一种基于在线RBF神经网络的风力发电机组运行状态监测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113946608A(43)申请公布日2022.01.18(21)申请号202111156426.2(22)申请日2021.09.22(71)申请人宁波大学科学技术学院地址315302浙江省宁波市慈溪市白沙路街道文蔚路521号宁波大学科学技术学院(72)发明人陈杨陈勇旗(51)Int.Cl.G06F16/2458(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)H02J13/00(2006.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于在线RBF神经网络的风力发电机组运行状态监测方法(57)摘要本发明公开一种基于在线RBF神经网络的风力发电机组运行状态监测方法，旨在建立在线的RBF神经网络模型实时的提取能有效发映出在线样本数据与正常工况数据间的非线性差异特征，并利用在线实时提取的非线性差异特征来实施风力发电机组的运行状态监测。具体来讲，在保留RBF神经网络中间层神经元参数后，通过为在线采样数据实时训练得到输出层神经元的权重向量。本发明方法构建的RBF神经网络，其输出层神经元的权重向量是随着最新采样数据的变化而不断更新的，搭建的是一种在线RBF神经网络结构。因此，本发明方法在经典的RBF神经网络的基础上，实现了实时在线特征提取，能够根据不同的在线样本数据实时的更新输出层神经元的参数。CN113946608ACN113946608A权利要求书1/2页1.一种基于在线RBF神经网络的风力发电机组运行状态监测方法，其特征在于，包括以下所示步骤：步骤(1)：在风力发电机组正常运行状态下，按照数据采集系统固有的采样时间间隔采集数据，并将每个采样时刻采集的11个数据组成一个11×1维的数据向量；其中，每个采样时刻可采集的11个数据依次是：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度和偏航误差；步骤(2)：将风速介于切入风速和切出风速之间的n个数据向量x1，x2，…，xn组成矩阵X11×n＝[x1，x2，…，xn]，并根据公式对X∈R中的行向量11×1y1，y2，…，y11实施归一化处理从而得到新矩阵其中，第i个数据向量xi∈R中的11个数据是按照步骤(1)中的顺序依次排列，i∈{1，2，…，n}，R11×n表示11×n维的实数矩11×1阵，R表示实数集，R表示11×1维的实数向量，yd表示矩阵X中第d行的行向量，d∈{1，2，…，11}，表示新矩阵中第d行的行向量，yd(min)和yd(max)分别表示yd中元素的最小值和最大值；步骤(3)：对新矩阵中的列向量实施边缘程度分析，从而得到各个列向量对应的边缘程度指标β1，β2，…，βn，具体的实施过程如步骤(3.1)至步骤(3.6)所示；步骤(3.1)：计算中的各个列向量之间的距离，从而组建距离矩阵ζ∈Rn×n；其中，距离矩阵ζ中的第i行第j列元素ζ(i，j)等于中的第i列向量与第j列向量之间的距离，即上标号T表示矩阵或向量的转置；步骤(3.2)：设置阈值δ等于ζ中所有元素的平均值后，再初始化i＝1；步骤(3.3)：设置ζi表示距离矩阵ζ中的第i行向量后，根据ζi中不等于0且小于δ的元素所在的列，对应的将新矩阵中相同列的列向量记录为其中，ki表示ζi中不等于0且小于δ的元素总数；步骤(3.4)：根据如下所示公式①计算列向量对应的法向量fi：上式中，表示计算与之间的距离，b＝1，2，…，ki；步骤(3.5)：根据如下所示公式②计算列向量对应的边缘程度指标βi：上式中，θb为二进制数，其取值规律如下所示：步骤(3.6)：判断是否满足条件i＜n；若是，则设置i＝i+1后，返回步骤(3.3)；若否，则得到列向量分别对应的边缘程度指标β1，β2，…，βn；步骤(4)：按照数值大小对β1，β2，…，βn进行降序排列后，将最大的M个边缘程度指标对2CN113946608A权利要求书2/2页应的列向量记录为基中心向量c1，c2，…，cM，将最小的m个边缘程度指标对应的列向量记录为基中心向量cM+1，cM+2，…，cM+m，再随机从其余n‑(M+m)个边缘程度指标对应的列向量中选取E个列向量并记录为基中心向量cM+m+1，cM+m+2，…，cM+m+E；其中，M+m+E小于n；步骤(5)：计算基中心向量c1，c2，…，cN两两之间的距离后，再将所有距离的平均值记录为基宽度γ；其中，N＝M+m+E；步骤(6)：分别依次将列向量当作RBF神经网络的输入向量，并根据如下所示公式④计算RBF神经网络中间层神经元的输出向量z1，z2，…，zn：N×1N×1上式中，zi∈R表示第i个输出向量，i∈{1，2，…，n}，R表示