[发明专利]风电场故障场景预测模型的生成方法、装置和计算机设备

权利要求书

1.一种风电场故障场景预测模型的生成方法，其特征在于，所述方法包括：

获取风电场的第一样本数据，并将所述第一样本数据划分为原训练集和原测试集；

通过所述原训练集对预设的集成模型中的多个初级分类器分别进行k折交叉验证训练，得到训练完成的各个初级分类器的输出结果；所述输出结果包括对风电场的每种故障场景的预测概率；

通过所述原测试集对所述训练完成的各个初级分类器进行测试，得到所述训练完成的各个初级分类器的预测准确率；

根据所述训练完成的各个初级分类器的输出结果、所述预测准确率和所述第一样本数据，得到第二样本数据；

通过所述第二样本数据对所述集成模型中的次级分类器进行训练，得到训练完成的集成模型，作为风电场故障场景的预测模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述训练完成的各个初级分类器的输出结果、所述预测准确率和所述第一样本数据，得到第二样本数据，包括：

根据所述训练完成的各个初级分类器的预测准确率，确定所述训练完成的各个初级分类器的特征权重；

根据所述训练完成的各个初级分类器的特征权重，对所述训练完成的各个初级分类器的输出结果进行加权处理，得到新的输出结果；

将所述新的输出结果和所述第一样本数据，组成第二样本数据。

3.根据权利要求2所述的方法，其特征在于，所述根据所述训练完成的各个初级分类器的预测准确率，确定所述训练完成的各个初级分类器的特征权重，包括：

按照特征权重与预测准确率成正相关的关系，根据所述训练完成的各个初级分类器的预测准确率，确定所述训练完成的各个初级分类器的特征权重。

4.根据权利要求1所述的方法，其特征在于，所述获取风电场的第一样本数据，包括：

获取风电场的原始数据；

基于所述风电场的原始数据与风电场的故障场景、故障影响容量之间的相关度，从所述原始数据中选取出相关度大于阈值的数据，作为第一样本数据。

5.根据权利要求4所述的方法，其特征在于，所述从所述原始数据中选取出相关度大于阈值的数据，作为第一样本数据，包括：

从所述原始数据中选取出相关度大于阈值的数据，作为初始样本数据；

将所述初始样本数据划分为属性数据、数值型数据和其他数据；所述其他数据为所述初始样本数据中除所述属性数据和所述数值型数据之外的数据；

对所述属性数据进行编码处理，以及对所述数值型数据进行归一化处理，基于编码后的属性数据、归一化后的数值型数据和所述其他数据，得到所述第一样本数据。

6.根据权利要求1所述的方法，其特征在于，所述通过所述原训练集对预设的集成模型中的多个初级分类器分别进行k折交叉验证训练，得到训练完成的各个初级分类器的输出结果，包括：

将所述原训练集划分为k个互斥的子集；其中，k为正整数；

每次选择其中k-1个子集为训练集，另一个子集为验证集，对所述各个初级分类器分别进行训练和验证，得到所述训练完成的各个初级分类器的k个验证结果，对应作为所述训练完成的各个初级分类器的输出结果。

7.一种风电场故障场景预测模型的生成装置，其特征在于，所述装置包括：

获取模块，用于获取风电场的第一样本数据，并将所述第一样本数据划分为原训练集和原测试集；

第一训练模块，用于通过所述原训练集对预设的集成模型中的多个初级分类器分别进行k折交叉验证训练，得到训练完成的各个初级分类器的输出结果；所述输出结果包括对风电场的每种故障场景的预测概率；

测试模块，用于通过所述原测试集对所述训练完成的各个初级分类器进行测试，得到所述训练完成的各个初级分类器的预测准确率；

重构模块，用于根据所述训练完成的各个初级分类器的输出结果、所述预测准确率和所述第一样本数据，得到第二样本数据；

第二训练模块，用于通过所述第二样本数据对所述集成模型中的次级分类器进行训练，得到训练完成的集成模型，作为风电场故障场景的预测模型。