[发明专利]基于小样本数据的深度学习风电告警信息分析方法

说明书

本发明公开了一种基于小样本数据的深度学习风电告警信息分析方法，通过提取风机各部分组件的特征参数、风速和输出功率，作为训练样本，采用对比散度算法训练受限玻尔兹曼机模型，对数据进行特征量提取，然后将提取的特征量运用概率神经网络算法进行统计分类，划分出对应的故障风险概率，然后根据故障风险等级进行预警，实现了风电机组的故障告警。本发明通过受限玻尔兹曼机对数据样本进行特征量提取，起到了降维的作用，为后面的数据分析提供了良好的基础，减小了数据分析的复杂度；并且克服了局部极小值的问题，提高了故障概率风险等级的准确性。

技术领域

本发明涉及一种风电场故障告警信息分析方法，是基于深度玻尔兹曼机和概率神经网络算法来对故障概率风险进行划分，从而提高了故障风险预警的精度，具体涉及一种基于小样本数据的深度学习风电告警信息分析方法。

背景技术

随着风能的快速发展和大规模风电机组的投入运行，且由于大部分机组安装在偏远地区，负荷不稳定等因素，我国不少风电机组都出现了运行故障，直接影响了风力发电的安全性和经济性。为保持风电的长期稳定发展，增强它与传统能源的竞争力，必须不断降低风力发电的成本。

由于我国风力发电事业起步较晚，风电机组的故障风险预警研究还处于初级阶段，实现风电机组故障的有效预警是现在所面临的主要问题，风电机组故障风险主要与电气系统和控制系统相关，又与风速等外部环境相关，以上数据类型不同且相互关系复杂。目前常用的故障预警方法有人工神经网络，模糊集理论，证据理论．尽管以上列举的方法都能以不同的算法计算诊断不确定性的故障信息，但其结论都与实际情况相差甚远。

发明内容

本发明所要解决的技术问题是：克服现有技术的不足，提供一种容错性强、减小了数据分析复杂度和提高故障概率风险等级准确性的基于小样本数据的深度学习风电告警信息分析方法。

本发明的技术方案是：

一种基于小样本数据的深度学习风电告警信息分析方法，包括以下步骤：

步骤1，首先对风电场检测到的数据信息进行预处理，得到训练样本。

步骤2，利用受限玻尔兹曼机，对样本数据进行特征量提取，选取出n个关键特征量。

步骤3，将提取出的包含n个关键特征量的数据样本作为训练集，输入到概率神经网络中，进行训练，建立一个显示故障风险概率的模型。

步骤4，将新的包含n个关键特征量的数据样本输入步骤3得到的故障风险概率模型中，得到故障风险概率，然后根据风险等级进行预警。

在上述的基于小样本数据的深度学习风电告警信息分析方法中，步骤2的实现包括：

步骤2.1，将风电场检测到的数据，经标准化后，得到一个p´n阶的矩阵：,其中有n个样本，p个特征量；

(1);

步骤2.2，构建一个包含p个可见层神经元和m个隐藏层神经元的受限玻尔兹曼机，假设可见层神经元和隐藏层神经元均服从伯努利分布，每一个可见层神经元节点与隐藏层神经元节点之间的能量取值满足公式如下：

（2）；

v表示所有可见层神经元，h表示所有隐藏层神经元，表示第i个可见神经元和第j个隐藏神经元之间大的权值，表示第i个可见层神经元的偏置阈值，表示第j个隐藏神经元的偏置阈值,表示受限玻尔兹曼机模型的参数（均为实数）。

步骤2.3，在给定可见层时，每一个隐藏层神经元取值之间互不相关，概率分布如下式：

（3）；