买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学

摘要：本发明涉及一种水电机组振摆趋势预测方法，包括步骤：获取水电机组振摆监测数据的样本数据集，分析振摆监测数据，绘制待预测振动参量或摆度参量和其他相关参数的关系坐标图，确定候选特征参量；建立CMI‑SAL预测模型；通过条件互信息法模块筛选机组关键设备振摆相关工况参数。本发明的有益效果是：本发明运用条件互信息相关分析方法筛选输入特征，能够对两个及以上的振摆变量进行分析，判断变量之间的关联性和相关性，在互信息法基础上解决了过冗余缺点，提高预测效率；运用滑动窗口和最大池化法，采用卷积层能够缩小输入数据的数量级规模，在输入特征中提取局部最大值，降低可训练参数数目，提高数据鲁棒性和模型的运算速度。

主权项：1.一种水电机组振摆趋势预测方法，其特征在于，包括以下步骤：步骤1、获取水电机组振摆监测数据的样本数据集，分析振摆监测数据，绘制待预测振动参量或摆度参量和其他相关参数的关系坐标图，确定候选特征参量；步骤2、建立CMI-SAL预测模型；CMI-SAL模型包括条件互信息法模块、卷积层、长短期记忆网络层LSTM和自注意力机制；步骤3、通过条件互信息法模块筛选机组关键设备振摆相关工况参数；对工况参数进行整理并提取，形成最终输入数据集和输出数据集；步骤4、采取z-score标准化方法对输入数据集和输出数据集的数据进行标准化处理，剔除异常值； 上式中，xi表示原始序列，x′i表示标准化后的序列；μi表示序列的平均值，σi表示序列的标准差；输入数据集中的候选特征参量和输出数据集中对应的待预测主参量形成序列；步骤5、基于卷积层处理标准化后的输入数据集和输出数据集中的数据；引入滑动窗口机制和最大池化法提取其中一类候选特征参量，并缩减数据量；步骤6、基于长短期记忆网络层处理经过步骤5中基于卷积层处理的水电机组输入数据集和输出数据集，捕获水电机组各输入数据集中的长期依赖关系特征；步骤7、将输入时序长期依赖关系的特征向量基于自注意力机制，运用缩放点乘模块计算多头注意力的新的权重表示；通过多头注意力将每个变量时间序列分别和其他变量时序特征相关联，并加权得到一个新向量表示；步骤8、使用步骤3得到的输入数据集和输出数据集对CMI-SAL预测模型进行训练，输出振摆预测序列，并用预测集进行预测验证；步骤9、将待预测振动参量或摆度参量输入训练好的CMI-SAL预测模型中，得到预测结果，并计算预测评估指标。

全文数据：

权利要求：

百度查询： 浙江大学 一种水电机组振摆趋势预测方法