CN119475121A 一种基于深度学习算法的风力发电场风机故障预测方法 （浙江工业大学）

一种基于深度学习算法的风力发电场风机本发明公开了一种基于深度学习算法的风对正样本的故障序列数据使用贝叶斯多元自回正常行为序列数据映射到编码器输出的潜在变22.如权利要求1所述的一种基于深度学习算法的风力发电场风机故障预测方法，其特3.如权利要求2所述的一种基于深度学习算法的风力发电场风机故障预测方法，其特。4.如权利要求3所述的一种基于深度学习算法的风力发电场风机故障预测方法，其特;步骤3.2，在回归系数p和噪声方差o'给定的情况下，得到正样本序列数据y呈多元正;3;步骤3.3，最大后验估计MAP方法通过最小化负5.如权利要求4所述的一种基于深度学习算法的风力发电场风机故障预测方法，其特步骤4.1，假设服从正态分布的潜在变量z先验分布p(z)和生成概率pxlz)计算代表观测数据x总概率的边际似然p(x)：;通过近似后验分布q(ZIX)来代替真实的后验分布p(xlz)，根据反映模型在潜在空间中重构数据能力的重构误差项和衡量近似后验分布与先验分布之间差异的ki散度Da(q(ZIX)llp(z))来最大化近似对数边际似然logp(x)：;;;和o'(.)；;4其中ReLU为激活函数，将原有的线性变换转变为非线性变步骤4.4，通过一个可微分的线性函数将服从正态分布的噪声和网络的参数结合来;而解码器则对采样的潜在变量通过多个线性前馈网;中：。6.如权利要求5所述的一种基于深度学习算法的风力发电场风机故障预测方法，其特步骤5.1，在完成正负样本重构模型训练后冻结模型训练参数，分别对输入两个重构;步骤5.2，将输出的各个特征对应故障标签组成的故障标签矩阵，用来训练一个故障;5[0002]风电机组机械结构的复杂性和运行环境的不确定性给大型风力发电场的日常运。步骤3.1假设风机正样本序列数据与风机运行状态特征数据之间存在线性6;步骤3.2在回归系数p和噪声方差o'给定的情况下，得到正样本序列数据y呈多;步骤3.3最大后验估计MAP方法通过最小化负步骤4.1假设服从正态分布的潜在变量z先验分布p(z)和生成概率pxlz)计算代表观测数据x总概率的边际似然p(x)：;通过近似后验分布q(ZIX)来代替真实的后验分布p(xlz)，根据反映模型在潜在空间中重构数据能力的重构误差项和衡量近似后验分布与先验分布之间差异的ki散度Da(q(ZIX)llp(z))来最大化近似对数边际似然logp(x)：;结果za；7;步骤4.3将输出结果zan经过编码器多个和o'(.)；;步骤4.4通过一个可微分的线性函数将服从正态分布的噪声和网络的;而解码器则对采样的潜在变量通过多个线性前馈网络层调整重新生成观测数据;;步骤4.5为维持模型在潜在空间的平滑性和连贯性，将散度损失KL引入到损失。;8;其中H(D)为信息熵，Gain(A)为特征4的信息增益；始高频时间序列状态数据进行压缩，保留数据集中趋势和离中趋势的同时减少了数据规9;步骤3.1假设风机正样本序列数据与风机运行状态特征数据之间存在线性;[0017]步骤3.2在回归系数p和噪声方差o'给定的情况下，得到正样本序列数据y呈多;步骤3.3最大后验估计MAP方法通过最小化负步骤4.1假设服从正态分布的潜在变量z先验分布p(z)和生成概率pxlz)计算代表观测数据x总概率的边际似然p(x)：;通过近似后验分布q(ZIX)来代替真实的后验分布p(xlz)，根据反映模型在潜在空间中重构数据能力的重构误差项和衡量近似后验分布与先验分布之间差异的ki散度Da(q(ZIX)llp(z))来最大化近似对数边际似然logp(x)：;结果za；;和o'(.)；;步骤4.4通过一个可微分的线性函数将服从正态分布的噪声和网络的;而解码器则对采样的潜在变量通过多个线性前馈网络层调整重新生成观测数据;;[0022]