技術(shù)特征：

1.一種基于多元數(shù)據(jù)和深度學習的風力發(fā)電機故障檢測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于多元數(shù)據(jù)和深度學習的風力發(fā)電機故障檢測方法，其特征在于，scada采集的數(shù)據(jù)包括以下五類：

3.根據(jù)權(quán)利要求1所述的一種基于多元數(shù)據(jù)和深度學習的風力發(fā)電機故障檢測方法，其特征在于，所述數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗、數(shù)據(jù)對齊、數(shù)據(jù)歸一化，具體包括以下內(nèi)容：

4.根據(jù)權(quán)利要求1所述的一種基于多元數(shù)據(jù)和深度學習的風力發(fā)電機故障檢測方法，其特征在于，所述變分自編碼器模型，包括：

5.根據(jù)權(quán)利要求4所述的一種基于多元數(shù)據(jù)和深度學習的風力發(fā)電機故障檢測方法，其特征在于，訓練vae模型訓練，包括以下內(nèi)容：

6.根據(jù)權(quán)利要求1所述的一種基于多元數(shù)據(jù)和深度學習的風力發(fā)電機故障檢測方法，其特征在于，步驟s3中，獲得可供深度學習網(wǎng)絡(luò)學習的數(shù)據(jù)集包括：

7.根據(jù)權(quán)利要求1所述的一種基于多元數(shù)據(jù)和深度學習的風力發(fā)電機故障檢測方法，其特征在于，構(gòu)建基于狀態(tài)空間選擇的深度學習模型包括：

8.根據(jù)權(quán)利要求1所述的一種基于多元數(shù)據(jù)和深度學習的風力發(fā)電機故障檢測方法，其特征在于，基于狀態(tài)空間選擇的深度學習模型是在門控注意力架構(gòu)的主回路中加入選擇機制的狀態(tài)空間算法，將狀態(tài)空間算法視作一個深度學習層，在其之前加入卷積層，使建立不同詞向量間依賴關(guān)系，在深度神經(jīng)網(wǎng)絡(luò)添加線性層、歸一化層、激活層、記作選擇機制ssm塊。

9.根據(jù)權(quán)利要求1所述的一種基于多元數(shù)據(jù)和深度學習的風力發(fā)電機故障檢測方法，其特征在于，基于狀態(tài)空間選擇的深度學習模型在選擇機制ssm塊增加殘差連接，并在每次輸入前進行歸一化，使模型深度變得更大，將ssm塊進行堆疊，堆疊次數(shù)由執(zhí)行訓練的設(shè)備性能決定，在最后一個塊后增加歸一化層、線性層、softmax層，以用于故障分類識別。

10.根據(jù)權(quán)利要求1～9任一項所述的一種基于多元數(shù)據(jù)和深度學習的風力發(fā)電機故障檢測方法，其特征在于，將訓練好的深度學習模型部署至本地或云端，包括：

技術(shù)總結(jié)
本發(fā)明公開一種基于多元數(shù)據(jù)和深度學習的風力發(fā)電機故障檢測方法，針對風力發(fā)電機組常用的SCADA系統(tǒng)所獲取的大量多元時序數(shù)據(jù)，采用變分自編碼器模型進行數(shù)據(jù)特征融合與重構(gòu)；建立選擇狀態(tài)空間深度學習模型作為識別模型；使用重構(gòu)數(shù)據(jù)對模型進行有監(jiān)督訓練后進行風力發(fā)電的故障檢測。本發(fā)明針對故障數(shù)據(jù)不平衡導致深度學習模型很難學到少樣本故障，采用VAE進行數(shù)據(jù)重構(gòu)，增加了故障樣本，有效的提高了后續(xù)模型的識別準確率，同時數(shù)據(jù)的特征融合使后續(xù)模型可以進行多故障識別。另外，本發(fā)明中提出的選擇狀態(tài)空間深度學習模型結(jié)構(gòu)能夠提高風力發(fā)電機組的故障檢測的準確率與效率。

技術(shù)研發(fā)人員：謝巍,李彥甫
受保護的技術(shù)使用者：華南理工大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19