(19)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 202210736108.1 (22)申请日 2022.06.27 (71)申请人 北京华能新锐控制技 术有限公司 地址 102209 北京市昌平区北七家未来科 技城南区华能人才创新创业基地 实验 楼B座 (72)发明人 麻红波　李和星　张志坚　徐龙　 崔源　高嘉乐　 (74)专利代理 机构 苏州国诚专利代理有限公司 32293 专利代理师 陶纯佳 (51)Int.Cl. F03D 80/40(2016.01) F03D 17/00(2016.01) G06F 30/20(2020.01)G06Q 50/06(2012.01) (54)发明名称 一种改进RN N网络的风机结冰预测方法 (57)摘要 本发明公开了一种改进RNN网络的风机结冰 预测方法， 包括以下步骤： 首先进行数据预处理， 随后采用MIV评价指标与t ‑分布对SCADA特征进 行降维， 再输入RNN模型， 用于对风力发电机的 SCADA数据中的风速、 功率、 机舱温度进行时间序 列上的有效预测， 实现对叶片结冰故障机理进行 评价。 本发明提供的改进RNN网络的风机结冰预 测方法， 将工业数据与基于特征选择、 数据预处 理和分类算法的技术相结合， 增强了风机结冰预 测能力， 相较于传统基于数据驱动的风机结冰故 障预测， 可以有效减小模型不确定性带来的影 响， 缩短计算时间、 提升预测效率， 可用于离线 SCADA数据故障预测， 也可融入在线实时SCADA数 据采集系统进行 预测。 权利要求书2页 说明书5页 附图1页 CN 115143059 A 2022.10.04 CN 115143059 A 1.一种改进RN N网络的风机结冰预测方法， 其特 征在于， 包括以下步骤： 首先进行数据预处理， 随后采用MIV评价指标与t ‑分布对SCADA特征进行降维， 再输入 RNN模型， 用于对风力发电机的S CADA数据中的风速、 功 率、 机舱温度进行时间序列上的有效 预测， 实现对叶片结冰故障机理进行评价。 2.根据权利要求1所述的一种改进RNN网络的风机结冰预测方法， 其特征在于， 所述数 据预处理的步骤 包括： 对风机SCADA数据进行贴标签， 结冰的标签为 “1”， 未冻结的标签为 “0”， 其余的被认为 是标签为“2”的无效数据， 剔除无效数据， 采用SMOTE算法处 理不平衡数据。 3.根据权利要求2所述的一种改进RNN网络的风机结冰预测方法， 其特征在于， 采用 SMOTE算法处 理不平衡数据的公式为： xnew＝xi+rand(0,1) ×|xi‑xn| 式中， xi为某一少类样本， 即覆冰样本， xn为xi的一个邻近样本， 最终生成新样本xnew， 最 终调整覆冰样本与正常样本比例为1： 1。 4.根据权利 要求1所述的一种改进RNN网络的风机结冰预测方法， 其特征在于， 所述MIV 评价指标通过以下 方法计算得到： 首先， 训练一个BP神经网络； 然后在原值的基础上， 对训练样本P中的每个自变量加减 10％， 形成两个新的训练样本P1和P2， 作为模拟样本， 利用建立的网络进行仿真， 得到了两个 仿真结果A1和A2， 并计算出A1和A2的差值， 即自变量对输出的影响变化值IV， 求IV的平均值， 得到MIV值， 计算每个自变量的MIV值， 来反映神经网络中权重矩阵的变化， 按降序排序， 剔 除MIV小于1的变量。 5.根据权利要求1所述的一种改进RNN网络的风机结冰预测方法， 其特征在于， 所述t ‑ 分布对SCADA特 征进行降维的步骤 包括： SNE将欧几里德距离转换为条件概率来表示点之间的相似度。 给定一个n(样本数)的高 维数据x1， x2…xn， tSNE首先计算概率Pji， 与数据点xi和xj之间的相似度成正比， 将高维欧氏 距离转换为相似度的条件概 率， 即： 对于低维， 指定高斯分布的均方差为0.5， 因此， 两者的相似之处如下： 通过优化两个概 率分布之间的距离(KL散度)， 目标函数表示 为： 其中， Pi是在给定点xi处剩余数据点的条件概 率分布； SNE在参数选择时需要多次运行以确定一些难以优化的超参数， tSNE采用t分布代替 高 斯分布来表示基于SNE的两点之 间的相似性， 有效避免拥塞和优化问题。 使用t分布后， 概率 Pji为：权　利　要　求　书 1/2 页 2 CN 115143059 A 26.根据权利要求1所述的一种改进RNN网络的风机结冰预测方法， 其特征在于， 网络优 化的梯度为： 权　利　要　求　书 2/2 页 3 CN 115143059 A 3