(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 (43)申请公布日 (21)申请 号 202111533015.0 (22)申请日 2021.12.15 (71)申请人 国网冀北电力有限公司秦皇岛供电 公司 地址 066004 河北省秦皇岛市海港区海阳 路50号 (72)发明人 许竞　焦东翔　宋国堂　 (74)专利代理 机构 北京鼎佳达知识产权代理事 务所(普通 合伙) 11348 代理人 刘铁生　孟阿妮 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/06(2020.01) (54)发明名称 一种风机齿轮箱状态预测方法及系统 (57)摘要 本发明公开了一种风机齿轮箱状态预测方 法及系统， 涉及风电机组领域， 其中， 所述方法包 括： 从风电场监控与数据采集系统获得风电机组 多组运行参量的原始数据集； 利用预设算法对所 述原始数据集进行预处理， 用以降低原始数据集 特征向量维度得到降维数据； 利用卷积长短记忆 神经网络模 型对所述降维数据进行卷积操作， 以 对数据集特征向量完成重构； 通过对重构后的数 据进行深度神经网络训练， 建立多个目标预测模 型； 从所述多个目标预测模型中确定最优模型为 预测网络模 型， 利用所述预测网络模 型对风机齿 轮箱状态进行 预测。 权利要求书2页 说明书12页 附图3页 CN 114239396 A 2022.03.25 CN 114239396 A 1.一种风机齿轮箱状态预测方法， 其特 征在于， 所述方法包括： 从风电场监控与数据采集系统获得风电机组多组运行参 量的原始数据集； 利用预设算法对所述原始数据集进行预处理， 用以降低原始数据集特征向量维度 得到 降维数据； 利用卷积长短记忆神经网络模型对所述降维数据进行卷积操作， 以对数据集特征向量 完成重构； 通过对重构后的数据进行深度神经网络训练， 建立多个目标 预测模型； 从所述多个目标预测模型中确定最优模型为预测网络模型， 利用所述预测网络模型对 风机齿轮箱状态进行 预测。 2.如权利要求1所述的方法， 其特征在于， 所述预设算法为斯皮尔曼相关系数法， 所述 利用预设算法对所述原始数据集进行预处理， 用以降低原始数据集特征向量 维度得到降维 数据， 包括： 采用斯皮尔曼相关系数法的计算公式对两个变量之间的相关性进行计算， 获得变量相 关系数， 所述计算公式为： 其中， ρ 为斯皮尔曼相 关系数， a， b为两个随机变量， 两个随机变量取得的第i个值分别 表示为ai， bi， 为所有随机变量a， b的平均值； 判断所述变量相关系数 是否超出 预设阈值； 当超出时， 将变量相关系数对应的特 征向量舍弃， 降低特 征向量维度； 其中， 通过斯皮尔曼相关系数法进行降低维度后的数据集的每个输入特征向量为连续 12小时分电机组状态量， 目标 预测值为10天后风电齿轮箱状态。 3.如权利要求2所述的方法， 其特征在于， 所述原始数据集包括齿轮箱油温、 齿轮箱主 轴承温度、 前轴承温度、 后轴承温度和齿轮箱油位， 所述齿轮箱油温、 齿轮箱主轴承温度、 前 轴承温度、 后轴承温度和齿轮箱油位 不进行特征向量舍弃操作。 4.根据权利要求1所述的方法， 其特征在于， 所述利用卷积长短记忆神经网络模型对所 述降维数据进行 卷积操作， 以对数据集特 征向量完成重构， 包括： 所述卷积长短记 忆神经网络的模型算法如下： 其中， i(t)为输入门， f(t)为遗忘门， o(t)为输出门， c(t)为记忆单元状态， h(t)为记忆 单元输出， σ 为sigmo id激活函数， *为卷积运 算。 5.如权利要求4所述的方法， 其特征在于， 所述sigmoid激活函数位于卷积长短记忆神权　利　要　求　书 1/2 页 2 CN 114239396 A 2经网络的输出门之后， 对卷积长短记 忆神经网络模型的输出值h(t)进行分段映射； 其中， 分段映射关系如式： 其中σ 设定为0.02。 6.根据权利要求1所述的方法， 其特征在于， 所述从所述多个目标预测模型中确定最优 模型为预测网络模型， 包括： 构建卷积长短记 忆神经网络模型分别对预测目标进行拟合训练； 确定数据正向传递路径， 计算损失函数loss值， 更新各网络层权重及偏置， 计算损失函 数loss值并且反向传递 误差， 更新权 重； 所述卷积长短记忆神经网络模型通过训练预设批次， 当所述损失函数loss值对应的曲 线走势满足预期要求时， 对所述多个目标 预测模型进行选择评价指标R2值计算； 根据所述评价指标R2值， 确定所述预测网络模型， 所述预测网络模型为评价指标R2值与 1差值最小的模型。 7.根据权利要求6所述的方法， 其特征在于， 所述对所述多个目标预测模型进行选择评 价指标R2值计算， 包括： 通过公式： 计算获得所述评价指标R2值， 其中， SST为总平方和， SSR为回 归平方和。 8.根据权利要求1所述的方法， 其特征在于， 所述目标预测模型的框架由三种神经网络 构成， 包括： 卷积 长短记忆神经网络层、 卷积神经网络和全连接层， 其中， 在进 行每一批次深 度神经网络训练时会同时送入k个时序数据， 并通过所述卷积长短记忆神经网络层将数据 由一维张量 替换为三维张量， k 为正整数。 9.一种风机齿轮箱状态预测系统， 其特 征在于， 所述系统包括： 第一获得单元， 所述第 一获得单元用于从风电场 监控与数据采集系统获得风电机组多 组运行参 量的原始数据集； 第一执行单元， 所述第一执行单元用于利用预设算法对所述原始数据集进行预处理， 用以降低原 始数据集特 征向量维度得到降维数据； 第二执行单元， 所述第 二执行单元用于利用卷积长短记忆神经网络模型对所述降维数 据进行卷积操作， 以对数据集特 征向量完成重构； 第三执行单元， 所述第三执行单元用于通过对重构后的数据进行深度神经网络训练， 建立多个目标 预测模型； 第四执行单元， 所述第四执行单元用于从所述多个目标预测模型中确定最优模型为预 测网络模型， 利用所述预测网络模型对风机齿轮箱状态进行 预测。 10.一种风机齿轮箱状态预测设备， 包括存储器、 处理器及存储在存储器上并可在处理 器上运行 的计算机程序， 其特征在于， 所述处理器执行所述程序时实现权利要求1至8任一 项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114239396 A 3