基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法技术

本发明专利技术公开了一种基于SSA

【技术实现步骤摘要】
基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法


[0001]本专利技术涉及一种基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法。

技术介绍

[0002]风电塔筒是风电机组设备中的重要支撑部件，其作用是将机舱与风机叶片托举到设计高度，叶片被风力转动而将风能转化为机械能。风电设备通常工作环境十分恶劣，设备容易损坏，其中风电塔筒长期遭受着风载荷、塔筒自重、机舱和叶片的重力以及高空叶片旋转所产生的周期性激励，造成塔筒局部出现裂纹而发生倾斜，当倾斜度过大就会倒塌，所以需要实时获取塔筒倾角传感器的数据，以监测塔筒的健康状态，而恶劣的工作环境造成传感器故障与数据传输中断等造成的传感器数据缺失，降低了倾角数据的质量，从而影响塔筒状态的准确判断。因此合理处理塔筒倾角传感器数据中的缺失问题至关重要。
[0003]现有技术中解决传感器数据缺失的方法是删除或者统计插补。直接删除法会遗漏数据的部分信息，影响对数据的进一步分析。统计插补法不能考虑到数据的局部变化，结果较差。伴随大数据的兴起，基于机器学习的插补方法采用数据驱动原则，插补精度高，适应性强。以长短期神经网络（LSTM）为代表的预测和估算缺失值进行插补的自回归方法受到广泛青睐，但是LSTM模型对参数的依赖性很强，需要良好的参数优化算法提高LSTM的鲁棒性，使模型达到全局最优。
[0004]已经很多优化算法应用到模型优化之中，专利申请《基于遗传算法优化LSTM神经网络的交通流预测方法》（申请号201810825636.8）利用了遗传算法和LSTM神经网络对产生组合款式寻优的特性，可以得到更高的预测精度，且对不同间隔数据样本有良好的适用性，模型减少了计算量，表现出更好的预测性能。专利申请《粒子群算法优化LSTM神经网络的行程时间预测方法》（申请号201810946075.7）公开了采用粒子群算法优化预测铁路客流量预测模型中的参数，提高了模型预测的鲁棒性。遗传算法适合求解离散问题，具备数学理论支持，但是存在着汉明悬崖等问题。粒子群算法适合求解实数问题，不仅算法简单、计算方便，而且求解速度快，但是存在着陷入局部最优等问题。在对塔筒倾角传感器数据处理中均效果不佳。

技术实现思路

[0005]本专利技术的目的是提供一种基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法，对塔筒倾角传感器数据进行处理，得到较好的效果，解决了现有技术中存在的问题。
[0006]为实现上述目的，本专利技术所采用的技术方案是：一种基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法，具体按以下步骤进行：步骤一：将采集到的含有缺失值的塔筒倾角信号x(t)进行三次样条插补，并且获取缺失数据点索引；步骤二：对插补后的信号进行小波阈值消噪，得到消噪信号x
’
(t)；步骤三：对消噪信号x
’
(t)进行归一化处理；
步骤四：利用缺失数据点索引以及固定长度的滑动窗口将消噪信号x
′
(t)划分成输入序列为(t-n, ... t-1)、预测序列为(t, t+1, ... t+m)的格式；之后，将划分后的信号数据重构为符合LSTM要求的数据格式，构造LSTM模型的训练集和测试集；步骤五：搭建LSTM模型；步骤六：使用SSA对LSTM模型的参数进行迭代优化：1）初始化SSA的参数；2）通过随机方式产生初始种群，将初始种群中的个体分为发现者和跟随者；每个个体的适应度（个体位置）F
i
如下式定义：（1）式中，ζ为训练集和测试集样本比值；y
tr
为训练样本真实值；y
′
tr
为训练样本预测值；y
te
为测试样本真实值；y
′
te
为测试样本预测值；3）对步骤2）中的发现者和跟随者进行位置更新，每次迭代后由更新位置后的发现者和更新位置后的跟随者组成的当代种群中的个体数量均保持不变；按下式更新发现者位置：（2）式中，t代表当前迭代数，iter
max
是一个常数，表示最大的迭代次数；R2(R2∈[0,1]) 表示预警值， ST(ST∈[0.5,1])表示安全值；Q是服从正态分布的随机数；x
ti,d
表示种群中第t代中第i个个体的第d维位置；α为[0,1]中的均匀随机数；当R2大于ST时，该发现者将按正态分布随机移动到当前位置附近，其值收敛于最优位置；按下式更新跟随者位置：（3）式中，xw为当前种群中个体的最差位置，xb则为当前种群中个体的最优位置，rand{1，-1}为随机选择为1或-1，D=p
n
；4）随机选择警戒者并更新位置；每次进化过程中，按照预先定义的警戒者比例，从种群中随机选取个体总数15%的个体进行预警行为；无论该个体是发现者还是跟随者，均更新它们的位置，位置更新公式如下：
（4）式中，β为步长控制参数，服从均值为0、方差为1的正态分布的随机数；K∈[-1,1]是一个随机数；f
i
则是当前警戒者个体的适应度值；f
g
和f
w
分别是当前全局最佳和最差的适应度值；ε是一个极小的常数，以避免分母出现零；5）判断是否满足优化终止条件，若不满足，重复步骤3）～步骤4）；若满足，则得到最优参数；步骤七：以最优参数搭建具有最佳参数的LSTM模型，利用训练集，采用反向传播算法完成具有最佳参数的LSTM模型的训练，具体训练过程如下：a.前向计算每个神经元的输出值，计算公式如下：式中，f
t
为遗忘门输出；σ为Sigmoid激活函数；h
t-1
为上一隐藏层输出， x
t
为本层输入；i
t
为输入门输出，为tanh函数输出；W
f
、W
i
、W
c
和W
o
均为权重；b
f
、b
i
、b
c
和b
o
均为偏置值；C
t-1
为上一隐藏层的单元状态；C
t
为本层更新的单元状态，o
t
为输出门输出，h
t
为本层更新的隐藏状态；b.反向计算每个神经元的误差项δ值；c.根据相应的误差项，计算每个权重的梯度；步骤八：使用步骤七中训练好的具有最佳参数的LSTM模型对风电塔筒倾角缺失数据进行补齐。
[0007]本专利技术缺失数据补齐方法能够充分利用数据间的时序信息、长短时记忆神经网络（Long Short-term Memory Networks, LSTM）强大的记忆能力以及麻雀搜索算法（Sparrow search algorithm, SSA）对模型参数的全局优化能力，实现缺失数据的准确恢复，从而为后面的塔筒倾倒检测奠定数据基础。通过对塔筒倾角传感器数据的缺失部分补齐，提高数据质量，实现风电塔筒设备特征状态的在线监测。具有以下的有益效果：1）针对采集到的塔筒倾角数据被干扰污染的情况，可以通过小波阈值消噪的方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法，其特征在于，该缺失数据补齐方法包括以下步骤：步骤一：将采集到的含有缺失值的塔筒倾角信号x(t)进行三次样条插补，并且获取缺失数据点索引；步骤二：对插补后的信号进行小波阈值消噪，得到消噪信号x
’
(t)；步骤三：对消噪信号x
’
(t)进行归一化处理；步骤四：利用缺失数据点索引以及固定长度的滑动窗口将消噪信号x
′
(t)划分成输入序列为(t-n, ... t-1)、预测序列为(t, t+1, ... t+m)的格式；之后，将划分后的信号数据重构为符合LSTM要求的数据格式，构造LSTM模型的训练集和测试集；步骤五：搭建LSTM模型；步骤六：使用SSA对LSTM模型的参数进行迭代优化：1）初始化SSA的参数；2）通过随机方式产生初始种群，将初始种群中的个体分为发现者和跟随者；每个个体的适应度（个体位置）F
i
如下式定义：（1）式中，ζ为训练集和测试集样本比值；y
tr
为训练样本真实值；y
′
tr
为训练样本预测值；y
te
为测试样本真实值；y
′
te
为测试样本预测值；3）对步骤2）中的发现者和跟随者进行位置更新，每次迭代后由更新位置后的发现者和更新位置后的跟随者组成的当代种群中的个体数量均保持不变；按下式更新发现者位置：（2）式中，t代表当前迭代数，iter
max
是一个常数，表示最大的迭代次数；R2(R2∈[0,1]) 表示预警值， ST(ST∈[0.5,1])表示安全值；Q是服从正态分布的随机数；x
ti,d
表示种群中第t代中第i个个体的第d维位置；α为[0,1]中的均匀随机数；当R2大于ST时，该发现者将按正态分布随机移动到当前位置附近，其值收敛于最优位置；按下式更新跟随者位置：（3）式中，xw为当前种群中个体的最差位置，xb则为当前种群中个体的最优位置，rand{1，-1}为随机选择为1或-1，D=p
n
；4）随机选择警戒者并更新位置；每次进化过程中，按照预先定义的警戒者比例，从种群
中随机选取个体总数15%的个体进行预警行为；无论该个体是发现者还是跟随者，均更新它们的位置，位置更新公式如下：（4）式中，β为步长控制参数，服从均值为0、方差为1的正态分布的随机数；K∈[-1,1]是一个随机数；f
i
则是当前警戒者个体的适应度值；f
g
和f
w
分别是当前全局最佳和...

【专利技术属性】
技术研发人员：那仁满都拉，董小泊，武志军，
申请(专利权)人：甘肃靖远航天风力发电有限公司，
类型：发明
国别省市：