[发明专利]一种风电机组健康状态评估模型、方法及系统

说明书

本说明书实施例公开了一种风电机组健康状态评估模型、方法及系统。所述方法包括：将输入的风电机组健康状态评估数据均分为等大小的子数据集；采用融合多头注意力机制对每个所述子数据集中的数据进行高维度数据的特征提取，得到特征数据；通过递归神经元特征匹配网络对所述特征数据进行风电机组健康状态的特征匹配，得到匹配结果；基于所述匹配结果得到所述风电机组的健康评估结果。本发明用于对风电机组健康状态进行准确有效地评估，有效提高其运行效率，降低运维成本。

技术领域

本申请涉及计算机技术领域，尤其涉及一种风电机组健康状态评估模型、方法及系统。

背景技术

风电机组伫立在野外，频繁地遭受大风、雷击等恶劣环境的影响和冲击，机组的运行与维护(运维)需求十分突出。相较传统行业的大部分设备，风电机组在寿命周期之内基本受到长期不间断随机载荷作用的影响。这一方面使得来自传统行业的评估相关经验与数据不能完全照搬应用于风电机组状态评估中；另一方面，复杂多变的环境条件也为风电机组状态评估带来了更大的阻碍。此外，风电机组由于其整体不可移动，使得大部分维护工作必须在野外就地进行，而高耸的风电机组维护又需要专门的维护工具与专业的运维人员才能开展。因此，亟需对风电机组健康状态进行准确有效地评估，有效提高其运行效率，降低运维成本。

发明内容

有鉴于此，本申请实施例提供了一种风电机组健康状态评估模型、方法及系统，用于对风电机组健康状态进行准确有效地评估，有效提高其运行效率，降低运维成本。

为解决上述技术问题，本说明书实施例是这样实现的：

第一方面，本说明书实施例提供了一种风电机组健康状态评估模型，包括：融合多头注意力机制的多特征提取网络和递归神经元多层特征匹配网络，所述多特征提取网络的输出为所述递归神经元多层特征匹配网络的输入；其中，所述多特征提取网络包括多个特征提取模块，每个特征提取模块由多个改进后的长短期记忆块连接组成，即上一个长短期记忆块的输出作为下一个长短期记忆块的输入。

可选的，每个长短期记忆块相对应的注意力机制不同，最后通过将多个不同注意力融合，形成新的特征序列，作为下一个特征提取模块的输入。

可选的，所述递归神经元多层特征匹配网络的输出数据为5维数据。

第二方面，本说明书实施例提供了一种风电机组健康状态评估方法，其特征在于，包括：

将输入的风电机组健康状态评估数据均分为等大小的子数据集；

采用融合多头注意力机制对每个所述子数据集中的数据进行高维度数据的特征提取，得到特征数据；

通过递归神经元特征匹配网络对所述特征数据进行风电机组健康状态的特征匹配，得到匹配结果；

基于所述匹配结果得到所述风电机组的健康评估结果。

可选的，对于每个所述子数据集，使用由多个特征提取模块所构建的结构递归神经网络，实现输入高维度数据的特征提取。

可选的，一个特征提取模块由多个改进后的长短期记忆块连接组成，即上一个长短期记忆块的输出作为下一个长短期记忆块的输入。

可选的，每个长短期记忆块相对应的注意力机制不同，最后通过将多个不同注意力融合，形成新的特征序列，作为下一个特征提取模块的输入。

可选的，所述匹配结果包括5维数据，对应不同的风电机组健康状态。

可选的，所述递归神经元特征匹配网络为多层特征匹配网络。

第三方面，本说明书实施例提供了一种风电机组健康状态评估系统，包括：

数据输入模块，用于将输入的风电机组健康状态评估数据均分为等大小的子数据集；