[发明专利]一种风机齿轮箱状态预测方法及系统

权利要求书

1.一种风机齿轮箱状态预测方法，其特征在于，所述方法包括：

从风电场监控与数据采集系统获得风电机组多组运行参量的原始数据集；

利用预设算法对所述原始数据集进行预处理，用以降低原始数据集特征向量维度得到降维数据；

利用卷积长短记忆神经网络模型对所述降维数据进行卷积操作，以对数据集特征向量完成重构；

通过对重构后的数据进行深度神经网络训练，建立多个目标预测模型；

从所述多个目标预测模型中确定最优模型为预测网络模型，利用所述预测网络模型对风机齿轮箱状态进行预测。

2.如权利要求1所述的方法，其特征在于，所述预设算法为斯皮尔曼相关系数法，所述利用预设算法对所述原始数据集进行预处理，用以降低原始数据集特征向量维度得到降维数据，包括：

采用斯皮尔曼相关系数法的计算公式对两个变量之间的相关性进行计算，获得变量相关系数，所述计算公式为：

其中，ρ为斯皮尔曼相关系数，a，b为两个随机变量，两个随机变量取得的第i个值分别表示为a_i，b_i，为所有随机变量a，b的平均值；

判断所述变量相关系数是否超出预设阈值；

当超出时，将变量相关系数对应的特征向量舍弃，降低特征向量维度；

其中，通过斯皮尔曼相关系数法进行降低维度后的数据集的每个输入特征向量为连续12小时分电机组状态量，目标预测值为10天后风电齿轮箱状态。

3.如权利要求2所述的方法，其特征在于，所述原始数据集包括齿轮箱油温、齿轮箱主轴承温度、前轴承温度、后轴承温度和齿轮箱油位，所述齿轮箱油温、齿轮箱主轴承温度、前轴承温度、后轴承温度和齿轮箱油位不进行特征向量舍弃操作。

4.根据权利要求1所述的方法，其特征在于，所述利用卷积长短记忆神经网络模型对所述降维数据进行卷积操作，以对数据集特征向量完成重构，包括：

所述卷积长短记忆神经网络的模型算法如下：

其中，i(t)为输入门，f(t)为遗忘门，o(t)为输出门，c(t)为记忆单元状态，h(t)为记忆单元输出，σ为sigmoid激活函数，*为卷积运算。

5.如权利要求4所述的方法，其特征在于，所述sigmoid激活函数位于卷积长短记忆神经网络的输出门之后，对卷积长短记忆神经网络模型的输出值h(t)进行分段映射；

其中，分段映射关系如式：

其中σ设定为0.02。

6.根据权利要求1所述的方法，其特征在于，所述从所述多个目标预测模型中确定最优模型为预测网络模型，包括：

构建卷积长短记忆神经网络模型分别对预测目标进行拟合训练；

确定数据正向传递路径，计算损失函数loss值，更新各网络层权重及偏置，计算损失函数loss值并且反向传递误差，更新权重；

所述卷积长短记忆神经网络模型通过训练预设批次，当所述损失函数loss值对应的曲线走势满足预期要求时，对所述多个目标预测模型进行选择评价指标R²值计算；

根据所述评价指标R²值，确定所述预测网络模型，所述预测网络模型为评价指标R²值与1差值最小的模型。

7.根据权利要求6所述的方法，其特征在于，所述对所述多个目标预测模型进行选择评价指标R²值计算，包括：

通过公式：计算获得所述评价指标R²值，其中，SST为总平方和，SSR为回归平方和。

8.根据权利要求1所述的方法，其特征在于，所述目标预测模型的框架由三种神经网络构成，包括：卷积长短记忆神经网络层、卷积神经网络和全连接层，其中，在进行每一批次深度神经网络训练时会同时送入k个时序数据，并通过所述卷积长短记忆神经网络层将数据由一维张量替换为三维张量，k为正整数。