[发明专利]一种改进RNN网络的风机结冰预测方法

权利要求书

1.一种改进RNN网络的风机结冰预测方法，其特征在于，包括以下步骤：

首先进行数据预处理，随后采用MIV评价指标与t-分布对SCADA特征进行降维，再输入RNN模型，用于对风力发电机的SCADA数据中的风速、功率、机舱温度进行时间序列上的有效预测，实现对叶片结冰故障机理进行评价。

2.根据权利要求1所述的一种改进RNN网络的风机结冰预测方法，其特征在于，所述数据预处理的步骤包括：

对风机SCADA数据进行贴标签，结冰的标签为“1”，未冻结的标签为“0”，其余的被认为是标签为“2”的无效数据，剔除无效数据，采用SMOTE算法处理不平衡数据。

3.根据权利要求2所述的一种改进RNN网络的风机结冰预测方法，其特征在于，采用SMOTE算法处理不平衡数据的公式为：

x_new＝x_i+rand(0,1)×|x_i-x_n|

式中，x_i为某一少类样本，即覆冰样本，x_n为x_i的一个邻近样本，最终生成新样本x_new，最终调整覆冰样本与正常样本比例为1：1。

4.根据权利要求1所述的一种改进RNN网络的风机结冰预测方法，其特征在于，所述MIV评价指标通过以下方法计算得到：

首先，训练一个BP神经网络；然后在原值的基础上，对训练样本P中的每个自变量加减10％，形成两个新的训练样本P₁和P₂，作为模拟样本，利用建立的网络进行仿真，得到了两个仿真结果A₁和A₂，并计算出A₁和A₂的差值，即自变量对输出的影响变化值IV，求IV的平均值，得到MIV值，计算每个自变量的MIV值，来反映神经网络中权重矩阵的变化，按降序排序，剔除MIV小于1的变量。

5.根据权利要求1所述的一种改进RNN网络的风机结冰预测方法，其特征在于，所述t-分布对SCADA特征进行降维的步骤包括：

SNE将欧几里德距离转换为条件概率来表示点之间的相似度。给定一个n(样本数)的高维数据x₁，x₂…x_n，tSNE首先计算概率P_ji，与数据点x_i和x_j之间的相似度成正比，将高维欧氏距离转换为相似度的条件概率，即：

对于低维，指定高斯分布的均方差为0.5，因此，两者的相似之处如下：

通过优化两个概率分布之间的距离(KL散度)，目标函数表示为：

其中，P_i是在给定点x_i处剩余数据点的条件概率分布；

SNE在参数选择时需要多次运行以确定一些难以优化的超参数，tSNE采用t分布代替高斯分布来表示基于SNE的两点之间的相似性，有效避免拥塞和优化问题。使用t分布后，概率P_ji为：

6.根据权利要求1所述的一种改进RNN网络的风机结冰预测方法，其特征在于，网络优化的梯度为：