
所述第二特征数据为所述第二生成对抗网络对应的第二辨别器特征提取部分的输出特征向量减去第二生成器编码网络的输出特征向量后得到的第二差值;
所述拼接数据为所述第一差值与所述第二差值进行拼接后得到的8通道生成-原始特征向量;
所述卷积分类器的输入数据包括8通道特征。
进一步地,所述将所述卷积分类器的输入数据输入至待训练卷积分类器中进行训练,得到所述卷积分类器,包括:
将所述8通道特征输入至待训练卷积分类器中,得到根据卷积分类器预测的风机叶片是否结冰的检测结果,并根据卷积分类器预测的风机叶片是否结冰的检测结果与真实结果获得待训练卷积分类器的二分类交叉熵损失函数;
以最小化所述待训练卷积分类器的二分类交叉熵损失函数为目标,重复待训练卷积分类器的二分类交叉熵损失函数的获得步骤,直至达到迭代停止条件,获得所述卷积分类器。
进一步地,所述将所述生成对抗网络的预训练参数以及所述卷积分类器的预训练参数进行整体训练,得到结冰检测整体训练网络,包括:
加载所述第一生成对抗网络、第二生成对抗网络和卷积分类器的网络参数;
获取所述训练样本中的任意一组训练样本,并将该组训练样本输入至整体训练网络,获得对该组训练样本是否结冰的预测判断结果,基于该预测判断结果与真实结果获得整体训练网络的二分类交叉熵损失函数;
以最小化所述整体训练网络的二分类交叉上损失函数为目标,重复整体训练网络的二分类交叉熵损失函数的获得步骤,直至达到迭代停止条件,获得所述结冰检测整体训练网络。
作为本发明的另一个方面,提供一种风力发电机叶片结冰检测系统,其中,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行前文所述的风力发电机叶片结冰检测方法。
作为本发明的另一个方面,提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行前文所述的风力发电机叶片结冰检测方法。
本发明提供的风力发电机叶片结冰检测方法,通过训练样本获得两个生成对抗网络,并进而获得卷积分类器以及结冰检测整体训练网络,实现对风力发电机叶片是否结冰的有效检测,且能够训练针对正常和结冰样本的生成对抗网络,并利用生成对抗网络很好的特征提取特点,获得针对每一类情况具有代表性的特征,从而可以实现风力发电机叶片是否结冰的准确快速判断。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明提供的风力发电机叶片结冰检测方法的流程图。
图2为本发明提供的生成器对抗网络结构示意图。
图3为本发明提供的连接层结构示意图。
图4为本发明提供的风力发电机叶片结冰检测的网络框架示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包括,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种风力发电机叶片结冰检测方法,图1是根据本发明实施例提供的风力发电机叶片结冰检测方法的流程图,如图1所示,包括:
S110、获取训练样本,其中所述训练样本包括结冰样本和正常样本;
应当理解的是,所述结冰样本和所述正常样本各自均包括多个样本数据,且这些样本数据均是获取的同一台风力发电机中分别在结冰状态以及正常状态下的数据,例如可以通过风力系统中的传感器获取这些数据,该数据的获取过程均为本领域技术人员所熟知,此处不再赘述。
S120、根据所述训练样本进行预训练得到生成对抗网络,其中所述生成对抗网络包括根据结冰样本进行预训练得到的第一生成对抗网络和根据正常样本进行预训练得到的第二生成对抗网络,所述生成对抗网络能够根据所述训练样本的原始样本得到所述训练样本的生成样本,并能够提取所述训练样本的特征;
应当理解的是,通过分别针对结冰样本和正常样本的生成对抗网络训练可以提取针对每一类样本的具有代表性的特征。
如图2所示,为本发明实施例提供的生成对抗网络的结构示意图,在图2中可以看出,生成对抗网络具体地可以包括生成器和辨别器,生成器进一步可以包括:编码网络(GE)和解码网络(GD),其中编码网络用于对每个原始样本x进行编码,得到特征向量解码网络用于对所述特征向量进行解码还原,得到生成样本/>来自正常(或者结冰)的原始样本x被输入到编码网络中,编码网络将原始数据缩小为特征向量h,利用特征向量h重新生成输入样本。
生成对抗网络中的辨别器(DE)包括:特征提取部分和辨别部分,其中所述特征提取部分与生成器的编码网络结构相同,用于进一步特征提取以及损失函数的计算,所述辨别部分用于对生成样本和原始样本进行分类。
此处需要说明的是,所述辨别器和生成器均由卷积层、修正线性激活层和批量标准化层组成。
具体地,所述根据所述训练样本进行预训练得到生成对抗网络,包括:
分别从所述训练样本中获取所述结冰样本的测量数据和正常样本的测量数据;
根据所述结冰样本的测量数据进行生成对抗网络训练得到第一生成对抗网络,以及根据所述正常样本的测量数据进行生成对抗网络训练得到第二生成对抗网络;
其中所述生成对抗网络包括生成器和辨别器,所述生成器与所述辨别器连接。
进一步具体地,所述根据所述结冰样本的测量数据进行生成对抗网络训练训练得到第一生成对抗网络,包括:
根据所述结冰样本的测量数据确定所述结冰样本的原始样本;
将所述结冰样本的原始样本输入至第一生成器以生成与所述结冰样本的原始样本对应的第一特征向量和第一生成样本;
根据所述结冰样本的原始样本以及第一特征向量和第一生成样本得到第一生成器损失值;
将所述结冰样本的原始样本以及所述第一生成样本输入至第一辨别器得到第一辨别器损失值;
以最小化所述第一生成器损失值和最小化所述辨别器损失值为目的,交替调整所述第一生成器的参数和所述第一辨别器的参数,并重复第一生成器损失值的获得步骤以及重复第一辨别器损失值的获得步骤,直至达到迭代停止条件,获得所述第一生成对抗网络。
进一步具体地,所述根据所述正常样本的测量数据进行生成对抗网络训练得到第二生成对抗网络,包括:
根据所述正常样本的测量数据确定所述正常样本的原始样本;
将所述正常样本的原始样本输入值第二生成器以生成与所述正常样本的原始样本对应的第二特征向量和第二生成样本;
根据所述正常样本的原始样本以及第二特征向量和第二生成样本得到第二生成器损失值;
将所述正常样本的原始样本以及所述第二生成样本输入至第二辨别器得到第二辨别器损失值;
以最小化所述第二生成器损失值和最小化所述辨别器损失值为目的,交替调整所述第二生成器的参数和所述第二辨别器的参数,并重复第二生成器损失值的获得步骤以及重复第二辨别器损失值的获得步骤,直至达到迭代停止条件,获得所述第二生成对抗网络。
在本发明实施例中,以正常样本为例详细说明其对应的第二生成对抗网络的训练过程。
S121、先从正常原始样本集中确定正常样本的原始样本,采用第二生成器,生成该正常样本的原始样本所对应的第二特征向量和第二生成样本;
S122、构建生成器损失函数,所述第二生成器的损失函数值为欺诈损失值、表观损失值和潜在损失值的加权和:
其中所述欺诈损失值为第二辨别器基于每个正常样本的原始样本,得到该正常样本的原始样本对应的第二生成样本属于所述正常样本的原始样本的概率值,基于该概率值和该样本是否为第二生成样本,通过二分类交叉熵损失函数,计算得到;
其中所述表观损失值为所述正常样本的原始样本和其对应的第二生成样本的差值平方和;
其中所述潜在损失值为每个正常样本的原始样本由第二生成器的编码网络得到的第二特征向量和第二辨别器特征提取部分得到的特征向量的差值平方和;
S123、基于该正常样本的原始样本及其对应的第二特征向量和第二生成样本,得到第二生成器的损失值,并采用第二辨别器,基于该正常样本的原始样本及其对应的所述第二生成样本,得到第二辨别器的损失值,公式如下:
其中i代表正常和结冰类别,Ni代表第i类个数,代表第i类的第j个样本;
S124、以最小化所述第二生成器的损失值和最小化所述第二辨别器的损失值为目标,交替调整所述第二生成器的参数和所述第二辨别器的参数,重复步骤S121和S13,直至达到迭代停止条件,完成所述第二生成对抗网络的训练。
应当理解的是,第一生成对抗网络的训练过程与第二生成对抗网络的训练过程类似,此处不再赘述。
在本发明实施例中,首先采用交叉验证获得最优的训练次数,然后采用梯度反向传播理论优化模型思想,在训练时,对辨别器和生成器交替训练,提高生成器对正常样本特征的提取、生成能力,保证特征提取的有效性。
S130、根据所述生成对抗网络中获得的所述训练样本的生成样本与原始样本的特征向量差进行预训练获得卷积分类器;
如图3所示,为连接处结果示意图。在本发明实施例中,卷积分类器的结果具体由卷积层、修正线性激活层和批量标准化层组成。将两个生成对抗网络中拼接获得的8通道的特征向量差输入到卷积分类器中,获得对每一种输出标签(正常、结冰)的预测概率,概率最大的标签作为该样本的预测分类。
具体地,所述根据所述生成对抗网络中获得的所述训练样本的生成样本与原始样本的特征向量差进行预训练获得卷积分类器,包括:
根据所述结冰样本的测量数据以及第一生成对抗网络获得所述结冰样本的原始样本以及第一生成样本;
将所述结冰样本的第一生成样本与所述结冰样本的原始样本之间的特征向量差作为第一特征数据;
根据所述正常样本的测量数据以及第二生成对抗网络获得所述正常样本的原始样本以及第二生成样本;
将所述正常样本的第二生成样本与所述正常样本的原始样本之间的特征向量差作为第二特征数据;
将所述第一特征数据与所述第二特征数据进行拼接,得到拼接数据;
将所述拼接数据通过连接层获得卷积分类器的输入数据;
将所述卷积分类器的输入数据输入至待训练卷积分类器中进行训练,得到所述卷积分类器。
需要说明的是,所述第一特征数据为将所述第一生成对抗网络对应的第一辨别器特征提取部分的输出特征向量减去第一生成器编码网络的输出特征向量后得到的第一差值;
所述第二特征数据为所述第二生成对抗网络对应的第二辨别器特征提取部分的输出特征向量减去第二生成器编码网络的输出特征向量后得到的第二差值;
所述拼接数据为所述第一差值与所述第二差值进行拼接后得到的8通道生成-原始特征向量;
所述卷积分类器的输入数据包括8通道特征。
进一步具体地,所述将所述卷积分类器的输入数据输入至待训练卷积分类器中进行训练,得到所述卷积分类器,包括:
将所述8通道特征输入至待训练卷积分类器中,得到根据卷积分类器预测的风机叶片是否结冰的检测结果,并根据卷积分类器预测的风机叶片是否结冰的检测结果与真实结果获得待训练卷积分类器的二分类交叉熵损失函数;
以最小化所述待训练卷积分类器的二分类交叉熵损失函数为目标,重复待训练卷积分类器的二分类交叉熵损失函数的获得步骤,直至达到迭代停止条件,获得所述卷积分类器。
下面详细说明本发明实施例的卷积分类器的获得过程。
S131、从训练样本集中确定一组训练样本,分别输入前文所述的训练好的针对正常和结冰情况的2个生成对抗网络,并分别获得对应生成对抗网络针对该组训练样本的生成样本,生成器编码网络的输出特征向量、辨别器特征提取部分的输出特征向量;
S132、将每个生成对抗网络对应的辨别器特征提取部分的输出特征向量减去生成器编码网络的输出特征向量拼接获得8通道生成-原始特征向量拼接向量;
S133、将两个生成对抗网络的输出生成-原始特征向量拼接向量通过连接层,最终获得8通道特征作为待训练卷积分类器的输入;
S134、将步骤S133中的8通道特征输入卷积分类器中,得到根据卷积分类器预测的风机叶片是否结冰的判断结果,基于预测判断结果与真实结果获得待训练卷积分类器的二分类交叉熵损失函数;
S135、构建二分类交叉熵损失函数LCNN(F):
其中代表第i类第j个样本的特征向量,m、ic分别代表正常和结冰;
S136、以最小化所述分类器二分类交叉熵损失函数为目标,重复步骤S131到S134,直至达到迭代停止条件,完成卷积分类器的训练。
S140、将所述生成对抗网络的预训练参数以及所述卷积分类器的预训练参数进行整体训练,得到结冰检测整体训练网络;
具体地,可以包括如下步骤:
加载所述第一生成对抗网络、第二生成对抗网络和卷积分类器的网络参数;
获取所述训练样本中的任意一组训练样本,并将该组训练样本输入至整体训练网络,获得对该组训练样本是否结冰的预测判断结果,基于该预测判断结果与真实结果获得整体训练网络的二分类交叉熵损失函数;
以最小化所述整体训练网络的二分类交叉上损失函数为目标,重复整体训练网络的二分类交叉熵损失函数的获得步骤,直至达到迭代停止条件,获得所述结冰检测整体训练网络。
下面详细说明结冰检测整体训练网络的获取过程。
S141、加载预训练完成的2个生成对抗网络与卷积分类器的网络参数,在此基础上进行整体训练;
S142、从训练样本集中确定一组训练样本,输入整体训练的网络,获得对该样本是否结冰的预测判断,基于预测判断结果与真实的结果获得二分类交叉熵损失函数;
S143、以最小化整体网络二分类交叉熵损失函数为目标,重复步骤S141和S142,直至达到迭代停止条件,完成结冰检测整体训练网络的训练。
在本发明实施例中,通过前文中所描述的风力发电机叶片结冰检测方法,可以构建得到结冰检测整体训练网络,将每个待测试数据分别输入至所述结冰检测整体训练网络,均能够得到风力发电机叶片是否结冰的检测结果
S150、将每个待测试数据分别输入至所述结冰检测整体训练网络,得到风力发电机叶片是否结冰的检测结果。
本发明实施例提供的风力发电机叶片结冰检测方法,通过训练样本获得两种生成对抗网络,并进而获得卷积分类器以及结冰检测整体训练网络,能够训练针对正常和结冰样本的生成对抗网络,并利用生成对抗网络很好的特征提取特点,获得针对每一类情况具有代表性的特征,从而可以实现风力发电机叶片是否结冰的准确快速判断。
下面对本发明提供的风力发电机叶片结冰检测方法进行实验性说明,从而能够更加确定本发明提供的风力发电机叶片结冰检测方法可以达到实现风力发电机叶片是否结冰的准确快速判断的效果。
使用Pytorch作为实验的软件框架,且所有模型均使用Adam进行训练。网络框架如图4所示,本发明实施例引入了来自2017年中国工业数据竞赛的风电场的真实数据,原始数据是从监督控制和数据采集(SCADA)系统收集。我们选择了三个风力发电机(15,21,08)的监测数据,以验证上述风力发电机叶片结冰检测方法的有效性。
上述数据集的训练和测试划分如下:将数据集中的两类(正常和结冰)分别取10%和40%作为训练集和测试集,选择风力发电机结冰样本的10%和同样数量的正常样本作为训练集,从风力发电机的结冰样本的40%和该数量的10倍数量的正常样本作为测试集。由三个风力发电机得到三组实验。
在训练阶段,根据前面的划分的数据分别训练两个生成对抗网络,每个生成对抗网络训练时只考虑对应的样本。
对于此数据,根据本领域技术人员所公知的数据,将与结冰叶片相关的26个连续变量作为输入变量。
本发明的训练阶段由两部分构成,在第一阶段训练,分别训练两个生成对抗网络和卷积神经网络,每次训练均采用五折交叉验证以寻求最优的迭代次数,在第二阶段的训练为整体训练,即将第一阶段训练好的两个生成对抗网络进行并行输出后面接一个卷积神经网络。首先加载第一阶段训练好的模型的初值再进行分批训练。
本发明实施例的针对风力发电机叶片是否结冰的判断框架如图4所示,由两个生成对抗网络和卷积网络连接而成,其中每个生成对抗网络分别由生成器和辨别器构成,其中生成器由编码器—解码器二层子网络构成,辨别器由特征提取部分和全连接部分组成。其中生成器的编码子网络和辨别器的特征提取部分结构相同,由两个卷积层(Conv1-Conv2),两个批量标准化层和两个修正线性激活层(Leaky ReLu)组成,以卷积层、激活层、批量标准化层的顺序排列。其中各卷积层的滤波器数量,核大小和步长可参见表1。解码器是由两个逆卷积层,两个批量标准化层和两个修正线性激活层(Leaky ReLu)组成,以逆卷积层、激活层、批量标准化层的顺序排列。其中生成器各卷积层的滤波器数量,核大小和步长可参见表2。其中辨别器各逆卷积层的滤波器数量,核大小和步长可参见表3。
表1解码器的核大小和步长表
层 | 滤波器 | 核大小 | 步长 |
Conv1 | 4 | 4 | 1 |
Conv2 | 8 | 4 | 1 |
表2生成器的核大小和步长表
层 | 滤波器 | 核大小 | 步长 |
Conv1 | 8 | 4 | 1 |
Conv2 | 1 | 4 | 1 |
表3辨别器的核大小和步长表
层 | 滤波器 | 核大小 | 步长 |
Conv1 | 4 | 4 | 1 |
Conv2 | 8 | 4 | 1 |
在本发明实施例中正常样本比结冰样本多,为了更好地衡量模型的性能,选择MCC作为评价标准之一,用来描述实际标签和预测标签之间关系的相关系数,其范围为[-1,1],MCC=1表示完全预测,MCC=0表示预测效果比随机预测更差,MCC=-1表示预测与实际情况完全不一致。MCC的定义如下:
其中,TP是预测为阳性的阳性样本,FN是预测为阴性的阳性样本,FP是预测为阳性的阴性样本,TN是预测为阴性的阴性样本。
除此之外,还可以利用接收器工作特性(ROC)的曲线下面积(AUC)来比较总体性能。由于AUC取值范围在[0,1],且不受类分布的影响,所以适用于类分布不均衡的数据集。在ROC中,真阳性率(TPR)是假阳性率(FPR)的函数。TPR和FPR的定义如下:
除了MCC和AUC之外,考虑实际情况中,更关注结冰情况,这意味着与假阴性相比,更能容忍假阳性,因此可以定义分数S来评估模型,S的取值范围在[0,1],当S的值越接近1,模型的性能越好。
其中
根据上述参数训练之后,对测试集上整体和每类的严重程度进行测试。利用本发明实施例模型,可以通过对两个生成对抗网络进行训练,该网络可以有效的提取每一类数据的特征,进而能有效的判断属于这一类的数据。如表4所示,在数据集的测试中,本发明实施例提供的风力发电机叶片结冰检测方法表现出优秀的性能。
表4数据集的测试表
作为本发明的另一个方面,提供一种风力发电机叶片结冰检测系统,其中,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行前文所述的风力发电机叶片结冰检测方法。
作为本发明的另一个方面,提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行前文所述的风力发电机叶片结冰检测方法。
关于风力发电机叶片结冰检测系统以及计算机可读存储介质的具体实施过程可以参照前文的风力发电机叶片结冰检测方法的描述,此处不再赘述。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种风力发电机叶片结冰检测方法,其特征在于,包括:
获取训练样本,其中所述训练样本包括结冰样本和正常样本;
根据所述训练样本进行预训练得到生成对抗网络,其中所述生成对抗网络包括根据结冰样本进行预训练得到的第一生成对抗网络和根据正常样本进行预训练得到的第二生成对抗网络,所述生成对抗网络能够根据所述训练样本的原始样本得到所述训练样本的生成样本,并能够提取所述训练样本的特征;
根据所述生成对抗网络中获得的所述训练样本的生成样本与原始样本的特征向量差进行预训练获得卷积分类器;
将所述生成对抗网络的预训练参数以及所述卷积分类器的预训练参数进行整体训练,得到结冰检测整体训练网络;
将每个待测试数据分别输入至所述结冰检测整体训练网络,得到风力发电机叶片是否结冰的检测结果。
2.根据权利要求1所述的风力发电机叶片结冰检测方法,其特征在于,所述根据所述训练样本进行预训练得到生成对抗网络,包括:
分别从所述训练样本中获取所述结冰样本的测量数据和正常样本的测量数据;
根据所述结冰样本的测量数据进行生成对抗网络训练得到第一生成对抗网络,以及根据所述正常样本的测量数据进行生成对抗网络训练得到第二生成对抗网络;
其中所述生成对抗网络包括生成器和辨别器,所述生成器与所述辨别器连接。
3.根据权利要求2所述的风力发电机叶片结冰检测方法,其特征在于,所述根据所述结冰样本的测量数据进行生成对抗网络训练得到第一生成对抗网络,包括:
根据所述结冰样本的测量数据确定所述结冰样本的原始样本;
将所述结冰样本的原始样本输入至第一生成器以生成与所述结冰样本的原始样本对应的第一特征向量和第一生成样本;
根据所述结冰样本的原始样本以及第一特征向量和第一生成样本得到第一生成器损失值;
将所述结冰样本的原始样本以及所述第一生成样本输入至第一辨别器得到第一辨别器损失值;
以最小化所述第一生成器损失值和最小化所述辨别器损失值为目的,交替调整所述第一生成器的参数和所述第一辨别器的参数,并重复第一生成器损失值的获得步骤以及重复第一辨别器损失值的获得步骤,直至达到迭代停止条件,获得所述第一生成对抗网络。
4.根据权利要求2所述的风力发电机叶片结冰检测方法,其特征在于,所述根据所述正常样本的测量数据进行生成对抗网络训练得到第二生成对抗网络,包括:
根据所述正常样本的测量数据确定所述正常样本的原始样本;
将所述正常样本的原始样本输入值第二生成器以生成与所述正常样本的原始样本对应的第二特征向量和第二生成样本;
根据所述正常样本的原始样本以及第二特征向量和第二生成样本得到第二生成器损失值;
将所述正常样本的原始样本以及所述第二生成样本输入至第二辨别器得到第二辨别器损失值;
以最小化所述第二生成器损失值和最小化所述辨别器损失值为目的,交替调整所述第二生成器的参数和所述第二辨别器的参数,并重复第二生成器损失值的获得步骤以及重复第二辨别器损失值的获得步骤,直至达到迭代停止条件,获得所述第二生成对抗网络。
5.根据权利要求2所述的风力发电机叶片结冰检测方法,其特征在于,所述根据所述生成对抗网络中获得的所述训练样本的生成样本与原始样本的特征向量差进行预训练获得卷积分类器,包括:
根据所述结冰样本的测量数据以及第一生成对抗网络获得所述结冰样本的原始样本以及第一生成样本;
将所述结冰样本的第一生成样本与所述结冰样本的原始样本之间的特征向量差作为第一特征数据;
根据所述正常样本的测量数据以及第二生成对抗网络获得所述正常样本的原始样本以及第二生成样本;
将所述正常样本的第二生成样本与所述正常样本的原始样本之间的特征向量差作为第二特征数据;
将所述第一特征数据与所述第二特征数据进行拼接,得到拼接数据;
将所述拼接数据通过连接层获得卷积分类器的输入数据;
将所述卷积分类器的输入数据输入至待训练卷积分类器中进行训练,得到所述卷积分类器。
6.根据权利要求5所述的风力发电机叶片结冰检测方法,其特征在于,
所述第一特征数据为将所述第一生成对抗网络对应的第一辨别器特征提取部分的输出特征向量减去第一生成器编码网络的输出特征向量后得到的第一差值;
所述第二特征数据为所述第二生成对抗网络对应的第二辨别器特征提取部分的输出特征向量减去第二生成器编码网络的输出特征向量后得到的第二差值;
所述拼接数据为所述第一差值与所述第二差值进行拼接后得到的8通道生成-原始特征向量;
所述卷积分类器的输入数据包括8通道特征。
7.根据权利要求6所述的风力发电机叶片结冰检测方法,其特征在于,所述将所述卷积分类器的输入数据输入至待训练卷积分类器中进行训练,得到所述卷积分类器,包括:
将所述8通道特征输入至待训练卷积分类器中,得到根据卷积分类器预测的风机叶片是否结冰的检测结果,并根据卷积分类器预测的风机叶片是否结冰的检测结果与真实结果获得待训练卷积分类器的二分类交叉熵损失函数;
以最小化所述待训练卷积分类器的二分类交叉熵损失函数为目标,重复待训练卷积分类器的二分类交叉熵损失函数的获得步骤,直至达到迭代停止条件,获得所述卷积分类器。
8.根据权利要求7所述的风力发电机叶片结冰检测方法,其特征在于,所述将所述生成对抗网络的预训练参数以及所述卷积分类器的预训练参数进行整体训练,得到结冰检测整体训练网络,包括:
加载所述第一生成对抗网络、第二生成对抗网络和卷积分类器的网络参数;
获取所述训练样本中的任意一组训练样本,并将该组训练样本输入至整体训练网络,获得对该组训练样本是否结冰的预测判断结果,基于该预测判断结果与真实结果获得整体训练网络的二分类交叉熵损失函数;
以最小化所述整体训练网络的二分类交叉上损失函数为目标,重复整体训练网络的二分类交叉熵损失函数的获得步骤,直至达到迭代停止条件,获得所述结冰检测整体训练网络。
9.一种风力发电机叶片结冰检测系统,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至8中任意一项所述的风力发电机叶片结冰检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1至8中任意一项所述的风力发电机叶片结冰检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110306110.0A CN112949744B (zh) | 2021-03-23 | 2021-03-23 | 风力发电机叶片结冰检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110306110.0A CN112949744B (zh) | 2021-03-23 | 2021-03-23 | 风力发电机叶片结冰检测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949744A CN112949744A (zh) | 2021-06-11 |
CN112949744B true CN112949744B (zh) | 2023-09-05 |
Family
ID=76228493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110306110.0A Active CN112949744B (zh) | 2021-03-23 | 2021-03-23 | 风力发电机叶片结冰检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949744B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376801A (zh) * | 2018-12-04 | 2019-02-22 | 西安电子科技大学 | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 |
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 |
CN112215281A (zh) * | 2020-10-12 | 2021-01-12 | 浙江大学 | 一种风机叶片结冰故障检测方法 |
-
2021
- 2021-03-23 CN CN202110306110.0A patent/CN112949744B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376801A (zh) * | 2018-12-04 | 2019-02-22 | 西安电子科技大学 | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 |
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 |
CN112215281A (zh) * | 2020-10-12 | 2021-01-12 | 浙江大学 | 一种风机叶片结冰故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112949744A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107505133B (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
CN109026563B (zh) | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 | |
CN112016251B (zh) | 一种核动力装置故障的诊断方法及系统 | |
CN111444940A (zh) | 风机关键部位故障诊断方法 | |
CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN106920007A (zh) | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN106198551A (zh) | 一种输电线路缺陷的检测方法及装置 | |
CN105740635B (zh) | 一种变压器电磁设计方案的云理想解评价方法 | |
CN114169374B (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
CN109710661A (zh) | 基于遗传模拟退火算法对高压加热器状态分析的方法 | |
CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN111931851A (zh) | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 | |
CN111160457A (zh) | 基于软一类极限学习机的涡轴发动机故障检测方法 | |
CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
CN114417948A (zh) | 一种基于神经网络预测电池热失控的方法 | |
CN110794254A (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN112949744B (zh) | 风力发电机叶片结冰检测方法、系统及存储介质 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
CN117197554A (zh) | 一种变压器漏油实时检测方法及系统 | |
CN109813420A (zh) | 一种基于Fuzzy-ART的并联电抗器故障诊断方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221109 Address after: 226010 Floor 4, Building 8, Zilang Science and Technology City, No. 60 Chongzhou Avenue, Xiaohai Street, Nantong Development Zone, Jiangsu Province Applicant after: Yuanshi Intelligent Technology (Nantong) Co.,Ltd. Address before: 214174 329 Weir Road, Huishan District, Wuxi, Jiangsu Applicant before: HUST-WUXI Research Institute |
|
GR01 | Patent grant | ||
GR01 | Patent grant |