[发明专利]混合模型框架下的水电机组运转状态预判方法

权利要求书

1.混合模型框架下的水电机组运转状态预判方法，其特征在于，包括以下步骤：

步骤1，在水轮发电机组运行过程中，通过实时监测系统和设备参数获取各个物理量的特征数据集，特征数据集为不同时刻各个物理量的特征数据组成的时间序列的集合；

步骤2，建立基于CNN-LSTM的Trend网络模型；

步骤3，将特征数据集分为测试集和训练集，采用训练集对基于CNN-LSTM的Trend模型进行训练；

步骤4，采用训练好的基于CNN-LSTM的Trend网络模型对测试集进行运转状态的预测。

2.如权利要求1所述的混合模型框架下的水电机组运转状态预判方法，其特征在于，所述步骤1中物理量包括如运行电压、电流、转速和温度以及包括齿轮、主轴、导叶的实体部件；所述时间序列用以下公式来描述：

(X_0：t，y_0：t，ε_0：t)＝[(x₀，y₀，e₀)，(x₁，y₁，e₁)，...，(x_t，y_t，e_t)] (1)

在该系统中，ε表示该系统中的实体部件，[T₀，T)表示所观察事件的观察窗口即观测的时间长度，根据实际情况，一般假定T₀＝0；并且使用X_t-T：t∈R^M×(T+1)表示由t-T到t的观察序列{X_t-T，X_t-T+1，…，X_t}，使用和y表示预测值和测量到对应物理量的真实值。

3.如权利要求1所述的混合模型框架下的水电机组运转状态预判方法，其特征在于，所述步骤2中基于CNN-LSTM的Trend网络模型包括依次连接的卷积层、池化层、LSTM层和全连接层，其中每个池化层输出和对应的每个全连接层输入之间均连接有一个LSTM细胞核，每个细胞核包括遗忘门，输入门，输出门。

4.如权利要求3所述的混合模型框架下的水电机组运转状态预判方法，其特征在于，所述CNN-LSTM的Trend网络模型通过第i个滤波器扫过输入时间序列X_t，产生输出为

在这里代表卷积操作，z_i表示输出特征向量，RELU(·)表示激活函数返回值为max(0,(·))；

所述LSTM细胞核表示为：

f_{t}＝σ(w_f*[C_t-1,Z_t,h_t-1]+b_f)i_t＝σ(w_i*[C_t-1,Z_t,h_t-1]+b_i)C_t＝f_t*C_t-1+i_t*RELU(w_c*[Z_t,h_t-1]+b_c) (4)

o_t＝σ(w_o*[C_t,Z_t,h_t-1]+b_o)h_t＝o_t*RELU(C_t) (5)

这里的f,i,o,h,C,c,w,Z,b,σ( )分别表示遗忘门，输入门，输出门，隐状态向量，单元状态向量，权重矩阵，特征向量，偏置向量和sigmoid函数。