基于小样本数据的深度学习风电告警信息分析方法与流程
本发明涉及一种风电场故障告警信息分析方法，是基于深度玻尔兹曼机和概率神经网络算法来对故障概率风险进行划分，从而提高了故障风险预警的精度，具体涉及一种基于小样本数据的深度学习风电告警信息分析方法。
背景技术：
随着风能的快速发展和大规模风电机组的投入运行，且由于大部分机组安装在偏远地区，负荷不稳定等因素，我国不少风电机组都出现了运行故障，直接影响了风力发电的安全性和经济性。为保持风电的长期稳定发展，增强它与传统能源的竞争力，必须不断降低风力发电的成本。
由于我国风力发电事业起步较晚，风电机组的故障风险预警研究还处于初级阶段，实现风电机组故障的有效预警是现在所面临的主要问题，风电机组故障风险主要与电气系统和控制系统相关，又与风速等外部环境相关，以上数据类型不同且相互关系复杂。目前常用的故障预警方法有人工神经网络，模糊集理论，证据理论．尽管以上列举的方法都能以不同的算法计算诊断不确定性的故障信息，但其结论都与实际情况相差甚远。
技术实现要素：
本发明所要解决的技术问题是：克服现有技术的不足，提供一种容错性强、减小了数据分析复杂度和提高故障概率风险等级准确性的基于小样本数据的深度学习风电告警信息分析方法。
本发明的技术方案是：
一种基于小样本数据的深度学习风电告警信息分析方法，包括以下步骤：
步骤1，首先对风电场检测到的数据信息进行预处理，得到训练样本。
步骤2，利用受限玻尔兹曼机，对样本数据进行特征量提取，选取出n个关键特征量。
步骤3，将提取出的包含n个关键特征量的数据样本作为训练集，输入到概率神经网络中，进行训练，建立一个显示故障风险概率的模型。
步骤4，将新的包含n个关键特征量的数据样本输入步骤3得到的故障风险概率模型中，得到故障风险概率，然后根据风险等级进行预警。
在上述的基于小样本数据的深度学习风电告警信息分析方法中，步骤2的实现包括：
步骤2.1，将风电场检测到的数据，经标准化后，得到一个p´n阶的矩阵：
步骤2.2，构建一个包含p个可见层神经元和m个隐藏层神经元的受限玻尔兹曼机，假设可见层神经元和隐藏层神经元均服从伯努利分布，每一个可见层神经元节点与隐藏层神经元节点之间的能量取值满足公式如下：
v表示所有可见层神经元，h表示所有隐藏层神经元，
步骤2.3，在给定可见层时，每一个隐藏层神经元取值之间互不相关，概率分布如下式：
在给定隐藏层时，所有可见层神经元取值之间也互不相关，概率分布如下：
步骤2.4，对于训练集中的x，将x附给可见层，计算隐藏层神经元被开启的概率，如下：
式中，这里的0和1状态的意义是代表了模型会选取哪些节点来使用，处于激活状态时值为1，未被激活状态值为0。
步骤2.5，从计算出的概率分布中抽取一个样本，即
用h重构可见层，即
同样，抽取出可见层的一个样本，即
再次用可见层神经元（重构之后的）计算出隐藏层神经元被开启的概率，即
步骤2.6，按式（10）更新权重，直至误差率达到最小，从而提取出n个关键特征向量
步骤3的实现包括：
步骤3.1，将提取出的包含n个特征向量的样本输入到概率神经网络中，通过式（11）求得模式层中的每个神经元和输入层中每个神经元之间的匹配程度
其中，lg表示g类神经元的个数；n表示特征的个数;
步骤3.2，然后通过每类的匹配程度累加求和，再取平均，得到输入样本的故障风险概率。
本发明具有如下有点：1、通过受限玻尔兹曼机对数据样本进行特征量提取，起到了降维的作用，为后面的数据分析提供了良好的基础，减小了数据分析的复杂度。2、利用提取出的特征量对概率神经网络进行训练，训练容易，收敛速度快，适合对于实时数据的处理，各层神经元的数目比较固定，易于硬件实施。3、同时隐含层采用径向基的非线性映射函数，考虑了不同类别样本之间的交错影响，具有很强的容错性，并且克服了局部极小值的问题，提高了故障概率风险等级的准确性。扩充性能好，网络学习过程简单，收敛速度快。
附图说明
图1是本发明的工作流程图。
图2是运用受限波尔兹曼机进行特征量提取的示意图。
图3是运用概率神经网络得到故障风险概率的示意图。
具体实施方式：
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。此外，本发明提供了各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其它工艺的可应用性和/或其他材料的使用。另外，以下描述的第一特征在第二特征之“上”的结构可以包括第一和第二特征形成为直接接触的实施例，也可以包括另外的特征形成在第一和第二特征之间的实施例，这样第一和第二特征可能不是直接接触。
本实施例采用以下技术方案来实现，基于小样本数据的深度学习风电告警信息分析方法，包括以下步骤：
步骤1，首先对风电场检测到的数据信息进行预处理，得到训练样本。
步骤2，利用深度玻尔兹曼机，对步骤1得到的预处理后的数据样本进行特征量提取，从而提取出n个关键特征量。
步骤3，将步骤2中得到的n个关键特征量的数据作为训练集，输入到概率神经网络中，进行训练，建立一个显示故障风险概率的模型。
步骤4，将新的包含n个关键特征量的样本输入步骤3得到的概率神经网络风险模型中，得到的故障风险概率，然后根据风险等级做出故障预警。
进一步，步骤2的实现包括：
步骤2.1，将风电场检测到的数据，经标准化后，得到一个p´n阶的矩阵：
步骤2.2，构建一个包含p个可见层单元和m个隐藏层单元的受限玻尔兹曼机，可见层单元和隐藏层单元均服从伯努利分布，每一个可见层神经元节点与隐藏层神经元节点之间的能量取值满足公式如下：
v表示所有可见层神经元，h表示所有隐藏层神经元，
步骤2.3，在给定可见层时，每一个隐藏层神经元取值之间互不相关，其概率分布如下：
在给定隐藏层时，所有可见层神经元取值之间也互不相关，概率分布如下：
步骤2.4，对于训练集中的x，将x附给可见层，计算隐藏层神经元被开启的概率，如式（5）：
式中，k表示样本的个数，这里的0和1状态的意义是代表了模型会选取哪些节点来使用，处于激活状态时值为1，未被激活状态值为0。
步骤2.5，从计算出的概率分布中抽取一个样本，即
用
同样，抽取出可见层的一个样本，即
再次用可见层神经元（重构之后的）计算出隐藏层神经元被开启的概率，即
步骤2.6，按式（10）更新权重，直至误差率达到最小，从而提取出n个关键特征向量
步骤3的实现包括：
步骤3.1，将提取出的包含n个特征向量的样本输入到概率神经网络中，通过式（11）求得模式层中的每个神经元和输入层中每个神经元之间的匹配程度。
其中，lg表示g类神经元的个数；n表示特征的个数;
步骤3.2，然后通过每类的匹配程度累加求和，再取平均，得到输入样本的故障风险概率。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。
- 还没有人留言评论。精彩留言会获得点赞！