基于多尺度重构序列特征学习和制造技术

本发明专利技术涉及电力系统水电机组领域，公开了一种基于多尺度重构序列特征学习和

【技术实现步骤摘要】
基于多尺度重构序列特征学习和AM
‑
LSTM模型的水电机组状态趋势预测方法


[0001]本专利技术涉及电力系统水电机组领域，具体的，涉及一种基于多尺度重构序列特征学习和
AM
‑
LSTM
模型的水电机组状态趋势预测方法
。

技术介绍

[0002]随着国内城市经济发展需求，电力系统负荷日益增加，水电机组作为水电能源系统中能量转换的核心设备，安全可靠运行带来巨大经济效益，同时有效缓解电网峰谷矛盾并提高电力供应质量
。
在机械
、
水力
、
电磁因素耦合及机械部件老化等多种原因复合影响下，水电机组产生的故障大多以振摆形式表现出来，因此振摆信号可以直观的对机组运行状态进行表征
。
利用数据分析和模型预测结合的科学方法剖析潜在信息，制定预测性维护诊断策略，实现事故征兆的捕捉，可以达到早期预警的目的
。
[0003]传统的水电机组维护方式是基于时间或里程数的定期检修维护，这种方式存在成本高
、
效率低
、
维护周期不合理等问题，无法针对水电机组振摆信号呈现非平稳
、
非线性状态有效评估
。
因此机器学习和人工智能等技术成为水电机组预测性维护重点研究内容，通过分析水电机组的运行数据和故障数据，预测机组未来的故障情况，从而提前采取维护措施，避免机组故障停机，保证机组的可靠性和稳定性
。

技术实现思路

[0004]专利技术目的：针对现有技术存在的问题，本专利技术提供了一种基于多尺度重构序列特征学习和
AM
‑
LSTM
模型的水电机组状态趋势预测方法，通过对机组运行状态趋势预测，更准确的发现潜在安全隐患，满足对机组实施预测性维护
。
[0005]技术方案：本专利技术公开了一种基于多尺度重构序列特征学习和
AM
‑
LSTM
模型的水电机组状态趋势预测方法，包括如下步骤：
[0006]步骤1：对监测的水电机组振摆信号时序数据进行改进的自适应噪声完全集成经验模态分解
ICEEMDAN
，获得其多个本征模态函数；
[0007]步骤2：基于样本熵重构理论，对步骤1中分解所得多个本征模态函数重构相似复杂度分量，生成重构特征分量；
[0008]步骤3：利用自编码器
、
稀疏编码器和变分编码器组合成集成自编码器实现对重构特征分量的特征学习；
[0009]步骤4：引入注意力机制的长短期记忆神经网络构建智能预测模型，对特征学习后的重构特征分量进行准确测量，实现水电机组状态趋势最终预测结果
。
[0010]进一步地，所述步骤1包括如下子步骤：
[0011](1
‑
1)
从水电机组振摆信号数据中筛选表征机组状态特征的时序数据；
[0012](1
‑
2)
对机组状态特征的时序数据进行改进的自适应噪声完全集成经验模态分解
ICEEMDAN
，获取其多个本征模态函数集合
{IMF(C
i
)1,IMF(C
i
)2,
…
,IMF(C
i
)
n
}
，所述改进的自
适应噪声完全集成经验模态分解
ICEEMDAN
选取白噪声被
EMD
分解后的第
K
个
IMF
分量
。
[0013]进一步地，所述步骤2生成重构特征分量包括如下步骤：
[0014](2
‑
1)
根据样本熵重构理论，逐项计算重构特征分量中每个分量的样本熵值
[0015][0016]其中，
m
表示嵌入维数，
r
表示相似容限，
N
表示样本容量，对于给定的
IMF(C
i
)
n
，通过嵌入维数
m
重构得到
(N
‑
m+1)
个名为
C
m
(i)
的子序列，其中
C
m
(i)
＝
{c(i),c(i+1),...,c(i+m
‑
1)}
；计算
C
m
(i)
与其他
(N
‑
m+1)
子序列对应元素中最大差值的绝对值，用
d[C
m
(i),C
m
(j)]表示；通过相似容限
r
值，统计
C
m
(i)
和
C
m
(j)(1≤j≤N
‑
m)
之间的距离
d[C
m
(i),C
m
(j)]≤r
的数目，记作
B
i
；用
B
im
(r)
表示此数目与距离总数
(N
‑
m+1)
的比值，计算
B
im
(r)
的平均值并记作
B
m
(r)
，其中增加维数到
m+1
，重复上述步骤，计算可得
B
m+1
(r)
，其中
[0017](2
‑
2)
基于计算所得重构特征分量的样本熵值，通过下式完成对多本征模态函数分量重构，生成重构特征分量
{RFC(C
i
)1,RFC(C
i
)2,
…
,RFC(C
i
)
m
}
：
[0018][0019]其中，
n
表示重构特征分量个数，
H
i
、H
i+j
分别表示第
i
个和第
i+j
个重构特征分量的样本熵数值，
H
max
、H
max
分别表示各重构特征分量样本熵值中的最大值和最小值，
i、j
分别表示重构特征分量集合中的序列次序
。
[0020]进一步地，所述步骤3包括如下子步骤：
[0021](3
‑
1)
将重构特征分量作为集成自编码器的输入，第一层自编码器的输出作为第二层稀疏自编码器的输入，稀疏自编码器的输出作为第三层变分自编码器的输入，最终由变分自编码器输出特征学习结果，集成自编码器的结构为
4(Input)
‑
128(AE)
‑
128(SAE)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多尺度重构序列特征学习和
AM
‑
LSTM
模型的水电机组状态趋势预测方法，其特征在于，包括如下步骤：步骤1：对监测的水电机组振摆信号时序数据进行改进的自适应噪声完全集成经验模态分解
ICEEMDAN
，获得其多个本征模态函数；步骤2：基于样本熵重构理论，对步骤1中分解所得多个本征模态函数重构相似复杂度分量，生成重构特征分量；步骤3：利用自编码器
、
稀疏编码器和变分编码器组合成集成自编码器实现对重构特征分量的特征学习；步骤4：引入注意力机制的长短期记忆神经网络构建智能预测模型，对特征学习后的重构特征分量进行准确测量，实现水电机组状态趋势最终预测结果
。2.
根据权利要求1所述的一种基于多尺度重构序列特征学习和
AM
‑
LSTM
模型的水电机组状态趋势预测方法，其特征在于，所述步骤1包括如下子步骤：
(1
‑
1)
从水电机组振摆信号数据中筛选表征机组状态特征的时序数据；
(1
‑
2)
对机组状态特征的时序数据进行改进的自适应噪声完全集成经验模态分解
ICEEMDAN
，获取其多个本征模态函数集合
{IMF(C
i
)1,IMF(C
i
)2,
…
,IMF(C
i
)
n
}
，所述改进的自适应噪声完全集成经验模态分解
ICEEMDAN
选取白噪声被
EMD
分解后的第
K
个
IMF
分量
。3.
根据权利要求1所述的一种基于多尺度重构序列特征学习和
AM
‑
LSTM
模型的水电机组状态趋势预测方法，其特征在于，所述步骤2生成重构特征分量包括如下步骤：
(2
‑
1)
根据样本熵重构理论，逐项计算重构特征分量中每个分量的样本熵值根据样本熵重构理论，逐项计算重构特征分量中每个分量的样本熵值其中，
m
表示嵌入维数，
r
表示相似容限，
N
表示样本容量，对于给定的
IMF(C
i
)
n
，通过嵌入维数
m
重构得到
(N
‑
m+1)
个名为
C
m
(i)
的子序列，其中
C
m
(i)
＝
{c(i),c(i+1),...,c(i+m
‑
1)}
；计算
C
m
(i)
与其他
(N
‑
m+1)
子序列对应元素中最大差值的绝对值，用
d[C
m
(i),C
m
(j)]
表示；通过相似容限
r
值，统计
C
m
(i)
和
C
m
(j)(1≤j≤N
‑
m)
之间的距离
d[C
m
(i),C
m
(j)]≤r
的数目，记作
B
i
；用
B
im
(r)
表示此...

【专利技术属性】
技术研发人员：卢俊泽，姜伟，陈中，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：