基于风电运维人员紧张程度的运维操作方法技术

本发明专利技术公开了一种基于风电运维人员紧张程度的运维操作方法，包括以下步骤：提取运维人员的生理信号特征组成特征向量，将特征向量与紧张程度的标签组成数据样本；划分训练集、测试集；随机森林模型的初始化和训练；查看随机森林模型对训练集分类的准确率，判断准确率是否低于预设阈值，若是，则调节随机森林模型的超参数，重新训练；将测试集代入训练后的随机森林模型，查看随机森林模型是否存在过拟合，是则继续调节超参数，重新训练；否则得到训练好的随机森林模型并保存；将获取运维人员的生理信号特征代入训练好的随机森林模型中，得到运维人员操作结果。本发明专利技术能够有效地降低运维人员的人为失误，提高运维效率，减少运维成本。

【技术实现步骤摘要】
基于风电运维人员紧张程度的运维操作方法
本专利技术涉及风电领域，特别涉及一种基于风电运维人员紧张程度的运维操作方法。
技术介绍
随着风电技术的迅速发展，风电在电力能源中占据着不可小觑的地位。风电装机容量的爆发式增长，短短十年间数以万计的风电机组伫立在野外或海上。风电机组频繁地遭受大风、雷击、冰雪等恶劣环境的冲击与影响，机组的运行与维护(简称运维)的需求十分突出。据统计，风电机组的运维成本约占其全寿命周期度电成本的53％，风电机组的运维成了风电行业的难题。由于风电机组处于野外或海上，恶劣的环境使得风电机组的运维难度升高，同时也给运维人员带来了巨大的挑战。近年来，由运维人员人为失误导致的风电事故频发。比如：2019年4月12日甘肃民勤某风电场，由于运维人员的心理素质不高、安全意识不强，在风机变桨控制手动模式下开桨后，发现风机转动，运维人员未有效地进行收桨操作，导致动力失衡，最终风机倒塔，致4人死亡，1人重伤，1人轻伤。风电场在运维过程中应尽量避免人为失误，要提高人员的可靠性，防止人员的误操作带来的严重后果。减少人为失误，不仅仅是要加强运维人员上岗前的能力与素质的培训，还应该重视运维人员在进行运维作业时的状态，针对不同的状态给出及时的指导意见。监测运维人员的状态就是对运维人员的情感状态进行分析。运维人员的情感状态对于提升运维的安全性和可靠性至关重要。负面的情感可能会降低运维人员的安全操作意识，增加人为失误的概率。风电运维中的人为失误不但影响风电场的正常运行，而且还会带来一系列的安全事故，甚至危及运维人员的生命。因此在运维过程中将运维人员的情感状态考虑在内，对风电场的安全可靠运行与风电运维行业具有重大的意义。情感状态分析就是情感计算。当前，情感计算在远程教育、医疗保健、智能驾驶等方面的研究较多，在工程实践领域研究较少。
技术实现思路
为了解决上述技术问题，本专利技术提供一种算法简单、安全性强的基于风电运维人员紧张程度的运维操作方法。本专利技术解决上述问题的技术方案是：一种基于风电运维人员紧张程度的运维操作方法，包括以下步骤：步骤一：提取运维人员的生理信号特征，组成特征向量X，将特征向量X与紧张程度的标签Y组成数据样本S＝(X,Y)；步骤二：随机划分数据样本中的70％作为训练集strain，30％作为测试集stest；步骤三：初始化随机森林模型，随机森林中的树模型的数量设置为50，衡量不纯度的指标选择基尼系数，不限制树的最大深度，关于树节点的分割不做限制；步骤四：将训练集代入随机森林模型中训练；步骤五：查看随机森林模型对训练集分类的准确率，判断准确率是否低于预设阈值，若是，则增加随机森林模型中的树模型的数量，然后返回步骤四重新训练；若否，则进入步骤六；步骤六：将测试集代入训练后的随机森林模型，查看随机森林模型是否存在对训练集的过拟合，如果出现过拟合，则继续限制超参数，树模型的最大深度、叶节点的最小分割数量，然后返回步骤四重新训练，直至不出现过拟合；如果没有出现过拟合，则得到训练好的随机森林模型并保存；步骤七：实时获取运维人员的生理信号特征，再提取特征，代入训练好的随机森林模型中，得到运维人员操作结果。上述基于风电运维人员紧张程度的运维操作方法，所述步骤一中，运维人员的生理信号特征包括肌电图EMG信号、呼吸作用RSP信号、皮肤电导SC信号；紧张程度分为4个等级：高度紧张H、中度紧张M、低度紧张L、正常N。上述基于风电运维人员紧张程度的运维操作方法，所述步骤四中，随机森林模型训练的过程为：3-1)样本选择：从训练集strain采取有放回地随机抽取与strain同数量级的子样本，抽取的子样本个数与随机森林中树模型数量相同；3-2)特征选择：将抽取的子样本集训练一棵决策树，假设某个子样本中含有K个输入特征，则随机挑取k个输入特征作为训练决策树的输入特征；3-3)最优分割点分割：选择最优特征进行特征分割；以基尼系数为分割原则，节点分裂时选择基尼系数最小的特征参数进行分裂；假定随机森林中的某棵决策树的训练集为s，假设s被分割成s1和s2，特征参数划分的基尼系数的计算公式为：其中p1i和p2i分别为某个分类结果在训练样本集s1和s2中出现的概率，G为分类结果的数量；3-4)重复步骤3-2)至3-3)，让决策树分支，使决策树以最大化方式生长；3-5)重复步骤3-2)至3-4)，直到训练出n棵决策树，构成随机森林；3-6)分类阶段：即投票阶段，分类标签是由所有分类树的结果综合而成，即：其中，Yp是分类的结果，n为随机森林中决策树的数量，I(*)是显性函数，nhi,y是树hi对类Y的分类结果，nhi是决策树的叶子节点数。上述基于风电运维人员紧张程度的运维操作方法，所述步骤六中，将测试集代入训练后的随机森林模型，查看测试集分类的准确率，如果测试集分类的准确率与训练集分类的准确率的偏差超过5％，就说明出现了过拟合。上述基于风电运维人员紧张程度的运维操作方法，所述步骤七中，运维人员操作结果为：当检测到运维人员的紧张程度为N时，不给运维人员反馈通知，让运维人员正常运维，允许运维人员根据自己的经验与能力进行运维；当检测到运维人员的紧张程度为L时，给运维人员反馈依照操作规程顺序运维的通知，禁止运维人员根据自己的经验与能力进行运维；当检测到运维人员的紧张程度为M时，给运维人员反馈依照操作规程审核运维的通知，即运维过程中运维人员依照操作流程每操作一步，进行审核复查之后，再进行下一步操作；当检测到运维人员的紧张程度为H时，给运维人员反馈禁止运维的通知，禁止运维人员操作。本专利技术的有益效果在于：本专利技术以肌电图、呼吸作用、皮肤电导信号作为运维人员紧张程度的评估参数，采用随机森林(RandomForest，RF)算法对运维人员的紧张程度进行分类与预测，将运维人员的情感状态划分为四个等级，分别为高度紧张、中度紧张、低度紧张和正常，并针对相应的状态等级给出了对应的运维操作模式，最后用实验验证了基于运维人员紧张程度的运维操作模式的可行性，能够有效地降低运维人员的人为失误，减少因运维人员失误导致的事故，提高运维效率，减少运维成本。附图说明图1为本专利技术的流程图。图2为风电运维的操作模型图。图3为本专利技术基于生理信号的紧张程度分级运维流程图。图4为随机森林算法结构示意图。具体实施方式下面结合附图和实施例对本专利技术做进一步的说明。如图1所示，一种基于风电运维人员紧张程度的运维操作方法，包括以下步骤：步骤一：提取运维人员的生理信号特征，组成特征向量X，将特征向量X与紧张程度的标签Y组成数据样本S＝(X,Y)。常见的情感计算主要集中在语音、文本、面部表情、姿态、生理信号等方面。由于基于生理信号的情感计算可以实时获取当前情感状态，且被测人员不易伪装，可获得更加客观有效的结果，因此基于生理信号的情感本文档来自技高网...

【技术保护点】
1.一种基于风电运维人员紧张程度的运维操作方法，其特征在于，包括以下步骤：/n步骤一：提取运维人员的生理信号特征，组成特征向量X，将特征向量X与紧张程度的标签Y组成数据样本S＝(X,Y)；/n步骤二：随机划分数据样本中的70％作为训练集s

【技术特征摘要】
1.一种基于风电运维人员紧张程度的运维操作方法，其特征在于，包括以下步骤：
步骤一：提取运维人员的生理信号特征，组成特征向量X，将特征向量X与紧张程度的标签Y组成数据样本S＝(X,Y)；
步骤二：随机划分数据样本中的70％作为训练集strain，30％作为测试集stest；
步骤三：初始化随机森林模型，随机森林中的树模型的数量设置为50，衡量不纯度的指标选择基尼系数，不限制树的最大深度，关于树节点的分割不做限制；
步骤四：将训练集代入随机森林模型中训练；
步骤五：查看随机森林模型对训练集分类的准确率，判断准确率是否低于预设阈值，若是，则增加随机森林模型中的树模型的数量，然后返回步骤四重新训练；若否，则进入步骤六；
步骤六：将测试集代入训练后的随机森林模型，查看随机森林模型是否存在对训练集的过拟合，如果出现过拟合，则继续限制超参数，树模型的最大深度、叶节点的最小分割数量，然后返回步骤四重新训练，直至不出现过拟合；如果没有出现过拟合，则得到训练好的随机森林模型并保存；
步骤七：实时获取运维人员的生理信号特征，再提取特征，代入训练好的随机森林模型中，得到运维人员操作结果。


2.根据权利要求1所述的基于风电运维人员紧张程度的运维操作方法，其特征在于，所述步骤一中，运维人员的生理信号特征包括肌电图EMG信号、呼吸作用RSP信号、皮肤电导SC信号；紧张程度分为4个等级：高度紧张H、中度紧张M、低度紧张L、正常N。


3.根据权利要求2所述的基于风电运维人员紧张程度的运维操作方法，其特征在于，所述步骤四中，随机森林模型训练的过程为：
3-1)样本选择：从训练集strain采取有放回地随机抽取与strain同数量级的子样本，抽取的子样本个数与随机森林中树模型数量相同；
3-2)特征选择：将抽取的子样本集训练一棵决策树，假设某个子样本中含有K个输入特征，则随机挑取k个输入特征作为...

【专利技术属性】
技术研发人员：刘昌杰，段斌，张潇丹，陈月平，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：湖南;43