[发明专利]一种风机叶片结冰状态检测方法、装置及可读存储介质

说明书

本发明涉及一种风机叶片结冰状态检测方法、装置及计算机可读存储介质，所述方法包括以下步骤：获取风力发电厂实际运行的SCADA数据，得到特征数据集，对所述数据集进行归一化处理，得到归一化后的数据集；构建扩展深度信念网络模型，利用所述归一化后的数据集对所述扩展深度信念网络模型进行训练，并利用代价敏感学习对扩展深度信念网络模型进行优化，得到用于结冰检测的扩展深度信念网络模型；采集需要检测的SCADA数据，将所述需要检测的SCADA数据输入至用于结冰检测的扩展深度信念网络模型中，得到结冰状态检测结果。本发明所述的风机叶片结冰状态检测方法，提高了风机叶片结冰状态检测的准确度。

技术领域

本发明涉及风机叶片技术领域，尤其涉及一种风机叶片结冰状态检测方法、装置及计算机可读存储介质。

背景技术

风能作为一种清洁的可再生能源，越来越受到世界各国的重视，在此情况下风力发电机组被广泛利用；相关研究表明，风机叶片一旦结冰之后会影响风机叶片的固有模态参数、改变风机叶片的翼型，进而会降低风机的运行稳定性和发电效率，而且冰层滑落之后容易造成人员伤亡。因此，对叶片结冰进行早期的检测可以有效提高风机的运行稳定性和发电效率。现有关于风机叶片结冰状态检测方案的存在原始数据相关信息容易丢失，导致检测准确度不高。

发明内容

有鉴于此，有必要提供一种风机叶片结冰状态检测方法、装置及计算机可读存储介质，用以解决现有技术中风机叶片结冰状态检测准确度不高的问题。

本发明提供一种风机叶片结冰状态检测方法，包括以下步骤：

获取风力发电厂实际运行的SCADA数据，得到特征数据集，对所述数据集进行归一化处理，得到归一化后的数据集；

构建扩展深度信念网络模型，利用所述归一化后的数据集对所述扩展深度信念网络模型进行训练，并利用代价敏感学习对扩展深度信念网络模型进行优化，得到用于结冰检测的扩展深度信念网络模型；

采集需要检测的SCADA数据，将所述需要检测的SCADA数据输入至用于结冰检测的扩展深度信念网络模型中，得到结冰状态检测结果。

进一步地，对所述数据集进行归一化处理，得到归一化后的数据集，具体包括，利用归一化公式对所述数据集的数据进行归一化，得到归一化后的数据集，所述归一化公式为

其中，X₀为需要进行归一化的数据，X₁为归一化后的数据，X_max为一维数据中的最大值，X_min为一维数据中的最小值。

进一步地，利用所述归一化后的数据集对所述扩展深度信念网络模型进行训练，具体包括，在归一化的数据集取出一组数据作为输入向量，将所述输入向量输入至扩展深度信念网络模型中，并计算隐藏层神经元被激活的概率，根据隐藏层神经元被激活的概率确定隐藏层神经元的取值，更新扩展深度信念网络模型中连接权重值、可视层与隐藏层的偏置值。

进一步地，所述计算隐藏层神经元被激活的概率，具体包括，

通过激活概率公式计算隐藏层神经元被激活的概率，所述激活概率公式为其中，p(h_j＝1|h)为隐藏层神经元被激活的概率，σ为激活函数，h为隐藏层神经元变量，b_j为隐藏层b中第j个神经元的偏置值，w_i,j为隐藏层b中第j个神经元与可见层a中第i个神经元的权重值，v_i为输入向量。

进一步地，根据隐藏层神经元被激活的概率确定隐藏层神经元的取值，具体包括，若隐藏层神经元被激活的概率大于或等于设定阈值，则该隐藏层神经元处于激活状态，其取值为1，若隐藏层神经元被激活的概率小于设定阈值，则该隐藏层神经元处于未激活状态，其取值为0。