[发明专利]一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法及装置

权利要求书

1.一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法，其特征在于，包括：

步骤S1，对风电机组实际运行时的输出功率、电压以及风速数据进行采集；

步骤S2，对采集的风电机组输出功率、电压以及风速数据进行分段；

步骤S3，采用Pony算法分析数据段包含的振荡模态；

步骤S4，使用去噪自编码器对输出功率数据进行特征提取，并求取数据段的风速均值与电压均值，得到输出功率、风速、电压特征；

步骤S5，构建多任务学习网络对振荡模态进行预测。

2.如权利要求1所述的一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法，其特征在于，

所述步骤S2中，以时间间隔T对输出功率、电压和风速数据进行分段。

3.如权利要求1所述的一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法，其特征在于，

所述步骤S3中，采用Pony算法对每一段输出功率数据段进行信号分解，得到每一段输出功率数据段包含的振荡模态。

4.如权利要求3所述的一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法，其特征在于，

所述步骤S3中，输出功率数据段的信号分解结果与振荡模态的对应规则如下表所示：

5.如权利要求1所述的一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法，其特征在于，

所述步骤S4中，还包括构建去噪自编码器的步骤，包括：将每一段输出功率数据作为去噪自编码器的输入和输出，对自编码器进行训练，利用去噪自编码器学习输出功率数据中的显著特征。

6.如权利要求5所述的一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法，其特征在于，

所述去噪自编码器为三层网络结构，分别为编码层、隐藏层和解码层，且编码层与解码层的神经元数目一致，中间隐藏层神经元数目远小于编码层与解码层的神经元数目，损失函数为均方误差函数，激活函数为Relu，优化器为Adam。

7.如权利要求1所述的一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法，其特征在于，

所述构建多任务学习网络的步骤，包括：将步骤S3中的振荡模态类别作为预测任务，将前一段数据的输出功率、风速、电压特征作为网络的输入特征，后一段数据的振荡模态作为标签，利用全部数据进行网络训练；然后将当前数据段的输出功率、风速、电压特征输入训练好的多任务学习网络，从而预测下一个数据段的振荡模态类别。

8.如权利要求7所述的一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法，其特征在于，

所述多任务学习网络采用四层网络结构，前两层为参数共享层，通过硬共享机制实现；

第三层为子任务学习层，采用全连接神经网络实现；

第四层为输出层，采用全连接神经网络实现，其神经元数目为1。

9.如权利要求8所述的一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法，其特征在于，

所述多任务学习网络中，非输出层激活函数为Relu，输出层激活函数为Sigmoid，损失函数为平均绝对误差函数，优化器为Adam，网络初始学习率为0.01。

10.一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测装置，其特征在于，包括：

原始数据及振荡模态获取模块，用于获取风电机组运行时的输出功率、电压和风速数据，并对数据进行分段，进而得到每一段数据所包含的振荡模态类别；

数据特征提取模块，用于构建去噪自编码器对功率数据进行特征提取，得到降维后的功率特征，并求取每一段数据中风速与电压的平均值，得到风速与电压均值特征；

振荡模态预测模块，用于构建多任务学习网络，使用数据特征提取模块得到的特征数据对网络进行训练，进而利用训练好的网络进行振荡模态预测。