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：东北大学

摘要：本发明涉及一种采用图像模型的风力发电机运行状态智能辩识方法，其中，风力发电机组运行状态识别方法，包括：S1、获取风力发电机组运行的图像模型；S2、采用深度卷积神经网络对所述图像模型进行辨识，确定风力发电机的运行状态；所述深度卷积神经网络预先经过预先设定的图像模型训练样本训练。其有益效果是，本发明中提出的风力发电机组运行状态识别方法基于采样点构成的点云的几何分布特征的观点实现的，而不是基于采样点数值特征进行分析，为风力发电机的运行状态辨识和故障预测提供了新的角度。

主权项：1.一种采用图像模型的风力发电机运行状态智能辩识方法，其特征在于，包括：S1、获取风力发电机组运行的图像模型；S2、采用深度卷积神经网络对所述图像模型进行辨识，确定风力发电机的运行状态；所述深度卷积神经网络预先经过预先设定的图像模型训练样本训练；在S1之前还包括：S0、根据预先获取的风力发电机组运行的观测数据，获取图像模型训练样本；所述S0包括：S01、根据预先获取的风力发电机组运行的观测数据，获取辅助变量；S02、根据所述辅助变量在三维空间中建立三维点云；S03、基于所述三维点云，获取三维特征曲面；S04、以灰度表示曲面幅值，将所述三维特征曲面转换为2D灰度图像；S05、堆叠RGB三通道的2D灰度图像，获取包含风力发电机状态信息的图像模型训练样本；所述步骤S01具体包括：根据预先获取的风力发电机组运行的观测数据，按照预先设定的选取规则从S中选取辅助变量；其中 其中，为初始的SCADA数据，包含风速v和功率P和r个变量，这r+2个观测变量每个都有ns个采样点；其中，所述预先设定的选取规则为： 其中，Pk是第k个采样点的功率，k＝1,…,ns是行索引，sq是第q个辅助变量，q＝1,…,r是列索引，sq,k是第k个采样点的第q个变量，预先给定阈值为ε和γ；KLDP||sq为变量sq和功率P的K-L散度的值，其中 其中F·是概率分布函数；Δq是和的改变量；代表ρg的正常情况，代表ρg的故障情况； ρq是变量sq和功率P的斯皮尔曼相关性， 所述dq,k是P和sq分别按升序排列后Pk和sq,k的秩次差；所述辅助变量为： 所述步骤S02具体包括：S021、根据所述辅助变量，在v-P-s*坐标系中的点v,P,s*组成三维点云分布图为C*v,P,s*，其中 且， 其中下标b+和b-分别代表最大值和理论最小值；为风速v的最大值；为风速v的最小值；为功率P的最大值；为功率P的最小值；为s*最小值；为s*最大值；S022、按照映射规则将v-P-s*坐标系离散化并封装为离散坐标系i-j-k*，获取i-j-k*坐标系下的三维点云图C*i,j,k*；其中所述映射规则为： 区域被等分为ni部分，区域被等分为nP个部分，区域被等分为个部分；坐标转换后，所述步骤S03包括：根据i-j-k*坐标系下的三维点云图C*i,j,k*，在像素点i,j提取k*方向上形心特征，并将提取到的所述形心特征在i-j-k*坐标系下组成三维特征表面；其中所述三维特征表面的每一个通道中为： 其中，在i,j处沿着k*方向的形心特征为： 其中，为在i,j处沿着k*方向的点数，为对应点，所述步骤S04包括：S041、根据量化公式将i,j上所述三维特征表面的每一个通道的幅值转换为i,j上的灰度，并获取单通道的2D灰度前景图像；所述量化的公式为， L为灰度的等级；和为的最大值和最小值；其中是i,j的灰度值，Round·是取整函数；其中，单通道的2D灰度前景图像为： S042、在采样窗口内进行量化的单通道2D灰度图像背景图像设置为 其中下标b+和b-分别代表理论的最大值和最小值，平均环境温度风速ξv的均方差和采样窗口内风向ξω的均方差，ζv，ζv表示环境变化的程度；所述步骤S05包括：S051、基于所述单通道的2D灰度前景图像和单通道2D灰度图像背景图像获取2D灰度图像其中，所述2D灰度图像为： S052、将三个通道的2D灰度图像堆叠获取包含风力发电机状态信息的图像模型训练样本，即： 所述STACK·是从灰度空间到相应颜色空间的堆叠过程。

全文数据：

权利要求：

百度查询： 东北大学 一种采用图像模型的风力发电机运行状态智能辩识方法