申请/专利权人：桂林电子科技大学

申请日：2022-04-22

公开（公告）日：2024-03-19

公开（公告）号：CN114692341B

主分类号：G06F30/17

分类号：G06F30/17;G06F30/27;G06N3/0442;G06N3/08;G06F113/06;G06F119/06;G06F119/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2022.07.19#实质审查的生效;2022.07.01#公开

摘要：本发明公开了一种基于融合时空图ConvLSTM模型的风机故障预测方法及存储介质，所述方法包括以风电机组工况参数、环境参数和状态参数构成的风机数据集，并通过融合时空图ConvLSTM模型处理后输入到风机故障检测模型中，得到预测结果。本发明针对风机实际环境中的运行数据，首先经过数据预处理和特征工程，然后从风机运行数据的时间和空间两个维度出发，将原始的一维数据转化为二维时空图数据，增强数据对空间关系的表征能力。在所构建的时空图模型基础之上，搭建可适应于二维时空图数据的ConvLSTM模型架构，将二维时空图构建模型与ConvLSTM预测模型深度融合，经过模型的优化训练，有效提升风机在未来一段时间内运行数据的预测准确率，进而提高风机故障预测的准确率。

主权项：1.一种基于融合时空图ConvLSTM模型的风机故障预测方法，包括以风电机组工况参数、环境参数和状态参数构成的风机数据集，并通过融合时空图ConvLSTM模型处理后输入到风机故障检测模型中，得到预测结果，其特征在于，所述融合时空图ConvLSTM模型的构建包括以下步骤：1定义表示为风机运行数据在时间戳T时的特征集合，k为风机运行数据的特征序号，Feak表示风机的第k个特征变量，h为风机运行数据的最大特征数量；特征集合{Fea1,Fea2,Fea3,...,Feak}，实际表示了风速、网侧有功功率、环境温度等特征对象；2定义时间维度大小为S，T为运行数据的最大时序跨度，二者关系为ST；定义空间维度大小为N，K为运行数据的最大特征变量数，二者关系为NK；数据集合具有空间特征且不包含时序特征的特性时，S和N满足公式S＝1N！＝1，集合公式为Gspace即表示为T时刻下的特征参数集合；数据集合具有时序特征且不包含空间特征的特性时，时间维度S和空间维度N满足公式S！＝1N＝1，集合公式为Gtime即表示为第K个特征在T时序内的数据集合；3时空图数据模型由公式和公式组合得到；时空图数据模型需要数据同时具有空间特征和时序特征，先决条件同时满足条件S＝1N！＝1和S！＝1N＝1时，即可达到同时满足时间和空间特征的条件，推导公式为S＝1N！＝1S！＝1N＝1＝S！＝1N！＝1；4在先决条件S！＝1N！＝1下，推导同时具有时间特性和空间的特性的二维时空图模型集合；由集合Gfeature_T和Gfeature_k定义二维集合Gfeature_k_T，表示第K个特征在T时序内的特征值集合，推导二维时空图全局集合为M为由原始风机运行数据D所能构成的时空图数量，计算公式为Dnum为风机运行数据的总数据量，Gfeature_k_Ti表示第i张时空图的数据集合，RM×S×N表示M张S×N大小的时空图数据结构的总集合域；5定义每次输入模型的时空图数量P和输出的数量img_out，划分训练集和测试集其中Gtest的数据量为P+img_out；定义超参数训练轮次epoch和样本的批大小batch_size，初始化ConvLSTM模型；将时空图集合Gtrain[i,i+p]接入ConvLSTM模型训练得到model，其中i∈[0:M-P；将测试集中的前P张时空图集合Gtest[0:p]输入model中，得到最终预测值6计算预测值与真实值Gtest之间的MSE、MAE和R2。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 基于融合时空图ConvLSTM模型的风机故障预测方法及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD