[发明专利]一种基于深度学习的风电机组主轴承温度预测方法

权利要求书

1.一种基于深度学习的风电机组主轴承温度预测方法，其特征在于，包括以下步骤：

(1)、对收集的风场风电机组SCADA系统数据进行预处理，即数据清洗和数据重采样；

(2)、选择与主轴承温度变化相关的参数变量，构建训练样本和测试样本数据集；

(3)、利用训练集数据逐个反复地训练单个自编码模型；

(4)、然后堆叠多个已经训练好的单个自编码模型，构建一个基于深度学习的堆叠自编码深度模型，保存逐层获取的表征主轴承温度变化特性的特征表示；

(5)、在堆叠自编码深度模型的顶部添加回归预测层，利用训练数据进一步微调整个深度学习模型，并通过测试集对训练完成的深度学习自编码模型进行测试，直到满足主轴承温度的智能预测；

(6)、向训练好的深度学习自编码模型中输入实时的SCADA相关的监测数据值，获得深度学习自编码模型的输出结果，作为主轴承温度的预测值，该值可用于监测主轴承温度变化的趋势。

2.根据权利要求1所述的一种基于深度学习的风电机组主轴承温度预测方法，其特征在于，所述步骤(1)中的对数据进行清洗包括：

利用python等开发语言，导入csv格式文件，对无效数据、离群点数据和缺失数据逐条整理和筛选数据，最后根据要求重采样。

其中x_i代表采样点的值，采样频率是1秒。

3.根据权利要求2所述的一种基于深度学习的风电机组主轴承温度预测方法，其特征在于，所述步骤(2)中的选择与主轴承温度变化相关的参数变量，训练样本和测试样本数据集的构建包括：

初步选取与主轴承温度变化相关的参数变量；

利用皮尔逊法对参数变量进行再次筛选；

利用物理机理，选取与主轴承温度变化相关的最终参数变量；

参数变量归一化处理

将80％的数据集作为训练集，20％的数据集作为测试集。

4.根据权利要求3所述的一种基于深度学习的风电机组主轴承温度预测方法，其特征在于，所述步骤(4)中的堆叠自编码深度模型的构建包括构建一个基本的自编码模型AE(Autoencoder)和SSAE(Stacked Sparse Autoencoder)模型。

5.根据权利要求4所述的一种基于深度学习的风电机组主轴承温度预测方法，其特征在于，所述步骤(3)中的自编码模型的训练包括：

利用无监督学习方式，逐个训练基本的自编码模型，训练单个自编码的数学模型可以描述如下：

其中x是输入向量，h是隐层，J是损失函数，w和b是模型参数。

6.根据权利要求5所述的一种基于深度学习的风电机组主轴承温度预测方法，其特征在于，所述步骤(4)中的堆叠自编码深度模型的构建包括：堆叠每个自编码模型的隐层表示h_i，组成最终的隐层表征向量h＝[h₂,h₂,……,h_n]，即构建SSAE模型。

7.根据权利要求6所述的一种基于深度学习的风电机组主轴承温度预测方法，其特征在于，所述步骤(5)中深度学习自编码模型的构建包括：

在SSAE顶层添加回归预测层，构造最终的预测模型SSAE-MLP；利用有监督学习，训练最终的预测模型，模型的损失函数可表述为：

其中Yact为观测值，Ypre为预测值，N为样本个数。

8.根据权利要求1所述的一种基于深度学习的风电机组主轴承温度预测方法，其特征在于，所述步骤(6)中的主轴承温度值的预测包括：

向训练好的深度学习自编码模型中输入实时的SCADA相关的监测数据值，获得模型的输出结果，作为主轴承温度的预测值；对比实测值，监测主轴承运行状况。