[发明专利]基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法

说明书

本发明公开了一种基于SSA‑LSTM模型的风电塔筒倾角缺失数据补齐方法。首先，将采集到的含有缺失值的塔筒倾角信号进行三次样条插补，同时获取缺失数据点索引；其次，对插补后的信号进行小波阈值消噪，去除噪声等环境因素的影响；再次，利用滑动窗口将信号进行划分，构造LSTM模型的训练集和测试集，搭建具有深层结构的LSTM模型；之后，使用SSA对LSTM模型的参数进行迭代优化；最后，以最优参数搭建LSTM模型，利用训练集完成LSTM模型的训练，并使用测试集对模型性能进行验证。该缺失数据补齐方法能实现塔筒倾角缺失数据的准确恢复，为后面的塔筒倾倒检测奠定数据基础。

技术领域

本发明涉及一种基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法。

背景技术

风电塔筒是风电机组设备中的重要支撑部件，其作用是将机舱与风机叶片托举到设计高度，叶片被风力转动而将风能转化为机械能。风电设备通常工作环境十分恶劣，设备容易损坏，其中风电塔筒长期遭受着风载荷、塔筒自重、机舱和叶片的重力以及高空叶片旋转所产生的周期性激励，造成塔筒局部出现裂纹而发生倾斜，当倾斜度过大就会倒塌，所以需要实时获取塔筒倾角传感器的数据，以监测塔筒的健康状态，而恶劣的工作环境造成传感器故障与数据传输中断等造成的传感器数据缺失，降低了倾角数据的质量，从而影响塔筒状态的准确判断。因此合理处理塔筒倾角传感器数据中的缺失问题至关重要。

现有技术中解决传感器数据缺失的方法是删除或者统计插补。直接删除法会遗漏数据的部分信息，影响对数据的进一步分析。统计插补法不能考虑到数据的局部变化，结果较差。伴随大数据的兴起，基于机器学习的插补方法采用数据驱动原则，插补精度高，适应性强。以长短期神经网络（LSTM）为代表的预测和估算缺失值进行插补的自回归方法受到广泛青睐，但是LSTM模型对参数的依赖性很强，需要良好的参数优化算法提高LSTM的鲁棒性，使模型达到全局最优。

已经很多优化算法应用到模型优化之中，专利申请《基于遗传算法优化LSTM神经网络的交通流预测方法》（申请号201810825636.8）利用了遗传算法和LSTM神经网络对产生组合款式寻优的特性，可以得到更高的预测精度，且对不同间隔数据样本有良好的适用性，模型减少了计算量，表现出更好的预测性能。专利申请《粒子群算法优化LSTM神经网络的行程时间预测方法》（申请号201810946075.7）公开了采用粒子群算法优化预测铁路客流量预测模型中的参数，提高了模型预测的鲁棒性。遗传算法适合求解离散问题，具备数学理论支持，但是存在着汉明悬崖等问题。粒子群算法适合求解实数问题，不仅算法简单、计算方便，而且求解速度快，但是存在着陷入局部最优等问题。在对塔筒倾角传感器数据处理中均效果不佳。

发明内容

本发明的目的是提供一种基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法，对塔筒倾角传感器数据进行处理，得到较好的效果，解决了现有技术中存在的问题。

为实现上述目的，本发明所采用的技术方案是：一种基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法，具体按以下步骤进行：

步骤一：将采集到的含有缺失值的塔筒倾角信号x(t)进行三次样条插补，并且获取缺失数据点索引；

步骤二：对插补后的信号进行小波阈值消噪，得到消噪信号x’(t)；

步骤三：对消噪信号x’(t)进行归一化处理；

步骤四：利用缺失数据点索引以及固定长度的滑动窗口将消噪信号x′(t)划分成输入序列为(t-n, ... t-1)、预测序列为(t, t+1, ... t+m)的格式；之后，将划分后的信号数据重构为符合LSTM要求的数据格式，构造LSTM模型的训练集和测试集；