【技术实现步骤摘要】
本公开涉及风力发电，尤其涉及一种风电机组故障预测模型训练和故障预测方法及装置。
技术介绍
1、风电机组具有清洁、可再生的优势，近些年得到了飞速发展。风电机组运行在极端、多变的天气条件下，结构复杂、变速变载、维护维修困难，这使得风电机组的故障率高、停机时间长、维修费用居高不下。因此需要时刻监测机组运行状态、实现故障及时诊断、合理安排维修来降低维修成本。随着风电机组相关技术的发展，装机容量不断提高，新投运机组与已经运行的机组在结构、运行工况上都存在区别。由于新投运机组出现过的故障较少，能够收集到的运行数据大多是正常运行状态下的健康数据，而故障样本很少。当训练样本不均衡时，采用传统的深度学习来训练智能分类模型经常会出现过拟合，诊断精度大大降低。目前的小样本学习能够有效解决故障样本少导致的样本不均衡问题。
技术实现思路
1、本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本公开的一个目的在于提出一种风电机组故障预测模型训练方法。
3、本公开的第二个目的在于提出一种风电机组故障预测方法。
4、本公开的第三个目的在于提出一种风电机组故障预测模型训练装置。
5、本公开的第四个目的在于提出一种风电机组故障预测装置。
6、本公开的第五个目的在于提出一种电子设备。
7、本公开的第六个目的在于提出一种非瞬时计算机可读存储介质。
8、本公开的第七个目的在于提出一种计算机程序产品。
9、为达上
10、根据本公开的一个实施方式，所述基于所述预测结果和所述查询集对所述初始风电机组故障预测模型进行训练，包括：基于所述损失函数对所述预测结果和所述查询集中的特征进行计算，以获取交叉熵损失值和对比损失值；基于所述交叉熵损失值和所述对比损失值对所述初始风电机组故障预测模型进行训练。
11、根据本公开的一个实施方式，所述基于所述交叉熵损失值和所述对比损失值对所述初始风电机组故障预测模型进行训练，包括：基于所述交叉熵损失值和所述对比损失值计算整体损失值；将所述整体损失值与损失阈值进行比较，响应于所述损失值大于损失阈值，对所述初始风电机组故障预测模型的模型参数进行调整，并基于下一个元学习任务对调整后的初始风电机组故障预测模型进行训练，直至所述损失值小于或者等于所述损失阈值。
12、根据本公开的一个实施方式，所述获取交叉熵损失值的公式为：其中，loss为所述交叉熵损失值，x+和x-分别为x的正例样本和负例样本，f(x)为模型的神经网络公式。
13、根据本公开的一个实施方式，所述通过分类模型对所述训练数据进行处理，以生成多个元学习任务，包括：通过所述分类模型对所述训练数据进行划分标签，以确定所述训练数据中的正样本和负样本；获取各正样本和各负样本与真实结果的相似度值，并基于所述相似度值确定第一预设数量的目标正样本和第二预设数量的目标负样本；基于所述目标正样本和所述目标负样本生成多个所述元学习任务。
14、根据本公开的一个实施方式，所述元学习任务中的目标正样本的相似度值与所述目标负样本的相似度值的差值，大于设定阈值。
15、为达上述目的，本公开第二方面实施例提出了一种风电机组故障预测方法，包括：获取待预测数据和目标风电机组故障预测模型，其中，所述目标风电机组故障预测模型为如第一方面实施例所述的风电机组故障预测模型训练方法训练得到的；将所述待预测数据输入至所述目标风电机组故障预测模型中，以获取风电机组故障预测结果。
16、为达上述目的，本公开第三方面实施例提出了一种风电机组故障预测模型训练装置，包括：获取模块，用于获取训练数据和初始风电机组故障预测模型；处理模块，用于通过分类模型对所述训练数据进行处理，以生成多个元学习任务，所述分类模型的更新学习率为第一学习率，所述元学习任务包括支持集和查询集；预测模块，用于将任一个元学习任务的支持集输入至所述初始风电机组故障预测模型中，以获取预测结果；训练模块，用于基于所述预测结果和所述元学习任务的查询集对所述初始风电机组故障预测模型进行训练，以生成目标风电机组故障预测模型，所述目标风电机组故障预测模型的更新学习率为第二学习率，所述第二学习率小于所述第一学习率。
17、为达上述目的，本公开第四方面实施例提出了一种风电机组故障预测装置，其特征在于，包括：调用模块，用于获取待预测数据和目标风电机组故障预测模型，其中，所述目标风电机组故障预测模型为如第一方面实施例所述的风电机组故障预测模型训练方法训练得到的；处理模块，用于将所述待预测数据输入至所述目标风电机组故障预测模型中，以获取风电机组故障预测结果。
18、为达上述目的，本公开第五方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现如本公开第一方面实施例所述的风电机组故障预测模型训练方法。
19、为达上述目的，本公开第六方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于实现如本公开第一方面实施例所述的风电机组故障预测模型训练方法。
20、为达上述目的，本公开第七方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时用于实现如本公开第一方面实施例所述的风电机组故障预测模型训练方法。
21、通过训练精度较低的分类模型生成支持集和查询集，可以提升训练样本的质量，同时通过结合元学习和动量对比学习，可以适用于小样本学习的情况，以此可以显著提升小样本情况下的目标风电机组故障预测模型预测的准确率。
本文档来自技高网...【技术保护点】
1.一种风电机组故障预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述预测结果和所述元学习任务的查询集对所述初始风电机组故障预测模型进行训练，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述交叉熵损失值和所述对比损失值对所述初始风电机组故障预测模型进行训练，包括：
4.根据权利要求2所述的方法，其特征在于，获取交叉熵损失值的公式为：
5.根据权利要求1所述的方法，其特征在于，所述通过分类模型对所述训练数据进行处理，以生成多个元学习任务，包括：
6.根据权利要求5所述的方法，其特征在于，所述元学习任务中的目标正样本的相似度值与所述目标负样本的相似度值的差值，大于设定阈值。
7.一种风电机组故障预测方法，其特征在于，包括：
8.一种风电机组故障预测模型训练装置，其特征在于，包括：
9.一种风电机组故障预测装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括存储器、处理器；
【技术特征摘要】
1.一种风电机组故障预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述预测结果和所述元学习任务的查询集对所述初始风电机组故障预测模型进行训练，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述交叉熵损失值和所述对比损失值对所述初始风电机组故障预测模型进行训练，包括：
4.根据权利要求2所述的方法，其特征在于，获取交叉熵损失值的公式为：
5.根据权利要求1所述的方法，其特征...
【专利技术属性】
技术研发人员：刘潇波，沙德生，张庆，李芊，邹歆，
申请(专利权)人：华能阜新风力发电有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。