CN115130387B - 一种风力发电智能态势感知系统 - Google Patents
一种风力发电智能态势感知系统 Download PDFInfo
- Publication number
- CN115130387B CN115130387B CN202210829873.8A CN202210829873A CN115130387B CN 115130387 B CN115130387 B CN 115130387B CN 202210829873 A CN202210829873 A CN 202210829873A CN 115130387 B CN115130387 B CN 115130387B
- Authority
- CN
- China
- Prior art keywords
- network
- data
- expert
- output
- situation
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000012546 transfer Methods 0.000 claims abstract description 30
- 210000002569 neuron Anatomy 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 25
- 210000002364 input neuron Anatomy 0.000 claims description 24
- 210000001153 interneuron Anatomy 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 18
- 210000004205 output neuron Anatomy 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 238000013178 mathematical model Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- 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
Abstract
本发明为一种风力发电智能态势感知系统,该感知系统包括以下内容:采用具有数据通道扩展能力的分层态势感知神经网络架构,包括专家网络层、特征融合层和推断网络层;专家网络层中对应每一种传感器输入单独设立一个专家网络,输入为各种传感器采集的数据,输出为对应不同传感器的多模态特征;特征融合层的输入为专家网络层的输出,特征融合层的输出为态势特征序列;特征融合层对专家网络层中的每个专家网络的输出做四种新定义的范数运算,并拼接成序列;推断网络处理特征融合层输出的特征序列,输出态势转移知识图谱上的游走决策;采用基于终身学习的训练策略优化网络参数。在有新数据引入时具有较好的自适应性,能有效提升发电稳定性、可靠性。
Description
技术领域:
本发明涉及一种风力发电智能态势感知系统,特别是能智能监控风场发电机组的运行状态的态势感知和分析系统。
背景技术:
我国风力发电行业发展迅速,行业并网装机容量持续增长,风电场规模不断扩大,风力发电机组的运行态势感知逐渐成为风电并网的稳定性的重要保障。目前风机运行态势感知的方法主要为机理模型态势感知算法和神经网络模型态势感知算法两种。前者如《一种电网调度态势感知检测系统》(CN202210154688.3),后者如《一种基于人工智能技术的调度运行态势全局感知方法及系统》(CN202210067060.X)。然而,目前的两种方法都缺少对多模态数据的适应性,在向系统中添加新类型的传感器采集的数据时,往往要专业的数据分析专家调整算法:或者更改算法结构。尽管现有技术有对多模态数据的处理流程,但还是需要为不同模态的数据特别设计预处理方法,方法本身对多模态数据没有良好的适应性。因此,有必要设计一种基于多模态神经网络架构的新型智能态势感知系统。
发明内容:
本发明的目的是,提供一种风力发电智能态势感知系统,感知机组运行状态,在有新数据引入时具有较好的自适应性,不需要专业的专家参与,能够有效提升发电稳定性,增强风电系统的可靠性。
为实现上述目的,本发明的技术方案是:
一种风力发电智能态势感知系统,其特征在于,该感知系统包括以下内容:
1)采用具有数据通道扩展能力的分层态势感知神经网络架构:态势感知神经网络包含三层,分别为专家网络层、特征融合层和推断网络层;专家网络层的输入为各种传感器采集的数据,输出为对应不同传感器的多模态特征;专家网络层中对应每一种传感器输入单独设立一个专家网络,以传感器数据为输入,以从数据中提取到的潜在特征为输出,每一个专家网络的输出是阶数不一的张量;特征融合层的输入为专家网络层的输出,特征融合层的输出为态势特征序列;特征融合层对专家网络层中的每个专家网络的输出做四种新定义的范数运算,将阶数不一的张量整合为阶数相同的张量并拼接成序列,即为特征融合层输出的特征序列;推断网络层的推断网络处理特征融合层输出的特征序列,输出态势转移知识图谱上的游走决策;
四种新定义的范数为:||·||α’||·||β’||·||γ’||·||ε,计算公式为:
其中,Data为待求范数的阶数不定的张量,为阶数mth大于2的高阶张量的集合;T表示张量,代表是集合中的元素;[0,*]表示Data数据坐标的第一个维度坐标值为0的所有数据;0表示Data在该维度上的坐标值,*表示通配符,[1,*]表示按照第二个维度取第一个张量;
2)采用基于终身学习的训练策略优化专家网络和推断网络的网络参数:态势感知神经网络的训练有两个过程:训练专家网络层中新增的专家网络,新增的专家网络都使用随机初始化,用新数据训练新的专家网络;根据新的专家网络训练推断网络;训练方法为梯度下降和误差反传;
所述基于终身学习的训练策略为:向网络结构中添加新类型的数据输入Dd时,经过上述训练完成态势感知神经网络的训练,若推断网络给出的游走决策指向新的状态,则更新态势图谱;
态势感知神经网络使用神经元模型,能够在时序上输出脉冲信号,利用每一个单独训练的专家网络叠加训练推断网络,以此实现可扩展的网络参数优化过程。
专家网络与推断网络都由n*个使用新的激活函数的神经元相互连接组成的神经网络构成,神经元的非线性环节AF(x)为:
神经网络的神经元根据类型分为三种,分别是输入神经元、中间神经元和输出神经元,其中,输入神经元的神经元节点个数为ni,中间神经元的神经元节点个数为nj,输出神经元的神经元节点个数为(n*-ni-nj),所有神经元都利用非线性环节y=AF(x)实现激活,x变量;
输入神经元的数学模型是:
其中,I(t)为t时刻专家网络或推断网络输入维数min的输入,Sh(t-1)为(t-1)时刻的所有中间神经元状态向量,Si(t-1)为(t-1)时刻所有输入神经元的状态向量;Si(t)为t时刻输入神经元的输出的状态向量;Wi为输入神经元的输入变换矩阵,Wih为输入状态变换矩阵,Bi为输入神经元偏置;
所有中间神经元的数学模型为:
其中,Sh(t-1)为(t-1)时刻所有中间神经元的状态向量,Sh(t)为t时刻中间神经元的输出的状态向量;Whi为中间神经元的输入状态变换矩阵,Whh为中间神经元的状态传递矩阵,Bh为中间神经元偏置;
输出神经元的数学模型为:
O(t)=AF(WohSh(t-1)+WohSh(t)+Bo)
t时刻,输出神经元的输入为所有中间神经元的状态向量Sh(t)和Sh(t-1),输出为神经网络的输出O(t);输出神经元的参数为历史状态推断矩阵Woh,实时状态推断矩阵W'oh,输出神经元偏置Bo。
该感知系统包括态势感知平台,态势感知平台具有数据连接功能、态势感知与分析功能,能够添加并连接风机发电传感器的实时数据,调用搭建好的分层态势感知神经网络,计算各组风机的发电态势,在态势感知平台的监控界面向监控人员显示包括态势感知神经网络输出的故障诊断(故障类型)、运行工况、故障概率以及实时发电量(发电机组的发电功率)。
与现有技术相比,本发明的有益效果是:
(1)本发明采用了分层态势感知神经网络架构,底层网络(专家网络层)的多模态特征数据被整合为推断网络可以识别的时序特征,利用推断网络对时序信号长度的鲁棒性兼容不同模态的信息处理。
(2)本发明使用自定义的激活函数的神经元模型和终身学习的网络参数优化方式,当态势感知系统需要引入新数据作为推断依据时,无需重新设计网络结构,不用改变现有网络参数,可以直接添加新的数据通道。
(3)本发明搭建了态势感知平台,在该态势感知平台中设置监控界面,监控人员可使用的监控界面,可视化地调整态势感知神经网络的知识,查看风力发电运行态势的智能感知结果。
附图说明:
图1为本发明风力发电智能态势感知系统的态势感知神经网络的分层架构示意图。
图2为本发明风力发电智能态势感知系统的基于终身学习的训练策略的结构示意图。
图3为本发明风力发电智能态势感知系统的态势感知平台界面示意图。
具体实施方式:
下面结合实施例及附图进一步解释本发明,但并不以此作为对本申请保护范围的限定。
本发明中多模态特征是指,不同种类传感器获得的数据,不同模态的数据表现为阶数不同的数据张量,不同模态的数据张量编码信息的规则各不相同。
本发明风力发电智能态势感知系统,包括态势感知神经网络:
所述态势感知神经网络如图1所示,有三层,分别是专家网络层、特征融合层和推断网络层,所述专家网络层包含数个专家网络,专家网络数量为n,每个专家网络获取一种传感器数据,层内专家网络的数量是可扩展的。专家网络是态势感知神经网络的子网络,以传感器采集到的态势数据为输入,以从态势数据中提取到的特征数据为输出的神经网络。特征融合层接收专家网络层的所有专家网络输出的多模态数据,将多模态数据处理为单模态的时序数据,作为特征融合层的输出。特征融合层中新定义了高维张量上的四种范数特征,利用这四种特征整合拼接各专家网络输出的特征数据。推断网络层是态势感知神经网络的子网络,特征融合层输出的时序数据经过推断网络计算后输出态势转移知识图谱上的游走行为。
每个专家网络的输入输出形式为每一种传感器数据特别设计,即每种传感器数据为一种模态,每种模态的数据有自身的特点,因此不同专家网络的输入输出有差异,每个专家网络提取的特征数据为阶数不一致的张量形式。共有n个专家网络,每个专家网络处理一种模态数据,n个专家网络中有一部分为新增网络,用于添加新形式的传感器数据,使用摄像机拍摄发电风机的视频流数据(即运动数据)并利用“专家网络1”提取运动特征,使用电功率表采集发电风机的发电功率的电功率数据并利用“专家网络2”提取功率特征。如果需要添加新形式的传感器数据到态势感知神经网络中,利用新增“专家网络n”提取特征。
在当前采样时刻t,“专家网络1”的输入为摄像机采集到的视频流数据张量Vd(t),输出为运动特征张量Vf(t)。其中,Pixel={pvd|0≤pvd≤255,pvd∈N},Vd(t)是阶数为mvd×nvd的张量,pvd为取值范围在[0,255]的整数,N为自然数集;/> VF={pvf|-1≤pvf≤1,pvf∈R},Vf(t)是阶数为mvf×nvf的张量,pvf为取值范围[-1,1]的实数,R为实数集。
“专家网络2”的输入为电功率表采集发电风机的发电功率数据张量Pd(t),输出为功率特征张量Pf(t)。其中,Pd(t)∈R1,是阶数为1的张量,Pd(t)中的元素为实数; 是阶数为mpf的张量,Pf(t)中的元素为实数。以此类推,每个专家网络所输入的为一种模态的传感器数据张量,输出为该类传感器的特征张量,本实施例中新的传感器数据以进入专家网络n为例,“专家网络n”的输入为新的传感器采集的数据张量Dd(t),输出为新特征张量Df(t)。其中,/>mdd、mdf为阶数。
特征融合层接收专家网络层的多模态数据,将多模态数据处理为单模态的时序数据,作为特征融合层的输出。在特征融合层,定义了四种高维张量的范数,计算各专家网络输出张量的四种范数并按照专家网络顺序拼接成矩阵作为特征序列。对专家网络层的n个输出:运动特征张量Vf(t)、功率特征张量Pf(t)以及(n-2)个扩展的新特征张量Df1(t)、Df2(t)、......、Dfn-2(t),计算n个输出张量的四种范数,按专家网络顺序拼接成矩阵F(t)作为特征序列。F(t)的计算过程为:
Fv(t)=[||Vf(t)||α’||Vf(t)||β’||Vf(t)||γ’||Vf(t)||ε]T
Fp(t)=[||Pf(t)||α’||Pf(t)||β’||Pf(t)||γ’||Pf(t)||ε]T
Fd1(t)=[||Df1(t)||α’||Df1(t)||β,||Df1(t)||γ’||Df1(t)||ε]T
……
Fdn(t)=[||Dfn(t)||α’||Dfn(t)||β,||Dfn(t)||γ,||Dfn(t)||ε]T
F(t)=[Fv(t),Fp(t),Fd1(t),......,Fdn(t)],F(t)∈R4×n
对于待求范数的阶数不定的张量Data,阶数大于2的高阶张量的集合 四种新定义的范数为:||·||α’||·||β’||·||γ’||·||ε,其计算公式为:
Fv(t)=[||Vf(t)||α’||Vf(t)||β’||Vf(t)||γ’||Vf(t)||ε]
Fp(t)=[||Pf(t)||α’||Pf(t)||β’||Pf(t)||γ’||Pf(t)||ε]T
Fd1(t)=[||Df1(t)|α’||Df1(t)||β’||Df1(t)||γ’||Df1(t)||ε]T
推断网络的输入为特征融合层的输出,特征序列F(t),F(t+1)......。推断网络的输出为态势转移知识图谱上的游走决策A(t),A(t+1)......。设置初始态势转移知识图谱中节点的数量为u,每个节点代表一个态势,每个节点定义有发电功率、故障类型、运行工况等节点属性。故障类型代表不同的机组故障和无故障状态,机组故障为转子绕组熔断、定子绕组熔断、转子机械结构损坏等。运行工况包括高电压穿越、低电压穿越、额定运行和停机。态势转移知识图谱有两种定义方式:一种是人工总结已有数据中的知识内容,按照节点属性的不同人工定义节点;一种是依靠态势感知神经网络在训练过程中的游走决策,若游走决策指向未定义的节点,则通过数据对应的节点属性定义新的节点。本实施例中以五个节点举例,态势转移知识图谱如图1中所示,S0,S1,S2,S3,S4为五种风机态势,共有五个节点。S0为1500kW无故障额定运行状态,S1为1500kW无故障高电压穿越运行状态,S2为1500kW低电压穿越运行状态,S3为0kW转子绕组熔断停机状态,S4为0kW无故障停机状态。各种风机态势之间的关系通过节点之间定义的连边定义,初始连接矩阵SKG∈R4×4。风机正常运行时,网络初始化到额定运行状态S0。开始态势感知后,利用特征融合层输出经推断网络计算游走决策序列A(0),A(1),...,A(t)。利用游走决策序列A(t)的前(t-1)项计算得到t时刻的运行状态S(t),利用S(t)和A(t)计算S(t+1)。利用态势转移知识图谱(推断网络输出图谱中转移的动作)中S(t)态势的定义得到当前运行态势的发电功率、故障类型和运行工况,利用态势转移知识图谱中S(t+1)态势的定义得到(t+1)时刻的运行态势的估计值。如果向态势转移知识图谱中添加新定义的节点,则可识别的故障类型和运行工况可因新结点中定义了新故障类型和新运行工况而增加。在态势转移知识图谱中定义新的节点,需要定义新节点的故障类型和运行工况,以及新节点和态势转移知识图谱内其他节点的关系。
专家网络与推断网络的构建:
专家网络与推断网络都由n*个使用新的激活函数的神经元相互连接组成的神经网络构成,神经元之间的连接定义为连接矩阵W,所有神经元的偏置定义为B,mw×mw、mb分别为连接矩阵W和偏置的阶数。神经网络的神经元根据类型分为三种,分别是输入神经元、中间神经元和输出神经元。其中,输入神经元的神经元节点个数为ni,中间神经元的神经元节点个数为nj,输出神经元的神经元节点个数为(n*-ni-nj)。所有神经元都利用非线性环节y=AF(x)实现激活,考虑时序的间隙性,希望完成类似于神经元的人脑放电特性。神经元的非线性环节为:
输入神经元的输入分三部分,一部分为t时刻专家网络或推断网络输入维数min的输入I(t),一部分为(t-1)时刻的所有中间神经元状态向量Sh(t-1),一部分为(t-1)时刻所有输入神经元的状态向量Si(t-1)。t时刻,输入神经元的输出为状态向量Si(t)。输入神经元的参数为输入变换矩阵Wi,输入状态变换矩阵Wih,输入神经元偏置Bi。输入神经元的数学模型如下:
中间神经元的输入分为两部分,一部分为(t-1)时刻所有输入神经元输出的状态向量Si(t),一部分为(t-1)时刻所有中间神经元的状态向量Sh(t-1)。t时刻,中间神经元的输出为状态向量Sh(t)。中间神经元的参数为输入状态变换矩阵Whi,状态传递矩阵Whh,中间神经元偏置Bh。所有中间神经元的数学模型为:
t时刻,输出神经元的输入为所有中间神经元的状态向量Sh(t)和Sh(t-1),输出为神经网络的输出O(t)。输出神经元的参数为历史状态推断矩阵Woh,实时状态推断矩阵W'oh,输出神经元偏置Bo。输出神经元的数学模型为:
O(t)=AF(WohSh(t-1)+W′ohSh(t)+B。)
基于终身学习的训练策略:
态势感知神经网络的参数优化采用基于终身学习的训练策略。态势感知神经网络的训练有两个过程:训练专家网络层中新增的专家网络,新增的专家网络都使用随机初始化,用新数据训练新的专家网络;根据新的专家网络训练推断网络。两个过程中的训练方法为梯度下降和误差反传。基于终身学习的训练策略为:向网络结构中添加新类型的数据输入Dd时,经过上述两个步骤完成态势感知神经网络的训练,训练方法如图2基于终身学习的训练策略所示,虚线表示未训练状态,实线表示训练后的。以摄像机采集的视频数据Vd,电功率表采集到的电功率数据Pd,……,其它传感器采集的数据Dd为输入的态势感知神经网络的训练过程如下:
第一步,利用Vd和运动特征张量Vf(视频流监测风机的运行的状况,如扇叶损毁、速度过快、变形,用大量的视频流数据集训练专家网络,这种视频流数据集带有运动特征的标签,训练过程可依据现有技术实现)训练专家网络1。利用训练后的专家网络1、特征融合层和随机初始化的推断网络构建单模态输入的态势感知神经网络。利用Vd数据和该数据对应在态势转移知识图谱上的状态S与节点游走动作A训练推断网络。若推断网络输出A'使状态游走到当前态势转移知识图谱未定义的节点,则使用Vd数据和该数据对应的势定义新的节点。态势转移知识图谱根据先验获得,如在什么功率条件下会转移到某种态势下,定义节点的态势内容包括:发电机组的发电功率、故障类型、运行工况,定义节点的态势内容还可以报包括故障概率,故障概率指1-无故障概率,训练时为已知值。训练过程中,推断网络的输出为A'。当推断网络的参数优化到合适的组合时,第一步训练完成。第一步的训练过程如图2中a所示。
第二步,利用Pd和功率特征张量Pf(监测发电功率,如有效功在整个风转化过程中的占比)训练专家网络2。利用训练后的专家网络1、专家网络2、特征融合层和第一步训练的推断网络构建双模态输入的态势感知神经网络。利用Vd、Pd和数据对应在态势转移知识图谱上的状态S与节点游走动作A训练推断网络。若推断网络输出A'使状态游走到当前态势转移知识图谱未定义的节点,则使用Vd、Pd和数据对应的态势定义新的节点。定义节点的态势内容包括:故障类型、运行工况和故障概率。训练过程中,推断网络的输出为A'。当推断网络的参数优化到合适的组合时,第二步训练完成。第二步的训练过程如图2中b所示。
中间步骤依次类推,直到最后一步,利用新类型数据Dd和新特征Df训练专家网络n。利用训练后的专家网络1、专家网络2、…、专家网络n、特征融合层和上一步训练的推断网络构建多模态输入的态势感知神经网络。利用Vd、Pd、……、Dd和数据对应在态势转移知识图谱上的状态S与节点游走动作A训练推断网络。若推断网络输出A'使状态游走到当前态势转移知识图谱未定义的节点,则使用数据对应的态势定义新的节点。定义节点的态势内容包括:发电机组的发电功率、故障类型、运行工况和故障概率。训练过程中,推断网络的输出为A'。当推断网络的参数优化到合适的组合时,最后一步训练完成。最后一步的训练过程如图2中c所示。
感知发电态势:
态势感知平台具有数据连接功能、态势感知与分析功能,能够添加并连接风机发电传感器的实时数据,调用搭建好的基于自定义激活函数的神经元的分层态势感知神经网络,计算各组风机的发电态势,向监控人员显示包括上述态势感知神经网络输出的故障诊断,工况分析和风险预测(也就是故障概率)以及实时发电量(发电机组的发电功率)等信息。监控人员在上位机上运行态势感知平台,平台的用户界面如图3所示。
态势感知平台具有参数配置按钮、专家网络模块、态势感知信息显示框、报警模块,参数配置按钮用于选择上位机与传感器的数据接口;
专家网络模块用于增加专家网络的数量;
态势感知信息显示框用于显示监控机组的运行态势;
报警模块用于在故障发生时向相关部门或人员发出报警。
监控人员通过参数配置按钮选择上位机与传感器的数据接口,调用专家网络模块用于增加专家网络的数量,利用新模态数据训练新的专家网络,将新的专家网络接入态势感知神经网络,完成数据接入。数据接入后,平台通过态势感知神经网络输出的当前态势转移知识图谱中的节点状态读取连接状况。发电机组开始运行后,态势感知平台按照配置信息从数据接口读取数据,输入态势感知神经网络,获取态势感知神经网络输出的态势转移知识图谱上的游走决策,结合上一采样时刻所在节点计算当前采样时刻所处节点和下一采样时刻所处节点的估计。根据当前时刻所处节点的定义,态势感知平台读取节点上定义的发电机组的发电功率、故障类型、运行工况;根据下一采样时刻所处节点的估计,态势感知平台读取节点上定义的发电机组的故障概率。监控人员通过态势感知平台为故障处理部门提供态势感知信息。当故障发生后,监控平台立即向监控人员发出警报,包含故障类型和机组位置,方便故障处理部门快速准确响应;当风险预测判断风险发生概率达到设定阈值后,态势感知平台向监控人员预警,故障部门可根据预警信息提前做好故障处理准备。
上位机显示监控机组的运行态势,包括运行数据连接状态、发电量、故障机组的故障类型、机组处于高电压穿越、低电压穿越或者正常工况,机组在下一个数据采样周期内发生故障的概率等。
本申请使用的分层态势感知神经网络架构,利用循环神经网络实现,且利用循环神经网络的特性搭建无需后期调整,能适应多模态数据。多模态数据的特点不只是数据张量的阶数不一样,数据对信息的编码方式也不一样。例如,一个10*10像素的图片和一串1*100的电压序列就是两个模态不同的数据。把图片拉伸成1*100,会丢失图片上的位置关系;专门设计保留位置关系的从10*10->1*100的映射的算法,又不能处理RGB三通道3*10*10的图片数据。本申请的创新点在于,利用了神经网络对数据的非线性表示能力和数据驱动的训练特性,特别设计了三层网络架构,非线性辨识能力能够完成像上述算法10*10->1*100的映射;数据驱动的训练保障这种映射是有效的且有针对性的,而且不需要专业人员设计算法;三层网络构架使得网络不仅能处理已知的多模态数据,还能在不对方法做任何调整的情况下,直接适应新增的数据及其模态,可以无限扩展。
本发明未述及之处适用于现有技术。
Claims (5)
1.一种风力发电智能态势感知系统,其特征在于,该感知系统包括以下内容:
1)采用具有数据通道扩展能力的分层态势感知神经网络架构:态势感知神经网络包含三层,分别为专家网络层、特征融合层和推断网络层;专家网络层的输入为各种传感器采集的数据,输出为对应不同传感器的多模态特征;专家网络层中对应每一种传感器输入单独设立一个专家网络,以传感器数据为输入,以从数据中提取到的潜在特征为输出,每一个专家网络的输出是阶数不一的张量;特征融合层的输入为专家网络层的输出,特征融合层的输出为态势特征序列;特征融合层对专家网络层中的每个专家网络的输出做四种新定义的范数运算,将阶数不一的张量整合为阶数相同的张量并拼接成序列,即为特征融合层输出的特征序列;推断网络层的推断网络处理特征融合层输出的特征序列,输出态势转移知识图谱上的游走决策;
四种新定义的范数为:||·||α,||·||β,||·||γ,||·||ε,计算公式为:
其中,Data为待求范数的阶数不定的张量,HighTensor为阶数大于2的高阶张量的集合;[0,*]表示Data数据坐标的第一个维度坐标值为0的所有数据;0表示Data在该维度上的坐标值,*表示通配符,[1,*]表示Data数据坐标的第一个维度坐标值为1的所有数据;
2)采用基于终身学习的训练策略优化专家网络和推断网络的网络参数:态势感知神经网络的训练有两个过程:训练专家网络层中新增的专家网络,新增的专家网络都使用随机初始化,用新数据训练新的专家网络;根据新的专家网络训练推断网络;训练方法为梯度下降和误差反传;
所述基于终身学习的训练策略为:向网络结构中添加新类型的数据输入Dd时,经过上述训练完成态势感知神经网络的训练,若推断网络给出的游走决策指向新的状态,则更新态势图谱;
态势感知神经网络使用神经元模型,能够在时序上输出脉冲信号,利用每一个单独训练的专家网络叠加训练推断网络,以此实现可扩展的网络参数优化过程;
所述基于终身学习的训练策略的训练过程是:
第一步,利用视频流数据张量Vd和运动特征张量Vf训练专家网络1,视频流监测风机的运行的状况,用大量的视频流数据集训练专家网络1,这种视频流数据集带有运动特征的标签;利用训练后的专家网络1、特征融合层和随机初始化的推断网络构建单模态输入的态势感知神经网络;利用Vd数据和该数据对应在态势转移知识图谱上的状态S与节点游走动作A训练推断网络;若推断网络输出A'使状态游走到当前态势转移知识图谱未定义的节点,则使用Vd数据和该数据对应的势定义新的节点;态势转移知识图谱根据先验获得,定义节点的态势内容包括:发电机组的发电功率、故障类型、运行工况、故障概率,训练过程中,推断网络的输出为A';当训练完成时推断网络的参数优化完成;
第二步,利用发电功率数据张量Pd和功率特征张量Pf训练专家网络2,利用训练后的专家网络1、专家网络2、特征融合层和第一步训练的推断网络构建双模态输入的态势感知神经网络;利用Vd、Pd和数据对应在态势转移知识图谱上的状态S与节点游走动作A训练推断网络;若推断网络输出A'使状态游走到当前态势转移知识图谱未定义的节点,则使用Pd、Pd和数据对应的态势定义新的节点;定义节点的态势内容包括:故障类型、运行工况和故障概率;训练过程中,推断网络的输出为A';当训练完成时推断网络的参数优化完成;
第三步,中间步骤依次类推,直到最后一步,利用新类型数据Dd和新特征Df训练专家网络n,利用训练后的专家网络1、专家网络2、…、专家网络n、特征融合层和上一步训练的推断网络构建多模态输入的态势感知神经网络;利用Vd、Pd、……、Dd和数据对应在态势转移知识图谱上的状态S与节点游走动作A训练推断网络,若推断网络输出A'使状态游走到当前态势转移知识图谱未定义的节点,则使用数据对应的态势定义新的节点;定义节点的态势内容包括:发电机组的发电功率、故障类型、运行工况和故障概率;训练过程中,推断网络的输出为A';当训练完成时推断网络的参数优化完成,至此完成终身学习训练。
2.根据权利要求1所述的风力发电智能态势感知系统,其特征在于,专家网络与推断网络都由n*个使用新的激活函数的神经元相互连接组成的神经网络构成,神经元的非线性环节AF(x)为:
神经网络的神经元根据类型分为三种,分别是输入神经元、中间神经元和输出神经元,其中,输入神经元的神经元节点个数为ni,中间神经元的神经元节点个数为nj,输出神经元的神经元节点个数为n*-ni-nj,所有神经元都利用非线性环节y=AF(x)实现激活,x为变量;
输入神经元的数学模型是:
其中,I(t)为t时刻专家网络或推断网络输入维数min的输入,Sh(t-1)为t-1时刻的所有中间神经元状态向量,Si(t-1)为t-1时刻所有输入神经元的状态向量;Si(t)为t时刻输入神经元的输出的状态向量;Wi为输入神经元的输入变换矩阵,Wih为输入神经元的输入状态变换矩阵,Bi为输入神经元偏置;
所有中间神经元的数学模型为:
其中,Sh(t-1)为t-1时刻所有中间神经元的状态向量,Sh(t)为t时刻中间神经元的输出的状态向量;Whi为中间神经元的输入状态变换矩阵,Whh为中间神经元的状态传递矩阵,Bh为中间神经元偏置;
输出神经元的数学模型为:
O(t)=AF(WohSh(t-1)+W′ohSh(t)+Bo)
t时刻,输出神经元的输入为所有中间神经元的状态向量Sh(t)和Sh(t-1),输出为神经网络的输出O(t);输出神经元的参数为历史状态推断矩阵Woh,实时状态推断矩阵W′oh,输出神经元偏置Bo。
3.根据权利要求1所述的风力发电智能态势感知系统,其特征在于,该感知系统包括态势感知平台,态势感知平台具有数据连接功能、态势感知与分析功能,能够添加并连接风机发电传感器的实时数据,调用搭建好的分层态势感知神经网络,计算各组风机的发电态势,在态势感知平台的监控界面向监控人员显示包括态势感知神经网络输出的故障诊断、运行工况、故障概率以及实时发电量。
4.根据权利要求1所述的风力发电智能态势感知系统,其特征在于,所述专家网络层包含数个专家网络,专家网络数量为n,每个专家网络获取一种传感器数据,层内专家网络的数量是可扩展的;专家网络是态势感知神经网络的子网络,以传感器采集到的态势数据为输入,以从态势数据中提取到的特征数据为输出的神经网络;
每个专家网络处理一种模态数据,n个专家网络中有一部分为新增网络,用于添加新形式的传感器数据,使用摄像机拍摄发电风机的视频流数据并利用“专家网络1”提取运动特征,使用电功率表采集发电风机的发电功率的电功率数据并利用“专家网络2”提取功率特征;如果需要添加新形式的传感器数据到态势感知神经网络中,利用新增“专家网络n”提取特征。
5.根据权利要求1所述的风力发电智能态势感知系统,其特征在于,将阶数不一的张量整合为阶数相同的张量并拼接成序列的过程是:计算各专家网络输出张量的四种范数并按照专家网络顺序拼接成矩阵作为特征序列,对专家网络层的n个输出:运动特征张量Vf(t)、功率特征张量Pf(t)以及n-2个扩展的新特征张量Df1(t)、Df2(t)、……、Dfn-2(t),计算n个输出张量的四种范数,按专家网络顺序拼接成矩阵F(t)作为特征序列,t为时刻,F(t)的计算过程为:
Fv(t)=[||Vf(t)||α,||Vf(t)||β,||Vf(t)||γ,||Vf(t)||ε]T
Fp(t)=[||Pf(t)||α,||Pf(t)||β,||Pf(t)||γ,||Pf(t)||ε]T
Fd1(t)=[||Df1(t)||α,||Df1(t)||β,||Df1(t)||γ,||Df1(t)||ε]T
……
Fdn(t)=|||Dfn(t)||α,||Dfn(t)||β,||Dfn(t)||γ,||Dfn(t)||ε]T
F(t)=[Fv(t),Fp(t),Fd1(t),……,Fdn(t)],F(t)∈R4×n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210829873.8A CN115130387B (zh) | 2022-07-14 | 2022-07-14 | 一种风力发电智能态势感知系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210829873.8A CN115130387B (zh) | 2022-07-14 | 2022-07-14 | 一种风力发电智能态势感知系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115130387A CN115130387A (zh) | 2022-09-30 |
CN115130387B true CN115130387B (zh) | 2024-04-30 |
Family
ID=83384368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210829873.8A Active CN115130387B (zh) | 2022-07-14 | 2022-07-14 | 一种风力发电智能态势感知系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130387B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN106453293A (zh) * | 2016-09-30 | 2017-02-22 | 重庆邮电大学 | 一种基于改进bpnn的网络安全态势预测方法 |
CN110647900A (zh) * | 2019-04-12 | 2020-01-03 | 中国人民解放军战略支援部队信息工程大学 | 基于深度神经网络的安全态势智能预测方法、装置及系统 |
CN111179121A (zh) * | 2020-01-17 | 2020-05-19 | 华南理工大学 | 基于专家系统与深度逆向强化学习的电网紧急控制方法 |
CN111582571A (zh) * | 2020-04-30 | 2020-08-25 | 中国电力科学研究院有限公司 | 模型驱动和数据驱动融合的电网运行态势感知方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10826932B2 (en) * | 2018-08-22 | 2020-11-03 | General Electric Company | Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system |
-
2022
- 2022-07-14 CN CN202210829873.8A patent/CN115130387B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN106453293A (zh) * | 2016-09-30 | 2017-02-22 | 重庆邮电大学 | 一种基于改进bpnn的网络安全态势预测方法 |
CN110647900A (zh) * | 2019-04-12 | 2020-01-03 | 中国人民解放军战略支援部队信息工程大学 | 基于深度神经网络的安全态势智能预测方法、装置及系统 |
CN111179121A (zh) * | 2020-01-17 | 2020-05-19 | 华南理工大学 | 基于专家系统与深度逆向强化学习的电网紧急控制方法 |
CN111582571A (zh) * | 2020-04-30 | 2020-08-25 | 中国电力科学研究院有限公司 | 模型驱动和数据驱动融合的电网运行态势感知方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于RBF神经网络的网络安全态势感知预测研究;钱建;李思宇;;网络空间安全;20200525(第05期);全文 * |
基于神经网络的网络安全态势感知;谢丽霞;王亚超;于巾博;;清华大学学报(自然科学版);20131215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115130387A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7012871B2 (ja) | システムを制御する装置及び方法 | |
CN109084980B (zh) | 基于均等分割的轴承故障预测方法及装置 | |
Anderson et al. | Linguistic summarization of video for fall detection using voxel person and fuzzy logic | |
CN110119703A (zh) | 一种安防场景下融合注意力机制和时空图卷积神经网络的人体动作识别方法 | |
CN102378992B (zh) | 关节状区域检测装置及其方法 | |
CN107341452A (zh) | 基于四元数时空卷积神经网络的人体行为识别方法 | |
CN104992189B (zh) | 基于深度学习网络模型的鱼群异常行为识别方法 | |
EP2342647A2 (en) | Long-term memory in a video analysis system | |
CN109919032A (zh) | 一种基于动作预测的视频异常行为检测方法 | |
CN109711344B (zh) | 一种前端智能化的特定异常行为检测方法 | |
CN112215185B (zh) | 一种从监控视频中检测跌倒行为的系统及方法 | |
CN102469302B (zh) | 应用于影像监控的可适应光线变化的背景模型学习系统 | |
CN111382686A (zh) | 一种基于半监督生成对抗网络的车道线检测方法 | |
Nafea et al. | Multi-sensor human activity recognition using CNN and GRU | |
Wei et al. | Crowd abnormal detection using two-stream fully convolutional neural networks | |
CN115410150A (zh) | 传送带跑偏的检测方法、检测装置和处理器 | |
CN115601403A (zh) | 一种基于自注意力机制的事件相机光流估计方法及装置 | |
CN116895098A (zh) | 基于深度学习和隐私保护的视频人体动作识别系统与方法 | |
CN115130387B (zh) | 一种风力发电智能态势感知系统 | |
CN116934304A (zh) | 智能配电房设备运行维护管理系统及其方法 | |
CN115731513A (zh) | 基于数字孪生的智慧园区管理系统 | |
CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
Anees et al. | Deep learning framework for density estimation of crowd videos | |
CN116959099A (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
CN109492651B (zh) | 一种设备信号灯的智能识别方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Qin Daqin Inventor after: Yu Haitao Inventor after: Xiang Chunping Inventor before: Qin Daqin Inventor before: Yu Haitao Inventor before: Zhao Quanfa |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant |