一种海上风电电缆温度趋势预警方法与系统与流程

1.本发明涉及海上风电电缆温度趋势预警领域，具体涉及一种海上风电电缆温度趋势预警方法与系统。


背景技术：

2.随着海上风力发电的大力发展，海底高压电缆的应用将越来越广泛，但是由于运行和海底环境的不确定性，海底电缆很容易出现绝缘损坏、锚伤等各类故障，一旦海底高压电缆发生故障而停止运行，就会造成非常大的经济损失，因此，为保障海底高压电缆的安全运行，实时监测海底高压电缆的运行状况是非常必要的；
3.目前海上风电场对于电缆温度的检测还处于对实时值的监控阶段，工作人员通过经验来判断风机是否出现问题，对于工作人员的要求较高，或不能及时发现故障，扩大损失。


技术实现要素：

4.本发明要解决的技术问题是目前海上风电场对于电缆温度的检测还处于对实时值的监控阶段，工作人员通过经验来判断风机是否出现问题，对于工作人员的要求较高，或不能及时发现故障，扩大损失，本发明提供一种海上风电电缆温度趋势预警方法，本发明还提供一种海上风电电缆温度趋势预警系统，能够基于极限学习机多步预测趋势和根据预测值拟合构建的斜率趋势，结合参数的历史正常趋势，以及安全斜率趋势阈值实现风电场电缆温度状态趋势预警，结构简单，便于使用，用以解决现有技术导致的缺陷。
5.为解决上述技术问题本发明提供以下的技术方案：
6.第一方面，一种海上风电电缆温度趋势预警方法，其中，包含以下步骤：
7.步骤1：采集工况下海上风电场电缆的历史温度数据及相对应的工况数据，并对所述历史温度数据与所述工况数据进行预处理得到预处理数据；
8.步骤2：基于极限学习机建立电缆温度多步预测模型，并使用所述预处理数据对所述电缆温度多步预测模型进行训练验证；
9.步骤3：采集海上风电场电缆的实时温度数据及相对应的工况数据，并输入至所述电缆温度多步预测模型中进行电缆温度实时状态趋势预测，得到电缆温度实时状态趋势数据；
10.步骤4：将所述电缆温度实时状态趋势数据与当前工况下的电缆温度动态安全趋势阈值区间进行对比；
11.若所述电缆温度实时状态趋势数据在所述电缆温度动态安全趋势阈值区间内，则执行步骤3；
12.若所述电缆温度实时状态趋势数据不在所述电缆温度动态安全趋势阈值区间内，则进行报警。
13.上述的一种海上风电电缆温度趋势预警方法，其中，步骤1中对所述工况数据、所
述历史温度数据进行预处理得到所述预处理数据的过程如下：
14.进行数据清洗、标记、存储。
15.上述的一种海上风电电缆温度趋势预警方法，其中，步骤2中基于极限学习机建立电缆实时温度多步预测模型的方法如下：
16.步骤21：利用极限学习机的状态多步预测结构建立多步预测模型；
17.步骤22：将所述历史温度数据输入所述极限学习机的输入层，并确定隐含层的权值矩阵和偏置分配随机数值计算输出隐含层输出矩阵，通过求解非一致方程得到唯一最小二乘最小范数解，从而训练得到所述历史温度数据的m个预测结果；
18.步骤23：根据m个所述预测值以最小二乘法对当前预测与前一次预测的预测结果进行线性拟合，采用单调函数直线y＝at+b得到电缆温度的实时状态趋势变化数据；
19.其中，a为拟合函数的斜率，代表了数据的趋势，若a》0，则数据呈现上升趋势，若a《0，则数据呈现下降趋势；
20.步骤24：获取电缆的历史运行数据验证所述多步预测模型的准确性，从而得到所述电缆温度多步预测模型。
21.上述的一种海上风电电缆温度趋势预警方法，其中，步骤22中将所述历史温度数据输入所述极限学习机的输入层，并确定隐含层的权值矩阵和偏置分配随机数值计算输出隐含层输出矩阵，通过求解非一致方程得到唯一最小二乘最小范数解，从而训练得到所述历史温度数据的m个预测结果的具体方法如下：
22.假定有n个温度数据样本记为(xj，yj)，其中，xj为历史序列，xj＝[x
j1
,x
j2
,...,x
jn
]，yj为多步预测序列，yj＝[y
j1
,y
j2
,...,y
jm
]∈rn×m，j＝1,2,...,n，预测周期为t，每个所述温度数据样本的输入层有n维，隐藏层有l维，输出层有m维，如式1-1所示，一个单隐含层神经网络的输出表示为：
[0023][0024]
其中，y0为，g为激活函数，wi＝[w
1h
,w
2h
,...,w
nh
]为输入权重，β
ho
＝[β1,β2,...,β
l
]
t
∈r
l
×m为输出权重,bh＝[b1,b2,...,b
l
]第h个隐藏层单元的偏置；
[0025]
将式(1-1)写为矩阵形式后如(1-2)所示；
[0026]
hβ
ho
＝yj(1-2)；
[0027]
其中h为隐藏层的输出矩阵：
[0028][0029]
输出矩阵：
[0030][0031]
输出权重矩阵：
[0032][0033]
当输入权值wi和隐藏层偏置bh被随机确定为和则隐藏层的输出矩阵h也被确定为
[0034]
当h和yj已经确定，则输出权重β
ho
则可由式(1-6)求得：
[0035][0036]
其中为矩阵h的moore-penrose广义逆矩阵；
[0037]
由于h∈rn×
l
，而样本数n》》l，故可由式(1-7)求得：
[0038][0039]
其中，u∈rn×n和v∈r
l
×
l
是相互正交的矩阵，d∈rn×
l
矩阵是主对角线为奇异值的对角矩阵，而则是对角矩阵d非零元素取倒数再转置；
[0040]
其中d,u,v可由h矩阵按式(1-8)奇异值分解得到：h＝udv
t
(1-8)；
[0041]
其中u由左奇异向量μi组成，v则是由右奇异向量vi组成，d则是主对角线为奇异值σi组成的对角矩阵；
[0042]
其中μi，vi，σi分别由式(1-9)、式(1-10)、式(1-11)求出；
[0043]
(h
t
h)vi＝λivi(1-9)；
[0044][0045][0046]
由于训练样本数n》》l，h矩阵的行数远大于列数，故hβ
ho
＝yj为非一致方程，其解β
ho
为最小二乘最小范数解且唯一，从而得到m个所述温度预测点。
[0047]
上述的一种海上风电电缆温度趋势预警方法，其中，步骤23中根据m个所述预测值以最小二乘法对当前预测与前一次预测的预测结果进行线性拟合的具体方法如下：
[0048]
采用所述最小二乘法对当前预测与前一次预测的预测结果进行线性拟合，得到线性拟合函数y＝at+b，其中t＝kt，t为预测周期，k为斜率，a为拟合函数的常数项，可以由多个(x,y)值进行推导得到，b为拟合函数的常数项，可以由多个(x,y)值进行推导得到，y为一维坐标中的纵坐标值；
[0049]
根据损失函数计算公式计算得到真实值和拟合值的误差e，其中y
t
是真实值，y
′
t
是对应的拟合值；
[0050]
将损失函数当作多元函数进行处理使损失函数最小，将损失函数写为：
[0051][0052]
根据式(2-1)分别对a和b求偏导，根据式(2-2)求解a和b使得偏导为0；
[0053][0054]
将式(2-2)变换为式(2-3)；
[0055][0056]
联立式(2-2)与式(2-2)两个多元方程组，求解可得到a和b的值，如式(2-4)所示；
[0057][0058]
依据式(2-4)求出线性拟合状态趋势函数，采用单调函数直线y＝at+b，其中a为拟合函数的斜率，代表了数据的趋势，若a》0，则数据呈现上升趋势，若a《0，则数据呈现下降趋势。
[0059]
上述的一种海上风电电缆温度趋势预警方法，其中，所述电缆温度动态安全趋势阈值区间的计算方法如下：
[0060]
采用高斯混合聚类，针对一组一维时序斜率趋势数据样本d＝{x
(1)
,x
(2)
,...x
(n)
}，高斯混合模型假定所有的数据样本由k个高斯分布模型混合而成，如式(3-1)所示；
[0061][0062]
其中，ωi代表高斯分布模型之间的权重，且满足式(3-1)中的p(x∣μi,σi)为混合高斯模型中的一个高斯分布模型，如式(3-2)所示，高斯混合模型使用最大似然估计法估算参数的值；
[0063][0064]
如式(3-3)所示，由于高斯混合模型内参数过多，不能直接通过求导得出结果，所以采用em算法对模型进行迭代求解；
[0065]
[0066]
em算法求解流程如下：
[0067]
首先初始化参数ωi,μi,σi；
[0068]
e-step：依据当前参数，计算每个数据j来自子模型i的可能性；
[0069][0070]
m-step：计算新一轮迭代的模型参数；
[0071][0072][0073][0074]
重复计算e-step和m-step直至算法收敛，通过em算法求解出混合高斯模型的均值向量μi(i＝1,2,..k)，方差向σi(i＝1,2,..k)，以及权重系数向量ωi(i＝1,2,...,k)，则样本整体的均值可由式(3-4)推导而出；
[0075][0076]
根据高斯概率分布函数的区间分布估计，取95％置信度，通过式(3-5)，式(3-6)得到样本数据的上限向量x
hi
(i＝1,2,...,k)与下限向量x
li
(i＝1,2,...,k)；
[0077]
x
hi
＝μi+1.96σi(i＝1,2,...,k)
ꢀꢀ
(3-5)；
[0078]
x
li
＝μ
i-1.96σi(i＝1,2,...,k)
ꢀꢀ
(3-6)；
[0079]
通过式(3-7)、式(3-8)可求出样本整体的上限xh与下限x
l
；
[0080]
xh＝max{x
hi
(i＝1,2,...,k)}
ꢀꢀ
(3-7)；
[0081]
x
l
＝min{x
li
(i＝1,2,...,k)}
ꢀꢀ
(3-8)；
[0082]
得到动态安装趋势阈值区间[x
l
，xh]。
[0083]
第二方面，一种海上风电电缆温度趋势预警系统，其中，包含历史数据处理模块、预测模块建立模块、实时数据采集模块、对比模块、报警模块；
[0084]
所述历史数据处理模块用于采集工况下海上风电场电缆的历史温度数据及相对应的工况数据，并对所述历史温度数据与所述工况数据进行预处理得到预处理数据；
[0085]
所述预测模块建立模块用于基于极限学习机建立电缆温度多步预测模型，并使用所述预处理数据对所述电缆温度多步预测模型进行训练验证；
[0086]
所述实时数据采集模块用于采集海上风电场电缆的实时温度数据及相对应的工
况数据，并传输至所述电缆温度多步预测模型中进行电缆温度实时状态趋势预测，得到电缆温度实时状态趋势数据；
[0087]
所述对比模块用于将所述电缆温度实时状态趋势数据与当前工况下的电缆温度动态安全趋势阈值区间进行对比；若所述电缆温度实时状态趋势数据在所述电缆温度动态安全趋势阈值区间内，则生成传输至所述实时数据采集模块的反馈数据；
[0088]
若所述电缆温度实时状态趋势数据不在所述电缆温度动态安全趋势阈值区间内，则生成传输至所述报警模块的报警数据；
[0089]
所述报警模块用于进行报警。
[0090]
第三方面，一种芯片，其中，包含：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行：如第一方面中任一项所述的方法。
[0091]
依据上述本发明一种海上风电电缆温度趋势预警方法与系统提供的技术方案具有以下技术效果：
[0092]
本发明主要提出一种基于机器学习的双重趋势分析结合的预警方法，即基于极限学习机多步预测趋势和根据预测值拟合构建的斜率趋势，结合参数的历史正常趋势，以及安全斜率趋势阈值实现风电场电缆温度状态趋势预警，结构简单，便于使用。
附图说明
[0093]
图1为本发明一种海上风电电缆温度趋势预警方法的流程图；
[0094]
图2为本发明一种海上风电电缆温度趋势预警系统的结构图。
[0095]
其中，附图标记如下：
[0096]
历史数据处理模块100、预测模块建立模块200、实时数据采集模块300、对比模块400、报警模块500。
具体实施方式
[0097]
为了使发明实现的技术手段、创造特征、达成目的和功效易于明白了解，下结合具体图示，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。
[0098]
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0099]
须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
[0100]
同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
[0101]
本发明的第一实施例是提供一种海上风电电缆温度趋势预警方法，目的是基于极限学习机多步预测趋势和根据预测值拟合构建的斜率趋势，结合参数的历史正常趋势，以
及安全斜率趋势阈值实现风电场电缆温度状态趋势预警，结构简单，便于使用。
[0102]
如图1所示，第一方面，第一实施例，一种海上风电电缆温度趋势预警方法，其中，包含以下步骤：
[0103]
步骤1：采集工况下海上风电场电缆的历史温度数据及相对应的工况数据，并对历史温度数据与工况数据进行预处理得到预处理数据；
[0104]
步骤2：基于极限学习机建立电缆温度多步预测模型，并使用预处理数据对电缆温度多步预测模型进行训练验证；
[0105]
步骤3：采集海上风电场电缆的实时温度数据及相对应的工况数据，并输入至电缆温度多步预测模型中进行电缆温度实时状态趋势预测，得到电缆温度实时状态趋势数据；
[0106]
步骤4：将电缆温度实时状态趋势数据与当前工况下的电缆温度动态安全趋势阈值区间进行对比；
[0107]
若电缆温度实时状态趋势数据在电缆温度动态安全趋势阈值区间内，则执行步骤3；
[0108]
若电缆温度实时状态趋势数据不在电缆温度动态安全趋势阈值区间内，则进行报警。
[0109]
上述的一种海上风电电缆温度趋势预警方法，其中，步骤1中对工况数据、历史温度数据进行预处理得到预处理数据的过程如下：
[0110]
进行数据清洗、标记、存储。
[0111]
上述的一种海上风电电缆温度趋势预警方法，其中，步骤2中基于极限学习机建立电缆实时温度多步预测模型的方法如下：
[0112]
步骤21：利用极限学习机的状态多步预测结构建立多步预测模型；
[0113]
步骤22：将历史温度数据输入极限学习机的输入层，并确定隐含层的权值矩阵和偏置分配随机数值计算输出隐含层输出矩阵，通过求解非一致方程得到唯一最小二乘最小范数解，从而训练得到历史温度数据的m个预测结果；
[0114]
步骤23：根据m个预测值以最小二乘法对当前预测与前一次预测的预测结果进行线性拟合，采用单调函数直线y＝at+b得到电缆温度的实时状态趋势变化数据；
[0115]
其中，a为拟合函数的斜率，代表了数据的趋势，若a》0，则数据呈现上升趋势，若a《0，则数据呈现下降趋势；
[0116]
步骤24：获取电缆的历史运行数据验证多步预测模型的准确性，从而得到电缆温度多步预测模型。
[0117]
上述的一种海上风电电缆温度趋势预警方法，其中，步骤22中将历史温度数据输入极限学习机的输入层，并确定隐含层的权值矩阵和偏置分配随机数值计算输出隐含层输出矩阵，通过求解非一致方程得到唯一最小二乘最小范数解，从而训练得到历史温度数据的m个预测结果的具体方法如下：
[0118]
假定有n个温度数据样本记为(xj，yj)，其中，xj为历史序列，xj＝[x
j1
,x
j2
,...,x
jn
]，yj为多步预测序列，yj＝[y
j1
,y
j2
,...,y
jm
]∈rn×m，j＝1,2,...,n，预测周期为t，每个温度数据样本的输入层有n维，隐藏层有l维，输出层有m维，如式1-1所示，一个单隐含层神经网络的输出表示为：
[0119][0120]
其中，y0为，g为激活函数，wi＝[w
1h
,w
2h
,...,w
nh
]为输入权重，β
ho
＝[β1,β2,...,β
l
]
t
∈r
l
×m为输出权重,bh＝[b1,b2,...,b
l
]第h个隐藏层单元的偏置；
[0121]
将式(1-1)写为矩阵形式后如(1-2)所示；
[0122]
hβ
ho
＝yjꢀꢀ
(1-2)；
[0123]
其中h为隐藏层的输出矩阵：
[0124][0125]
输出矩阵：
[0126][0127]
输出权重矩阵：
[0128][0129]
当输入权值wi和隐藏层偏置bh被随机确定为和则隐藏层的输出矩阵h也被确定为
[0130]
当h和yj已经确定，则输出权重β
ho
则可由式(1-6)求得：
[0131][0132]
其中为矩阵h的moore-penrose广义逆矩阵；
[0133]
由于h∈rn×
l
，而样本数n》》l，故可由式(1-7)求得：
[0134][0135]
其中，u∈rn×n和v∈r
l
×
l
是相互正交的矩阵，d∈rn×
l
矩阵是主对角线为奇异值的对角矩阵，而则是对角矩阵d非零元素取倒数再转置；
[0136]
其中d,u,v可由h矩阵按式(1-8)奇异值分解得到：h＝udv
t
ꢀꢀ
(1-8)；
[0137]
其中u由左奇异向量μi组成，v则是由右奇异向量vi组成，d则是主对角线为奇异值σi组成的对角矩阵；
[0138]
其中μi，vi，σi分别由式(1-9)、式(1-10)、式(1-11)求出；
[0139]
(h
t
h)vi＝λiviꢀꢀ
(1-9)；
[0140]
[0141][0142]
由于训练样本数n》》l，h矩阵的行数远大于列数，故hβ
ho
＝yj为非一致方程，其解β
ho
为最小二乘最小范数解且唯一，从而得到m个温度预测点。
[0143]
上述的一种海上风电电缆温度趋势预警方法，其中，步骤23中根据m个预测值以最小二乘法对当前预测与前一次预测的预测结果进行线性拟合的具体方法如下：
[0144]
采用最小二乘法对当前预测与前一次预测的预测结果进行线性拟合，得到线性拟合函数y＝at+b，其中t＝kt，t为预测周期，k为斜率，a为拟合函数的常数项，可以由多个(x,y)值进行推导得到，b为拟合函数的常数项，可以由多个(x,y)值进行推导得到，y为一维坐标中的纵坐标值；
[0145]
根据损失函数计算公式计算得到真实值和拟合值的误差e，其中y
t
是真实值，y
′
t
是对应的拟合值；
[0146]
将损失函数当作多元函数进行处理使损失函数最小，将损失函数写为：
[0147][0148]
根据式(2-1)分别对a和b求偏导，根据式(2-2)求解a和b使得偏导为0；
[0149][0150]
将式(2-2)变换为式(2-3)；
[0151][0152]
联立式(2-2)与式(2-2)两个多元方程组，求解可得到a和b的值，如式(2-4)所示；
[0153][0154]
依据式(2-4)求出线性拟合状态趋势函数，采用单调函数直线y＝at+b，其中a为拟合函数的斜率，代表了数据的趋势，若a》0，则数据呈现上升趋势，若a《0，则数据呈现下降趋势。
[0155]
上述的一种海上风电电缆温度趋势预警方法，其中，电缆温度动态安全趋势阈值区间的计算方法如下：
[0156]
采用高斯混合聚类，针对一组一维时序斜率趋势数据样本d＝{x
(1)
,x
(2)
,...x
(n)
}，高斯混合模型假定所有的数据样本由k个高斯分布模型混合而成，如式(3-1)所示；
[0157][0158]
其中，ωi代表高斯分布模型之间的权重，且满足式(3-1)中的p(x∣μi,σi)为混合高斯模型中的一个高斯分布模型，如式(3-2)所示，高斯混合模型使用最大似然估计法估算参数的值；
[0159][0160]
如式(3-3)所示，由于高斯混合模型内参数过多，不能直接通过求导得出结果，所以采用em算法对模型进行迭代求解；
[0161][0162]
em算法求解流程如下：
[0163]
首先初始化参数ωi,μi,σi；
[0164]
e-step：依据当前参数，计算每个数据j来自子模型i的可能性；
[0165][0166]
m-step：计算新一轮迭代的模型参数；
[0167][0168][0169][0170]
重复计算e-step和m-step直至算法收敛，通过em算法求解出混合高斯模型的均值向量μi(i＝1,2,..k)，方差向σi(i＝1,2,..k)，以及权重系数向量ωi(i＝1,2,...,k)，则样本整体的均值可由式(3-4)推导而出；
[0171][0172]
根据高斯概率分布函数的区间分布估计，取95％置信度，通过式(3-5)，式(3-6)得到样本数据的上限向量x
hi
(i＝1,2,...,k)与下限向量x
li
(i＝1,2,...,k)；
[0173]
x
hi
＝μi+1.96σi(i＝1,2,...,k)
ꢀꢀ
(3-5)；
[0174]
x
li
＝μ
i-1.96σi(i＝1,2,...,k)
ꢀꢀ
(3-6)；
[0175]
通过式(3-7)、式(3-8)可求出样本整体的上限xh与下限x
l
；
[0176]
xh＝max{x
hi
(i＝1,2,...,k)}
ꢀꢀ
(3-7)；
[0177]
x
l
＝min{x
li
(i＝1,2,...,k)}
ꢀꢀ
(3-8)；
[0178]
得到动态安装趋势阈值区间[x
l
，xh]。
[0179]
如图2所示，第二方面，第二实施例，一种海上风电电缆温度趋势预警系统，其中，包含历史数据处理模块100、预测模块建立模块200、实时数据采集模块300、对比模块400、报警模块500；
[0180]
历史数据处理模块100用于采集工况下海上风电场电缆的历史温度数据及相对应的工况数据，并对历史温度数据与工况数据进行预处理得到预处理数据；
[0181]
预测模块建立模块200用于基于极限学习机建立电缆温度多步预测模型，并使用预处理数据对电缆温度多步预测模型进行训练验证；
[0182]
实时数据采集模块300用于采集海上风电场电缆的实时温度数据及相对应的工况数据，并传输至电缆温度多步预测模型中进行电缆温度实时状态趋势预测，得到电缆温度实时状态趋势数据；
[0183]
对比模块400用于将电缆温度实时状态趋势数据与当前工况下的电缆温度动态安全趋势阈值区间进行对比；若电缆温度实时状态趋势数据在电缆温度动态安全趋势阈值区间内，则生成传输至实时数据采集模块300的反馈数据；
[0184]
若电缆温度实时状态趋势数据不在电缆温度动态安全趋势阈值区间内，则生成传输至报警模块500的报警数据；
[0185]
报警模块用于进行报警500。
[0186]
第三方面，一种芯片，其中，包含：处理器，用于从存储器中调用并运行计算机程序，使得安装有芯片的设备执行：如第一方面中任一项的方法。
[0187]
例如，存储器可以包括随机存储器、闪存、只读存储器、可编程只读存储器、非易失性存储器或寄存器等；
[0188]
处理器可以是中央处理器(central processing unit，cpu)等，或者是图像处理器(graphic processing unit,gpu)存储器可以存储可执行指令；
[0189]
处理器可以执行在存储器中存储的执行指令，从而实现本文描述的各个过程。
[0190]
可以理解，本实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者；
[0191]
其中，非易失性存储器可以是rom(read-onlymemory，只读存储器)、prom(programmablerom，可编程只读存储器)、eprom(erasableprom，可擦除可编程只读存储器)、eeprom(electricallyeprom，电可擦除可编程只读存储器)或闪存。
[0192]
易失性存储器可以是ram(randomaccessmemory，随机存取存储器)，其用作外部高
速缓存；
[0193]
通过示例性但不是限制性说明，许多形式的ram可用，例如sram(staticram，静态随机存取存储器)、dram(dynamicram，动态随机存取存储器)、sdram(synchronousdram，同步动态随机存取存储器)、ddrsdram(doubledatarate sdram，双倍数据速率同步动态随机存取存储器)、esdram(enhanced sdram，增强型同步动态随机存取存储器)、sldram(synchlinkdram，同步连接动态随机存取存储器)和drram(directrambusram，直接内存总线随机存取存储器)。本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
[0194]
在一些实施方式中，存储器存储了如下的元素，升级包、可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序；
[0195]
其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；
[0196]
应用程序，包含各种应用程序，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序中。
[0197]
本领域技术人员可以明白的是，结合本文中所公开的实施例描述的各示例的单元及算法步骤能够以电子硬件、或者软件和电子硬件的结合来实现；
[0198]
这些功能是以硬件还是软件方式来实现，取决于技术方案的特定应用和设计约束条件；
[0199]
本领域技术人员可以针对每个特定的应用，使用不同的方式来实现所描述的功能，但是这种实现并不应认为超出本技术的范围。
[0200]
在本技术实施例中，所公开的系统、装置和方法可以通过其它方式来实现；
[0201]
例如，单元或模块的划分仅仅为一种逻辑功能划分，在实际实现时还可以有另外的划分方式；
[0202]
例如，多个单元或模块或组件可以进行组合或者可以集成到另一个系统中；
[0203]
另外，在本技术实施例中的各功能单元或模块可以集成在一个处理单元或模块中，也可以是单独的物理存在等等。
[0204]
应理解，在本技术的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术的实施例的实施过程构成任何限定。
[0205]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在机器可读存储介质中；
[0206]
因此，本技术的技术方案可以以软件产品的形式来体现，该软件产品可以存储在机器可读存储介质中，其可以包括若干指令用以使得电子设备执行本技术实施例所描述的技术方案的全部或部分过程；
[0207]
上述存储介质可以包括rom、ram、可移动盘、硬盘、磁盘或者光盘等各种可以存储程序代码的介质。
[0208]
综上，本发明的一种海上风电电缆温度趋势预警方法与系统，基于极限学习机多步预测趋势和根据预测值拟合构建的斜率趋势，结合参数的历史正常趋势，以及安全斜率趋势阈值实现风电场电缆温度状态趋势预警，结构简单，便于使用。
[0209]
以上对发明的具体实施例进行了描述。需要理解的是，发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；本领域技术人员可以在权利要求的范围内做出各种变形或修改做出若干简单推演、变形或替换，这并不影响发明的实质内容。