CN114595884A - 一种遗传智能优化的神经网络风力发电设备温度预测方法 - Google Patents

Abstract

本发明提出一种遗传智能优化的神经网络风力发电设备温度预测方法，涉及电力能源和人工智能领域。其特征是提出一种人工智能辅助的深度学习风力发电设备温度预测方法。首先，为构建风力发电设备温度预测方法要求的数据集，对输入样本数据进行预处理，将风电设备参量数据序列进行数据标注、归一化，生成便于深度学习模型处理的数据原矩阵，确定原矩阵维度，并将数据序列填充到原矩阵中；其次，构建神经网络模型，包括构建卷积层、激活函数层、池化层、全连接层；最后，将每一层的神经网络参数权值与染色体基因对应，进行多层基因编码、构建适应度函数及交换、变异、更新，实现面向风力发电设备温度的高效智能预测。

Description

一种遗传智能优化的神经网络风力发电设备温度预测方法

技术领域

本发明涉及电力能源和人工智能领域，尤其涉及到一种遗传智能优化的神经网络风力发电设备温度预测方法。

背景技术

人工智能是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的前沿技术科学，其目标是用机器实现人类的部分智能，替代人类实现识别、认知、分类与决策等多种功能。作为现代人工智能的重要组成，机器学习使计算机能够模拟人类的学习行为，自动通过学习来获取知识与技能，并不断改善系统自身的性能。其中，神经网络作为一种基于多层网络学习模型，面向底层数据对象，采用逐层抽象机制，最终形成高层概念的人工智能方法，能够模拟人脑神经系统的深层结构以及人脑认知过程的逐层抽象、逐次迭代机制，并在信息搜索，数据挖掘，图像分类，机器翻译，自然语言处理以及其他相关领域取得了巨大成功，解决了很多复杂的模式识别难题。

现阶段风力发电设备关键运行温度监测和评估方法研究主要集中在具有先验知识条件下的信息判读、阈值判读等低层级水平，即依靠温度传感器获取温度信息，实现温度报警。一旦传感器老化、故障、精度及实时性降低，都将导致温度监控失效，从而造成风力发电设备毁伤。鉴于现有方法缺乏针对风力发电设备运行数据的人工智能深度挖掘、建模、分析及预判能力，对现有风力发电设备历史数据利用程度不高，对运行参量之间的数据关联性和规律性挖掘不足，对于隐藏在表层数据背后的大量有用信息尚无法有效开发和利用。本发明利用风力发电设备参数信息，挖掘风力发电设备关键运行温度与其他相关参数之间的内在规律，通过构建及优化的神经网络模型，实现对关键运行温度的有效预测，避免单一温度传感器反馈信息失效后，对温度参数异常的及时发现，保证设备正常运行。

发明内容

针对现有技术的不足，本发明提出一种遗传智能优化的神经网络风力发电设备温度预测方法；

一种遗传智能优化的神经网络风力发电设备温度预测方法，具体为以下步骤：

步骤1：采集风力发电设备数据，对采集到的风力发电设备数据进行预处理；

步骤1.1：采集风力发电设备数据，对风力发电设备数据进行归一化处理；

采集不同时段的风力发电设备可测量参数包括：有功功率、实际风速、发电机转速、环境温度、机舱温度、齿轮箱油温度、发电机定子绕组温度、发电机前轴承温度、发电机后轴承温度等；将采集到的这些不同时段的参数值组成一个矩阵F，矩阵的行是采集到的风力发电设备不同参数的值，矩阵的列为风力发电设备同一参数不同时段对应的值，将矩阵F作为风力发电设备数据集；矩阵F表示为：

表示采集到的风力发电设备任一参数值，i表示行数，k表示列数；设矩阵F中第k列的向量为P_k，

其中最大值为M_k＝max{P_k}，则归一化后向量为

步骤1.2：对风力发电设备数据进行多目标数据标识；

首先确定要监测及预测的温度参数，将需要预测的温度参数作为输出空间数据Y，作为数据标注项；其他参量则作为输入空间特征数据X，构成用于卷积神经网络深度学习的有监督样本数据集：

T＝[X⁽¹⁾，X⁽²⁾，…，X^(k)，…，X^(K)，Y]

其中，

Y＝[y₁，y₂，…，y_N]^T；

步骤1.3：将已标注的有监督样本数据集读入到卷积神经网络中，并按80％、20％的比例随机分成训练数据集和测试数据集，并将训练数据集、测试数据集数据信息进行保存；

所述有监督样本数据集为面向风电设备状态温度参数的多目标标注数据，多目标主要体现在针对风电设备不同状态温度，构建不同的数据标注项Y，来预测不同的设备温度，建立面向风电设备参数的有监督样本数据集；

步骤2：构建卷积神经网络模型；

步骤2.1：构建面向风电设备温度参数的卷积层，实现面向风电设备温度参数序列化和卷积特征提取；卷积层为通过卷积核来提取风电设备数据的特征，卷积核是一个矩阵，从左上角开始，卷积核的大小就对应着生成矩阵范围，然后相乘再相加得出一个值；按照这种顺序，每隔一个步长的元素就进行一次卷积操作，然后得到一个经过卷积操作值，将整个矩阵进行这样的卷积核窗口滑动，会形成一个卷积和矩阵，该矩阵中元素经过卷积层输出，再经过激活函数计算处理输出就得到数据特征映射，实现面向电力设备温度参数序列的卷积化分析和特征提取；

设输入数据某一行为A＝(a₁，a₂，…，a_k，a_n)，

n＝1，2，…，N；其卷积核B＝(b₁，b₂，…，b_m)，m＝1，2，…，M；第i层的卷积层H_i＝(h_i)；

输入层和卷积层连接，

表示为c_ij；

步骤2.2：构建激活函数层；

激活函数采用Relu；

Re lu＝max(0，C_ij)

步骤2.3：构建池化层；

采用最大池化方式，选取指定区域内最大的一个数来代表整片区域，设区域内输入A，A＝(a₁，a₂，…，a_k，a_n)，则池化层输出Y表示为：

Y＝max{a₁，a₂，…，a_k，a_n}

步骤2.4：构建全连接层；

全连接层将风电设备数据的“分布式特征表示”映射到样本标记空间，全连接层输出为：

其中，设全连接层共有L层，

表示第l层第i单元的输出值；f为全连接层激活函数，W为神经网络权值，b为偏移量；

步骤3：利用遗传算法进行卷积神经网络模型权值的寻优，在所给数据样本空间内达到卷积神经网络模型的最优化；

步骤3.1：建立神经网络多层基因编码，对卷积神经网络全连接网络每层依次进行基因编码，将每层基因编码连接在一起构成整体染色体；

利用遗传算法对神经网络全连接层神经元权值参数进行基因编码，设第一层权值参数为N₁个，第二次权值参数为N₂个，第三次权值参数为N₃个，将神经网络模型权值参数排列成染色体序列，序列表示为(N₁，N₂，N₃)，染色体的基因数量为N₁+N₂+N₃；

步骤3.2：构建适应度函数

采用多层平均绝对误差作为适应度函数：

其中，yi为第i个温度样本的真实值，

为神经网络模型的温度预测值，n为样本数量；且每次计算适应度函数依次按全连接网络层数依次更新计算；

列tness_j为单独计算第j层权值的适应度函数；

步骤3.3：从染色体序列中随机生成(初始情况)或更新G组，G为偶数，作为染色体祖先群落，由祖先染色体开始繁衍；

步骤3.4：对神经网络全连接层进行独立基因交换；G组染色体两两一组，共有G/2对染色对，对神经网络全连接层权值参数每一层内的基因，且只对本层基因，随机选择P个基因，对应位置进行权值交换；

步骤3.5：对神经网络权值进行基因变异；从步骤3.4中随机选择2*n个染色体，随机选择几个基因进行任意改变，通过变异增加模型随机性，从而使得卷积神经网络模型能够跳出局部最优获取更好的寻优效果；

步骤3.6：将步骤3.4、步骤3.5染色体代入卷积神经网络模型进行计算，得出预测值，求出适应度函数，将所得结果按适应度函数小到大排序，选择最小的G个染色体，用其更新祖先群落，重复步骤3.3-3.6，

步骤3.7：达到预设迭代次数或满足适应度函数要求，完成对卷积神经网络模型的优化；

步骤4：将包含需要预测的温度已标注的有监督样本数据集读入到优化后的卷积神经网络模型中，预测风电设备的标定温度参数值。

本发明有益技术效果为：

本发明开展人工智能辅助的风力发电设备温度预判技术研究，从智能数据分析和利用角度，准确预测设备温度变化态势，保障风力发电机组的正常运行。

本发明用于解决风力发电设备温度预测问题，特别是针对风力发电设备目标系统运行过程中温度传感器突发异常，温度传感器返回错误值的情况下，建立以神经网络深度学习方法为主，结合遗传算寻优策略的人工智能辅助自主温度预测模型，在神经网络模型训练的过程中，通过数据规范化预处理、构建卷积神经网络模型、神经网络权值遗传优化，最终实现针对风电设备潜在温度的有效监控、可靠预测和准确预警。

附图说明

图1为本发明一种遗传智能优化的神经网络风电设备温度预测方法总体框图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明；

一种遗传智能优化的神经网络风力发电设备温度预测方法，如图1所示，具体步骤如下：

步骤1：采集风力发电设备数据，对采集到的风力发电设备数据进行预处理；

步骤川：采集风力发电设备数据，对风力发电设备数据进行归一化处理；

采集不同时段的风力发电设备可测量参数包括：有功功率、实际风速、发电机转速、环境温度、机舱温度、齿轮箱油温度、发电机定子绕组温度、发电机前轴承温度、发电机后轴承温度等；将采集到的这些不同时段的参数值组成一个矩阵F，矩阵的行是采集到的风力发电设备不同参数的值，矩阵的列为风力发电设备同一参数不同时段对应的值，将矩阵F作为风力发电设备数据集；矩阵F表示为：

表示采集到的风力发电设备任一参数值，i表示行数，k表示列数；设矩阵F中第k列的向量为P_k，

其中最大值为M_k＝max{P_k}，则归一化后向量为

设风电设备参数每隔10分钟采用数据，状态参量数据序列维度为275，样本数为100000；

设数据集中第j列的向量为P_j，

其中大值为

则归一化后向量为

步骤1.2：对风力发电设备数据进行多目标数据标识；

首先确定要监测及预测的温度参数，将需要预测的温度参数作为输出空间数据Y，作为数据标注项；其他参量则作为输入空间特征数据X，构成用于卷积神经网络深度学习的有监督样本数据集：

T＝[X⁽¹⁾，X⁽²⁾，…，X^(k)，…，X^(K)，Y]

其中，

Y＝[y₁，y₂，…，y_N]^T；

设要预测的数据为发电机后轴承温度，选择发电机后轴承温度最大值作为主要预测参数Y，其温度最小值、平均值相对于最大值为非独立参数，所以在模型训练数据中剔除。其余输入空间数据维度为272；

步骤1.3：将已标注的有监督样本数据集读入到卷积神经网络中，并按80％、20％的比例随机分成训练数据集和测试数据集，并将训练数据集、测试数据集数据信息进行保存；训练集数据数目为80000，测试集数据为20000；

所述有监督样本数据集为面向风电设备状态温度参数的多目标标注数据，多目标主要体现在针对风电设备不同状态温度，构建不同的数据标注项Y，来预测不同的设备温度，例如齿轮箱油温度、发电机定子绕组温度、发电机前轴承温度，建立面向风电设备参数的有监督样本数据集；

步骤2：构建卷积神经网络模型；

步骤2.1：构建面向风电设备温度参数的卷积层，实现面向风电设备温度参数序列化和卷积特征提取。本发明构建的卷积层通过卷积核来提取风电设备数据的特征，卷积核是一个矩阵，从左上角开始，卷积核的大小就对应着生成矩阵范围，然后相乘再相加得出一个值。按照这种顺序，每隔一个步长的元素就进行一次卷积操作，然后得到一个经过卷积操作值，将整个矩阵进行这样的卷积核窗口滑动，会形成一个卷积和矩阵，该矩阵中元素经过卷积层输出，再经过激活函数计算处理输出就得到数据特征映射，实现面向电力设备温度参数序列的卷积化分析和特征提取。

设输入数据某一行为A＝(a₁，a₂，…，a_k，a₂₇₂)，

n＝1，2，…，N；其卷积核B＝(b1，b2，…，b272)，m＝1，2，...，272；第i层的卷积层H_i＝(h_i)；

输入层和卷积层连接，

表示为c_ij；

构建面向风电设备参数的卷积序列化层，实现面向风电设备温度参数序列化和卷积特征提取，为1*n序列，其卷积核和为1*m，m小于等于n；构建1*272卷积，采用不同卷积核1*2，1*3，…，从而获取不同卷积特征，构造特征空间。

卷积层是通过卷积核来提取数据的特征，卷积核也可以说是一个矩阵，从左上角开始，卷积核的大小就对应着生成矩阵范围，然后相乘再相加得出一个值。按照这种顺序，每隔一个步长的像素就进行一次卷积操作，然后得到一个经过卷积操作得出的值，将整个矩阵进行这样的卷积核窗口滑动，会形成一个卷积和矩阵，该矩阵中元素经过一层卷积层输出，再经过激活函数计算处理输出就得到数据特征映射。本发明构建1*n的卷积序列化神经网络层，实现面向电力设备温度参数序列的卷积化分析和特征提取。

步骤2.2：构建激活函数层；

激活函数采用Relu；

Re lu＝max(0，C_ij)

ReLU函数是一个分段线性函数，能够进行这种单侧抑制操作，网络在反向传播时不会出现饱和倾向，也不会有特别小的梯度出现，从而造成梯度消失的现象，经过R_eLU函数后，所有负数都为取0，正值保持不变，这样会造成网络的稀疏性，减少参量之间大的依赖关系，缓解过拟合问题的发生；正是因为R_eLU函数能够使得模型在训练过程中的收敛速度维持在一个稳定的状态。

卷积神经网络在进行网络模型训练时，为了增加神经网络的非线性，需要引入激活函数，激活函数对理解非常复杂和非线性的函数来说具有十分重要的作用。将非线性特性引入到网络中。其主要目的是将神经网络模型中一个节点的输入信号转换成一个输出信号。该输出信号现在被用作堆叠中下一个层的输入。

步骤2.3：构建池化层；

采用最大池化方式，选取指定区域内最大的一个数来代表整片区域，设区域内输入A，A＝(a₁，a₂，…，a_k，a_n)，则池化层输出Y表示为：

Y＝max{a₁，a₂，…，a_k，a_n}

本发明采用最大池化方式，选取指定区域内最大的一个数来代表整片区域，和卷积层的维度输出结果一样，计算方式不一样。池化层可以缩小特征映射的大小，从而达到减少训练网络参量的目的。特征映射中，同一区域提取到的特征相似，通过使用最大值池化的方法，有效缩减特征映射大小，减少网络参量。

步骤2.4：构建全连接层；

全连接层将风电设备数据的“分布式特征表示”映射到样本标记空间，全连接层输出为：

其中，设全连接层共有有L层，

表示第l层第i单元的输出值；f为全连接层激活函数，W为神经网络权值，x_i为输入，b为偏移量；

设全连接层为三层，其权重参数数量分别为，128，64，64。计算公式如下所示：

其中，

表示第l层第i单元的输出值；f为激活函数；W为神经网络权值，b为偏移。

在卷积层、池化层和激活函数层等操作的基础上，原始数据映射到隐层特征空间；全连接层将风电数据的“分布式特征表示”映射到样本标记空间，最终实现数据、特征与标记的关联映射，从而达到对风电设备温度的有效预测。

步骤3：利用遗传算法进行卷积神经网络模型权值的寻优，在所给数据样本空间内达到卷积神经网络模型的最优化；

步骤3.1：建立神经网络多层基因编码，对卷积神经网络全连接网络每层依次进行基因编码，将每层基因编码连接在一起构成整体染色体；

利用遗传算法对神经网络全连接层神经元权值参数进行基因编码，设第一层权值参数为N₁个，第二次权值参数为N₂个，第三次权值参数为N₃个，将神经网络模型权值参数排列成染色体序列，序列表示为(N₁，N₂，N₃)，染色体的基因数量为N₁+N₂+N₃；

利用遗传算法对神经网络全连接层神经元权值参数进行基因编码，则第一层权值参数为128个，第二次权值参数为64个，第三次权值参数为64个，序列表示为(128，64，64)，染色体的基因数量为256。

步骤3.2：构建适应度函数

采用多层平均绝对误差作为适应度函数：

其中，yi为第i个温度样本的真实值，

为神经网络模型的温度预测值，n为样本数量；且每次计算适应度函数依次按全连接网络层数依次更新计算；

Fitness₁第一层权值参数的适应度函数表示为；

Fitness₂第一层权值参数的适应度函数表示为；

Fitness₃第一层权值参数的适应度函数表示为；

步骤3.3：从染色体序列中随机生成(初始情况)或更新100组，作为染色体祖先群落，由祖先染色体开始繁衍；

步骤3.4：对神经网络全连接层进行独立基因交换；对祖先群落染色体每一层内的基因，并且只对本层基因，随机选择P个基因，对应位置进行权值交换，并计算该层的适应度函数；100组染色体两两一组，共有50对染色对，选择40对染色体，即80个染色体进行基因互换。其中，第1层网络的128个基因随机选择10％进行基因互换，生成新80个染色体；第2层网络的64个基因随机选择10％进行基因互换，生成第二组80个基因；第3层网络的64个基因随机选择10％进行基因互换，生成第三组80个染色体。

步骤3.5：对神经网络权值进行基因变异；从新生成的3组共240个染色体中随机选择60个，将他们中随机10％的基因进行随机变异。

步骤3.6：将步骤3.4、步骤3.5染色体代入卷积神经网络模型进行计算，得出预测值，求出适应度函数，将所得结果按适应度函数小到大排序，用其更新祖先群落，重复步骤3.3-3.6。

直到达到预设迭代次数，使其满足适应度函数要求，完成对卷积神经网络模型的优化；

将以上步骤3.3、步骤3.4过程更新的300个染色体以及原100个染色体，共400个染色体，代入神经网络得到预测值，重新计算样本集的适应度函数Fitness₁，Fitness₂，Fitness₃，按从小到大重新排序，取最小的前100个作为新的祖先群落，重复3.3～3.6过程。

步骤3.7：设迭代次数为50，满足迭代次数优化完成

步骤4：将包含需要预测的温度已标注的有监督样本数据集读入到优化后的卷积神经网络模型中，预测其温度参数值。

Claims (4)

1.一种遗传智能优化的神经网络风力发电设备温度预测方法，其特征在于，具体步骤如下：

步骤1：采集风力发电设备数据，对采集到的风力发电设备数据进行预处理；生成包含已标注的需要预测的温度有监督样本数据集；

步骤2：构建卷积神经网络模型；

步骤3：利用遗传算法进行卷积神经网络模型权值的寻优，在所给数据样本空间内达到卷积神经网络模型的最优化；

步骤4：将包含需要预测的温度已标注的有监督样本数据集读入到优化后的卷积神经网络模型中，预测风电设备的标定温度参数值。

2.根据权利要求1所述的一种遗传智能优化的神经网络风力发电设备温度预测方法，其特征在于，步骤1具体为：

步骤1.1：采集风力发电设备数据，对风力发电设备数据进行归一化处理；

采集不同时段的风力发电设备可测量参数包括：有功功率、实际风速、发电机转速、环境温度、机舱温度、齿轮箱油温度、发电机定子绕组温度、发电机前轴承温度、发电机后轴承温度等；将采集到的这些不同时段的参数值组成一个矩阵F，矩阵的行是采集到的风力发电设备不同参数的值，矩阵的列为风力发电设备同一参数不同时段对应的值，将矩阵F作为风力发电设备数据集；矩阵F表示为：

表示采集到的风力发电设备任一参数值，i表示行数，k表示列数；设矩阵F中第k列的向量为P_k，

其中最大值为M_k＝max{P_k}，则归一化后向量为

步骤1.2：对风力发电设备数据进行多目标数据标识；

首先确定要监测及预测的温度参数，将需要预测的温度参数作为输出空间数据Y，作为数据标注项；其他参量则作为输入空间特征数据X，构成用于卷积神经网络深度学习的有监督样本数据集：

T＝[X⁽¹⁾，X⁽²⁾，…，X^(k),…，X^(K)，Y]

其中，

Y＝[y₁,y₂,…,y_N]^T；

步骤1.3：将已标注的有监督样本数据集读入到卷积神经网络中，并按80％、20％的比例随机分成训练数据集和测试数据集，并将训练数据集、测试数据集数据信息进行保存；

所述有监督样本数据集为面向风电设备状态温度参数的多目标标注数据，多目标主要体现在针对风电设备不同状态温度，构建不同的数据标注项Y，来预测不同的设备温度，建立面向风电设备参数的有监督样本数据集。

3.根据权利要求1所述的一种遗传智能优化的神经网络风力发电设备温度预测方法，其特征在于，步骤2具体为：

步骤2.1：构建面向风电设备温度参数的卷积序列化层，实现面向风电设备温度参数序列化和卷积特征提取；卷积层为通过卷积核来提取风电设备数据的特征，卷积核是一个矩阵，从左上角开始，卷积核的大小就对应着生成矩阵范围，然后相乘再相加得出一个值；按照这种顺序，每隔一个步长的元素就进行一次卷积操作，然后得到一个经过卷积操作值，将整个矩阵进行这样的卷积核窗口滑动，会形成一个卷积和矩阵，该矩阵中元素经过卷积层输出，再经过激活函数计算处理输出就得到数据特征映射，实现面向电力设备温度参数序列的卷积化分析和特征提取；

设输入数据某一行为A＝(a₁，a₂，…，a_k，a_n)，

其卷积核B＝(b₁，b₂，…，b_m)，m＝1，2，…，M；第i层的卷积层H_i＝(h_i)；

输入层和卷积层连接，

表示为c_ij；

步骤2.2：构建激活函数层；

激活函数采用Relu；

Relu＝max(0,C_ij)

步骤2.3：构建池化层；

采用最大池化方式，选取指定区域内最大的一个数来代表整片区域，设区域内输入A，A＝(a₁，a₂，…，a_k，a_n)，则池化层输出Y表示为：

Y＝max{a₁，a₂，…，a_k，a_n}

步骤2.4：构建全连接层；

全连接层将风电设备数据的“分布式特征表示”映射到样本标记空间，全连接层输出为：

其中，设全连接层共有L层，

表示第l层第i单元的输出值；f为全连接层激活函数，W为神经网络权值，b为偏移量。

4.根据权利要求1所述的一种遗传智能优化的神经网络风力发电设备温度预测方法，其特征在于，步骤3具体为：

步骤3.1：建立神经网络多层基因编码，对卷积神经网络全连接网络每层依次进行基因编码，将每层基因编码连接在一起构成整体染色体；

利用遗传算法对神经网络全连接层神经元权值参数进行基因编码，设第一层权值参数为N₁个，第二次权值参数为N₂个，第三次权值参数为N₃个，将神经网络模型权值参数排列成染色体序列，序列表示为(N₁，N₂，N₃)，染色体的基因数量为N₁+N₂+N₃；

步骤3.2：构建适应度函数

采用多层平均绝对误差作为适应度函数：

其中，y_i为第i个温度样本的真实值，

为神经网络模型的温度预测值，n为样本数量；且每次计算适应度函数依次按全连接网络层数依次更新计算；

Fitness_j为单独计算第j层权值的适应度函数；

步骤3.3：从染色体序列中随机生成(初始情况)或更新G组，G为偶数，作为染色体祖先群落，由祖先染色体开始繁衍；

步骤3.4：对神经网络全连接层进行独立基因交换；G组染色体两两一组，共有G/2对染色对，对神经网络全连接层权值参数每一层内的基因，且只对本层基因，随机选择P个基因，对应位置进行权值交换；

步骤3.5：对神经网络权值进行基因变异；从步骤3.4中随机选择2*n个染色体，随机选择几个基因进行任意改变，通过变异增加模型随机性，从而使得卷积神经网络模型能够跳出局部最优获取更好的寻优效果；

步骤3.6：将步骤3.4、步骤3.5染色体代入卷积神经网络模型进行计算，得出预测值，求出适应度函数，将所得结果按适应度函数小到大排序，选择最小的G个染色体，用其更新祖先群落，重复步骤3.3-3.6，

步骤3.7：达到预设迭代次数或满足适应度函数要求，完成对卷积神经网络模型的优化。

Images