CN116628570A - 风机叶片覆冰失效检测方法、装置、存储介质和设备 - Google Patents
风机叶片覆冰失效检测方法、装置、存储介质和设备 Download PDFInfo
- Publication number
- CN116628570A CN116628570A CN202310535894.3A CN202310535894A CN116628570A CN 116628570 A CN116628570 A CN 116628570A CN 202310535894 A CN202310535894 A CN 202310535894A CN 116628570 A CN116628570 A CN 116628570A
- Authority
- CN
- China
- Prior art keywords
- sample
- fan blade
- feature
- features
- neural network
- 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 47
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000007499 fusion processing Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 14
- 230000035945 sensitivity Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims 3
- 238000000576 coating method Methods 0.000 claims 3
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/40—Ice detection; De-icing means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种风机叶片覆冰失效检测方法、装置、存储介质和设备,方法包括:获取风机叶片的多维数据样本;对多维数据样本进行归一化处理,得到归一化数据样本;通过SAE特征提取方法和GRU特征提取方法提取归一化数据样本的特征,得到对应的第一特征和第二特征;对第一特征和第二特征进行融合处理,得到样本融合特征;根据融合特征样本训练堆叠稀疏自编码深度神经网络,得到基于GRU‑SAE的深度神经网络模型;将风机叶片的待检测多维数据的融合特征输入深度神经网络模型,得到风机叶片的覆冰失效检测结果。本申请可以提高风机叶片覆冰失效检测结果的准确性。
Description
技术领域
本申请涉及风机叶片覆冰失效检测的技术领域,具体涉及一种风机叶片覆冰失效检测方法、装置、存储介质和设备。
背景技术
随着风力发电工业的不断发展,它为全球提供了可再生能源,风机的可靠、安全、稳定运行在近年来具有极其重要的现实意义。因此,保证电力系统的稳定运行对社会的可持续发展能力有着积极的影响。风机叶片是整个电力系统中最重要、最实用的部件之一,在风电产业中起着重要作用。据统计,以双馈风机为例,风机叶片在成本结构中所占比例最大,高达23.58%。因此,叶片的运行效率决定了风机装置的性能和功率。然而,在恶劣的运行环境和气候条件的影响下,大量的风机叶片会结冰,不仅会造成重大的经济损失,还会造成严重的安全事故。因此,对风机叶片覆冰失效进行识别检测是未来发展趋势之一。
然而,现有的覆冰检测方法大多基于单一模型,对复杂叶片覆冰过程特征的理解能力有限,泛化能力较低,因此存在检测准确性低的技术缺陷。
发明内容
本申请的目的在于克服现有技术中的缺点与不足,提供一种风机叶片覆冰失效检测方法、装置、存储介质和设备,可以提高风机叶片覆冰失效检测结果的准确性。
本申请实施例的第一方面提供了一种风机叶片覆冰失效检测方法,包括:
获取风机叶片的多维数据样本;
对所述多维数据样本进行归一化处理,得到归一化数据样本;
通过SAE特征提取方法和GRU特征提取方法提取所述归一化数据样本的特征,得到对应的第一特征和第二特征;
对所述第一特征和所述第二特征进行融合处理,得到样本融合特征;
根据所述融合特征样本训练堆叠稀疏自编码深度神经网络,得到基于GRU-SAE的深度神经网络模型;
将风机叶片的待检测多维数据的融合特征输入所述深度神经网络模型,得到风机叶片的覆冰失效检测结果。
进一步,所述多维数据样本包括多个维度的数据样本,且每个维度的数据样本包括多个采样点数样本;
所述对所述多维数据样本进行归一化处理,得到归一化数据样本的步骤,包括:
计算各个采样点数样本的均值,得到点数样本均值;
根据所述点数样本均值,计算各个所述采样点数样本的标准差;
根据各个所述采样点数样本、所述点数样本均值和所述标准差,将各个维度的数据样本缩放到平均值为0,标准差为1的状态。
进一步,所述通过SAE特征提取方法和GRU特征提取方法提取所述归一化数据样本的特征,得到对应的第一特征和第二特征的步骤,包括:
将所述归一化数据样本输入SAE模型的编码器进行编码,通过编码器的权重矩阵和偏置向量获得所述归一化数据样本的隐藏特征;
将所述隐藏特征输入所述解码器进行特征重构,以更新所述权重矩阵和所述偏置向量;
利用更新后的所述权重矩阵和所述偏置向量映射到输出层,得到重构特征;
根据所述重构特征和所述归一化数据样本,获取重构误差;
当所述重构误差小于预设的误差阈值时,确定对应的所述重构特征为所述第一特征。
进一步,所述通过SAE特征提取方法和GRU特征提取方法提取所述归一化数据样本的特征,得到对应的第一特征和第二特征的步骤,包括:
将所述归一化数据样本输入GRU模型,得到各个节点的隐藏状态;其中,每个节点的所述隐藏状态包括上一个节点的信息;
根据节点数量更新隐藏状态,将更新得到的最后一个隐藏状态确定为所述第二特征。
进一步,所述对所述第一特征和所述第二特征进行融合处理,得到样本融合特征的步骤,包括:
计算所述第一特征和所述第二特征之间的相似度;
对所述相似度进行归一化处理,得到相似度权重矩阵;
根据所述相似度权重矩阵,对所述第一特征进行加权求和,得到所述样本融合特征。
进一步,所述根据所述融合特征样本训练堆叠稀疏自编码深度神经网络,得到基于GRU-SAE的深度神经网络模型的步骤后,还包括:
将测试样本输入基于GRU-SAE的深度神经网络模型,得到基于GRU-SAE的深度神经网络模型输出的测试结果;
将所述测试结果和测试样本对应的测试标签输入Softmax分类器,得到测试样本的概率分布,利用混淆矩阵输出测试样本的概率分布对应的识别结果;
根据所述测试样本对应的测试标签和所述识别结果,获取所述GRU-SAE的深度神经网络模型的输出的准确度、精确度和敏感度。
进一步,所述测试样本对应的测试标签用于区分所述测试样本为正样本或负样本,所述识别结果包括正类和负类;
所述根据所述测试样本对应的测试标签和所述识别结果,获取所述GRU-SAE的深度神经网络模型的输出的准确度、精确度和敏感度的步骤,包括:
根据所述识别结果为正类的正样本、所述识别结果为负类的负样本、所述识别结果为正类的负样本以及所述识别结果为负类的正样本,获取所述GRU-SAE的深度神经网络模型的输出的准确度、精确度和敏感度。
本申请实施例的第二方面提供了一种风机叶片覆冰失效检测装置,包括:
多维数据样本获取模块,用于获取风机叶片的多维数据样本;
归一化处理模块,用于对所述多维数据样本进行归一化处理,得到归一化数据样本;
特征提取模块,用于通过SAE特征提取方法和GRU特征提取方法提取所述归一化数据样本的特征,得到对应的第一特征和第二特征;
特征融合模块,用于对所述第一特征和所述第二特征进行融合处理,得到样本融合特征;
训练模块,用于根据所述融合特征样本训练堆叠稀疏自编码深度神经网络,得到基于GRU-SAE的深度神经网络模型;
检测模块,用于将风机叶片的待检测多维数据的融合特征输入所述深度神经网络模型,得到风机叶片的覆冰失效检测结果。
本申请实施例的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的风机叶片覆冰失效检测方法的步骤。
本申请实施例的第四方面提供了一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的风机叶片覆冰失效检测方法的步骤。
相对于相关技术,本申请对风机叶片的多维数据样本进行归一化处理,得到归一化数据样本,然后通过SAE特征提取方法和GRU特征提取方法提取归一化数据样本的特征,得到对应的第一特征和第二特征,在融合第一特征和第二特征得到样本融合特征,以通过样本融合特征训练堆叠稀疏自编码深度神经网络,从而得到基于GRU-SAE的深度神经网络模型,将风机叶片的待检测多维数据的融合特征输入深度神经网络模型,可以准确得到风机叶片的覆冰失效检测结果,由于GRU-SAE的深度神经网络模型是基于两种特征提取方法的融合特征训练得到的,因此其预测的检测结果准确性更高。
为了能更清晰的理解本申请,以下将结合附图说明阐述本申请的具体实施方式。
附图说明
图1为本申请一个实施例的风机叶片覆冰失效检测方法的流程图。
图2为本申请一个实施例的风机叶片覆冰失效检测方法的模型训练示意图。
图3为本申请一个实施例的风机叶片覆冰失效检测方法的多维数据样本的维度特征示意图。
图4为本申请一个实施例的风机叶片覆冰失效检测方法的多维数据样本的信息记录图。
图5为本申请一个实施例的风机叶片覆冰失效检测方法的样本融合特征的示意图。
图6为本申请一个实施例的风机叶片覆冰失效检测方法的混淆矩阵示意图。
图7为本申请一个实施例的风机叶片覆冰失效检测装置的模块连接示意图。
1、多维数据样本获取模块;2、归一化处理模块;3、特征提取模块;4、特征融合模块;5、训练模块;6、检测模块。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请实施例保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅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,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1-2,本申请第一实施例的风机叶片覆冰失效检测方法包括:
S1:获取风机叶片的多维数据样本。
其中,可以将SCADA系统采集风机叶片的m维数据x(m×n)作为多维数据样本。其中,m为维度数量,n为每个维度的采样点数。其中,如图3所示,多维数据样本的维度包括但不限于风机转速、螺距电机温度1、螺距电机温度2、螺距电机温度3、发电机转速、电网有功功率、平均风向、风机转向、x加速度方向、y加速度方向、Yaw位置、环境温度、Yaw角度、发动机温度、桨距角1、桨距角2、浆距角3、Temperature of ng5 1、Temperature of ng5 2、Temperature of ng5 3、叶片螺距速度1、叶片螺距速度2、叶片螺距速度3、DC of chargerof ng5 1、DC of charger of ng5 2和DC of charger of ng5 3。多维数据样本的获取时间和数量如图4所示
S2:对所述多维数据样本进行归一化处理,得到归一化数据样本。
S3:通过SAE特征提取方法和GRU特征提取方法提取所述归一化数据样本的特征,得到对应的第一特征和第二特征。
S4:对所述第一特征和所述第二特征进行融合处理,得到样本融合特征。
S5:根据所述融合特征样本训练堆叠稀疏自编码深度神经网络,得到基于GRU-SAE的深度神经网络模型。
S6:将风机叶片的待检测多维数据的融合特征输入所述深度神经网络模型,得到风机叶片的覆冰失效检测结果。
相对于相关技术,本申请对风机叶片的多维数据样本进行归一化处理,得到归一化数据样本,然后通过SAE特征提取方法和GRU特征提取方法提取归一化数据样本的特征,得到对应的第一特征和第二特征,在融合第一特征和第二特征得到样本融合特征,以通过样本融合特征训练堆叠稀疏自编码深度神经网络,从而得到基于GRU-SAE的深度神经网络模型,将风机叶片的待检测多维数据的融合特征输入深度神经网络模型,可以准确得到风机叶片的覆冰失效检测结果,由于GRU-SAE的深度神经网络模型是基于两种特征提取方法的融合特征训练得到的,因此其预测的检测结果准确性更高。
在一个可行的实施例中,所述多维数据样本包括多个维度的数据样本,且每个维度的数据样本包括多个采样点数样本;
所述S2:对所述多维数据样本进行归一化处理,得到归一化数据样本的步骤,包括:
S21:计算各个采样点数样本的均值,得到点数样本均值。
通过以下公式,得到点数样本均值:
其中,为点数样本均值,xi为第i个采样点的数据,i表示第i个采样点;n为对应维度的采样点的总数量。
S22:根据所述点数样本均值,计算各个所述采样点数样本的标准差。
通过以下公式,得到采样点数样本的标准差:
其中,std为标准差。
S23:根据各个所述采样点数样本、所述点数样本均值和所述标准差,将各个维度的数据样本缩放到平均值为0,标准差为1的状态。
其中,步骤S23通过以下公式实现:
在本实施例中,通过步骤S21-S23,可以获得多维数据样本对应的归一化数据样本。
在一个可行的实施例中,所述S3:通过SAE特征提取方法和GRU特征提取方法提取所述归一化数据样本的特征,得到对应的第一特征和第二特征的步骤,包括:
S31:将所述归一化数据样本输入SAE模型的编码器进行编码,通过编码器的权重矩阵和偏置向量获得所述归一化数据样本的隐藏特征。
其中,编码器的模型为h=f(Wx+b),其中,h为隐藏特征,f为编码器的神经元激活函数,W为编码器的权重矩阵,b为偏置向量。
S32:将所述隐藏特征输入所述解码器进行特征重构,以更新所述权重矩阵和所述偏置向量。
S33:利用更新后的所述权重矩阵和所述偏置向量映射到输出层,得到重构特征。
通过以下公式,得到重构特征:
y=g(W'h+b')
其中,y为重构特征,g为解码器的神经元激活函数,W'为更新后的权重矩阵,b'为更新后的偏置向量。
S34:根据所述重构特征和所述归一化数据样本,获取重构误差。
通过以下公式,得到重构误差:
其中,costfunction为重构误差,β为稀疏惩罚因子,λ为权值衰减系数。
通过添加ΩSparsity Sparsity来构造Sparsity:
用KL散度来评价稀疏系数ρ:和ρ的估计值:之间的分布:/>其中N为训练样本数,xj为第j个训练数据,x为权矩阵w的第i行,bi为偏置向量的第i项。当一个神经元的输出值接近于1时,它被认为是活跃的;相反,如果它接近于零,则认为它被抑制了;
权重衰减项:中L为隐含层数,K为隐含层的输出数据长度,N为隐含层的输入数据长度;
S35:当所述重构误差小于预设的误差阈值时,确定对应的所述重构特征为所述第一特征S。
在本实施例中,通过步骤S31-S35提取得到归一化数据的第一特征S。
在一个可行的实施例中,所述S3:通过SAE特征提取方法和GRU特征提取方法提取所述归一化数据样本的特征,得到对应的第一特征和第二特征的步骤,包括:
S36:将所述归一化数据样本输入GRU模型,得到各个节点的隐藏状态;其中,每个节点的所述隐藏状态包括上一个节点的信息。
其中,通过以下公式,得到各个节点的隐藏状态:
ht-1'=ht-1⊙r
其中,ht-1'为隐藏状态,ht-1为,r为重置门,⊙为运算矩阵中相应元素的乘法。
S37:根据节点数量更新隐藏状态,将更新得到的最后一个隐藏状态确定为所述第二特征H。
其中,通过以下公式,根据节点数量更新隐藏状态:
ht-1'=(1-z)⊙ht-1+z⊙h'
其中,为矩阵加法运算,z为更新门,h'为上一节点的隐藏状态。
在本实施例中,通过步骤S36-S37,提取得到归一化数据的第二特征H。
在一个可行的实施例中,所述S4:对所述第一特征和所述第二特征进行融合处理,得到样本融合特征的步骤,包括:
S41:计算所述第一特征和所述第二特征之间的相似度;
通过以下公式,得到第一特征和第二特征之间的相似度
F(H,Si)=HTSi,i=1,2,…,k
其中,F(H,Si)为相似度。
S42:对所述相似度进行归一化处理,得到相似度权重矩阵;
通过以下公式,得到相似度权重矩阵:
其中,ai为相似度权重矩阵。
S43:根据所述相似度权重矩阵,对所述第一特征进行加权求和,得到所述样本融合特征。
如图5所示,在本实施例中,通过步骤S41-S43,可以得到第一特征的加权系数,并通过对第一特征进行加权求和,得到样本融合特征。
在一个可行的实施例中,所述S4:根据所述融合特征样本训练堆叠稀疏自编码深度神经网络,得到基于GRU-SAE的深度神经网络模型的步骤后,还包括:
S44:将测试样本输入基于GRU-SAE的深度神经网络模型,得到基于GRU-SAE的深度神经网络模型输出的测试结果;
S45:将所述测试结果和测试样本对应的测试标签输入Softmax分类器,得到测试样本的概率分布,利用混淆矩阵输出测试样本的概率分布对应的识别结果;
其中,混淆矩阵如图6所示。
S46:根据所述测试样本对应的测试标签和所述识别结果,获取所述GRU-SAE的深度神经网络模型的输出的准确度、精确度和敏感度。
在一个可行的实施例中,测试样本对应的测试标签用于区分所述测试样本为正样本或负样本,所述识别结果包括正类和负类;
所述所述S46:根据所述测试样本对应的测试标签和所述识别结果,获取所述GRU-SAE的深度神经网络模型的输出的准确度、精确度和敏感度的步骤,包括:
根据所述识别结果为正类的正样本、所述识别结果为负类的负样本、所述识别结果为正类的负样本以及所述识别结果为负类的正样本,获取所述GRU-SAE的深度神经网络模型的输出的准确度、精确度和敏感度。
其中,通过以下公式,得到GRU-SAE的深度神经网络模型的输出的准确度:
其中,Accuracy为准确度,TP为被模型预测为正类的正样本;TN为被模型预测为负类的负样本;FP为被模型预测为正类的负样本;FN为被模型预测为负类的正样本。
过以下公式,得到GRU-SAE的深度神经网络模型的输出的精确度:
其中,Precision为精确度。
过以下公式,得到GRU-SAE的深度神经网络模型的输出的敏感度:
其中,Sensitivity为敏感度。
请参阅图7,本申请第二实施例提供一种风机叶片覆冰失效检测装置,包括:
多维数据样本获取模块,用于获取风机叶片的多维数据样本;
归一化处理模块,用于对所述多维数据样本进行归一化处理,得到归一化数据样本;
特征提取模块,用于通过SAE特征提取方法和GRU特征提取方法提取所述归一化数据样本的特征,得到对应的第一特征和第二特征;
特征融合模块,用于对所述第一特征和所述第二特征进行融合处理,得到样本融合特征;
训练模块,用于根据所述融合特征样本训练堆叠稀疏自编码深度神经网络,得到基于GRU-SAE的深度神经网络模型;
检测模块,用于将风机叶片的待检测多维数据的融合特征输入所述深度神经网络模型,得到风机叶片的覆冰失效检测结果。
需要说明的是,本申请第二实施例提供的风机叶片覆冰失效检测装置在执行风机叶片覆冰失效检测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分为不同的功能模块,以完成以上描述的全部或者部分功能。另外,本申请第二实施例提供的风机叶片覆冰失效检测装置与本申请第一实施例的风机叶片覆冰失效检测方法属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本申请实施例的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的风机叶片覆冰失效检测方法的步骤。
本申请实施例的第四方面提供了一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的风机叶片覆冰失效检测方法的步骤。
以上所描述的设备实施例仅仅是示意性的,其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种风机叶片覆冰失效检测方法,其特征在于,包括:
获取风机叶片的多维数据样本;
对所述多维数据样本进行归一化处理,得到归一化数据样本;
通过SAE特征提取方法和GRU特征提取方法提取所述归一化数据样本的特征,得到对应的第一特征和第二特征;
对所述第一特征和所述第二特征进行融合处理,得到样本融合特征;
根据所述融合特征样本训练堆叠稀疏自编码深度神经网络,得到基于GRU-SAE的深度神经网络模型;
将风机叶片的待检测多维数据的融合特征输入所述深度神经网络模型,得到风机叶片的覆冰失效检测结果。
2.根据权利要求1所述的风机叶片覆冰失效检测方法,其特征在于,所述多维数据样本包括多个维度的数据样本,且每个维度的数据样本包括多个采样点数样本;
所述对所述多维数据样本进行归一化处理,得到归一化数据样本的步骤,包括:
计算各个采样点数样本的均值,得到点数样本均值;
根据所述点数样本均值,计算各个所述采样点数样本的标准差;
根据各个所述采样点数样本、所述点数样本均值和所述标准差,将各个维度的数据样本缩放到平均值为0,标准差为1的状态。
3.根据权利要求1所述的风机叶片覆冰失效检测方法,其特征在于,所述通过SAE特征提取方法和GRU特征提取方法提取所述归一化数据样本的特征,得到对应的第一特征和第二特征的步骤,包括:
将所述归一化数据样本输入SAE模型的编码器进行编码,通过编码器的权重矩阵和偏置向量获得所述归一化数据样本的隐藏特征;
将所述隐藏特征输入所述解码器进行特征重构,以更新所述权重矩阵和所述偏置向量;
利用更新后的所述权重矩阵和所述偏置向量映射到输出层,得到重构特征;
根据所述重构特征和所述归一化数据样本,获取重构误差;
当所述重构误差小于预设的误差阈值时,确定对应的所述重构特征为所述第一特征。
4.根据权利要求1所述的风机叶片覆冰失效检测方法,其特征在于,所述通过SAE特征提取方法和GRU特征提取方法提取所述归一化数据样本的特征,得到对应的第一特征和第二特征的步骤,包括:
将所述归一化数据样本输入GRU模型,得到各个节点的隐藏状态;其中,每个节点的所述隐藏状态包括上一个节点的信息;
根据节点数量更新隐藏状态,将更新得到的最后一个隐藏状态确定为所述第二特征。
5.根据权利要求1所述的风机叶片覆冰失效检测方法,其特征在于,所述对所述第一特征和所述第二特征进行融合处理,得到样本融合特征的步骤,包括:
计算所述第一特征和所述第二特征之间的相似度;
对所述相似度进行归一化处理,得到相似度权重矩阵;
根据所述相似度权重矩阵,对所述第一特征进行加权求和,得到所述样本融合特征。
6.根据权利要求1所述的风机叶片覆冰失效检测方法,其特征在于,所述根据所述融合特征样本训练堆叠稀疏自编码深度神经网络,得到基于GRU-SAE的深度神经网络模型的步骤后,还包括:
将测试样本输入基于GRU-SAE的深度神经网络模型,得到基于GRU-SAE的深度神经网络模型输出的测试结果;
将所述测试结果和测试样本对应的测试标签输入Softmax分类器,得到测试样本的概率分布,利用混淆矩阵输出测试样本的概率分布对应的识别结果;
根据所述测试样本对应的测试标签和所述识别结果,获取所述GRU-SAE的深度神经网络模型的输出的准确度、精确度和敏感度。
7.根据权利要求6所述的风机叶片覆冰失效检测方法,其特征在于,所述测试样本对应的测试标签用于区分所述测试样本为正样本或负样本,所述识别结果包括正类和负类;
所述根据所述测试样本对应的测试标签和所述识别结果,获取所述GRU-SAE的深度神经网络模型的输出的准确度、精确度和敏感度的步骤,包括:
根据所述识别结果为正类的正样本、所述识别结果为负类的负样本、所述识别结果为正类的负样本以及所述识别结果为负类的正样本,获取所述GRU-SAE的深度神经网络模型的输出的准确度、精确度和敏感度。
8.一种风机叶片覆冰失效检测装置,其特征在于,包括:
多维数据样本获取模块,用于获取风机叶片的多维数据样本;
归一化处理模块,用于对所述多维数据样本进行归一化处理,得到归一化数据样本;
特征提取模块,用于通过SAE特征提取方法和GRU特征提取方法提取所述归一化数据样本的特征,得到对应的第一特征和第二特征;
特征融合模块,用于对所述第一特征和所述第二特征进行融合处理,得到样本融合特征;
训练模块,用于根据所述融合特征样本训练堆叠稀疏自编码深度神经网络,得到基于GRU-SAE的深度神经网络模型;
检测模块,用于将风机叶片的待检测多维数据的融合特征输入所述深度神经网络模型,得到风机叶片的覆冰失效检测结果。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的风机叶片覆冰失效检测方法的步骤。
10.一种计算机设备,其特征在于:包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的风机叶片覆冰失效检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310535894.3A CN116628570A (zh) | 2023-05-12 | 2023-05-12 | 风机叶片覆冰失效检测方法、装置、存储介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310535894.3A CN116628570A (zh) | 2023-05-12 | 2023-05-12 | 风机叶片覆冰失效检测方法、装置、存储介质和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116628570A true CN116628570A (zh) | 2023-08-22 |
Family
ID=87612583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310535894.3A Pending CN116628570A (zh) | 2023-05-12 | 2023-05-12 | 风机叶片覆冰失效检测方法、装置、存储介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628570A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117759487A (zh) * | 2023-11-20 | 2024-03-26 | 国家电投集团湖北电力有限公司风电分公司 | 基于挂片测试的叶片防覆冰性能检测方法及系统 |
-
2023
- 2023-05-12 CN CN202310535894.3A patent/CN116628570A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117759487A (zh) * | 2023-11-20 | 2024-03-26 | 国家电投集团湖北电力有限公司风电分公司 | 基于挂片测试的叶片防覆冰性能检测方法及系统 |
CN117759487B (zh) * | 2023-11-20 | 2024-05-24 | 国家电投集团湖北电力有限公司风电分公司 | 基于挂片测试的叶片防覆冰性能检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091233A (zh) | 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 | |
CN116628570A (zh) | 风机叶片覆冰失效检测方法、装置、存储介质和设备 | |
CN114791993B (zh) | 一种动力电池组soh预测方法及系统 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN115545361B (zh) | 一种电网传输线路气候环境预测方法、系统及介质 | |
CN116340384A (zh) | 基于规则演化的核递归最大相关熵时间序列在线预测方法 | |
CN115859148A (zh) | 风机叶片振动报警方法及装置 | |
CN115730248A (zh) | 一种机器账号检测方法、系统、设备及存储介质 | |
CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统 | |
Li et al. | Short-term wind power forecasting by advanced machine learning models | |
Xiong et al. | An ultra-short-term wind speed correction method based on the fluctuation characteristics of wind speed | |
CN117390967B (zh) | 海上风电短期功率预测方法、装置、设备及存储介质 | |
Liu et al. | Ultra-short-term wind power forecasting based on stacking model | |
Dhakal et al. | Deep Learning Model with Probability Density Function and Feature Engineering for Short Term Wind Speed Prediction | |
CN116613736B (zh) | 一种含虚拟惯量的新能源电力系统等效惯量预测方法 | |
CN117151303B (zh) | 一种基于混合模型的超短期太阳辐照度预测方法及系统 | |
Patanè et al. | Model transferability for wave height prediction | |
Katranji et al. | Short-Term Wind Speed Prediction for Saudi Arabia via 1D-CNN | |
CN116613738A (zh) | 风机出力预测方法、装置、设备、介质及程序产品 | |
Gao et al. | Power-Sensitive Early Warning Data Conversion Method Combined with Multiobjective Differential Evolution Algorithm | |
CN115296298A (zh) | 一种风电场功率预测方法 |
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 |