【技术实现步骤摘要】
本专利技术涉及电力工程，特别涉及一种时空化风机基础沉降预测方法、系统、介质及电子设备。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、风机装机环境存在较大的差异，主要装机环境有海上环境风机和陆上环境风机，陆上风机多处在荒漠戈壁地区，条件十分恶劣，风机设备的设施安全性和稳定性面临巨大挑战。陆上风机基础在风荷载的往复施压以及固有土层的不均匀沉降共同作用下使基础产生不均匀竖向变形从而出现基础混凝土开裂、钢筋折断等安全性问题，风机基础竖向位移监测与评估是关键性问题。
3、专利技术人发现，传统的风机基础沉降预测主要是利用有限元模型进行建模分析或通过机器学习模型对单一测点数据进行训练学习及预测，但是，风机基础沉降本身存在着时间和空间上的相互联系，而仅用单一测点数据预测不能考虑空间效应；另外，因传感器失效等原因，现场监测数据常存在缺失的情况，造成数据质量较差，影响沉降分析结果。
技术实现思路
1、为了解决现有技术的不足，本专利技术提供了一种时空化风机基础沉降预测方法、系统、介质及电子设备，先对风机基础竖向位移监测数据进行时空化处理，利用卷积神经网络提取数据的时空特征，极大的提高了沉降预测结果的精度。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术提供了一种时空化风机基础沉降预测方法。
4、一种时空化风机基础沉降预测方法，包括以下过程：
5、将获取的
6、根据得到的时空化风机基础沉降数据以及预训练的沉降预测模型，得到下一时刻的风机基础沉降。
7、作为本专利技术第一方面进一步的限定，获取当前风机基础沉降数据，包括：
8、收集风机基础多个沉降测点的空间位置以及截至当前时刻不同位置测点的沉降监测值，t时刻前，j号测点在i时刻的沉降监测值用表示，i＝1,2,...,n，j号测点在t+1时刻的沉降测量值用表示，得到包含n个样本的样本集x和标签集y。
9、作为本专利技术第一方面更进一步的限定，按照时间方向进行时间序列化构建，再按照风机基础沉降测点的空间分布位置进行空间位置构建，得到时空化风机基础沉降数据，包括：
10、将样本集x数据进行时空化重构，样本集x每一行转换成二维矩阵m，根据得到的各个二维矩阵m按时间进行三维构建，得到三维时空序列n，以三维时空序列n为时空化风机基础沉降数据。
11、作为本专利技术第一方面更进一步的限定，预训练的沉降预测模型为三维卷积神经网络模型，三维卷积神经网络模型中：
12、第一层的输入是风机基础的时空化沉降数据，输出为经过卷积提取时空特征的数据特征值；第二层通过全连接操作进一步进行特征学习提取，同时控制神经元数量，输出到下一层网络进行预测；第三层通过全连接层对真实值进行拟合预测，得到下一个时刻风机基础沉降的预测值。
13、第二方面，本专利技术提供了一种时空化风机基础沉降预测系统。
14、一种时空化风机基础沉降预测系统，包括：
15、时空处理模块，被配置为：将获取的当前风机基础沉降数据按照时间方向进行时间序列化构建，再按照风机基础沉降测点的空间分布位置进行空间位置构建，得到时空化风机基础沉降数据；
16、沉降预测模块，被配置为：根据得到的时空化风机基础沉降数据以及预训练的沉降预测模型，得到下一时刻的风机基础沉降。
17、作为本专利技术第一方面进一步的限定，时空处理模块中，获取当前风机基础沉降数据，包括：
18、收集风机基础多个沉降测点的空间位置以及截至当前时刻不同位置测点的沉降监测值，t时刻前，j号测点在i时刻的沉降监测值用表示，i＝1,2,...,n，j号测点在t+1时刻的沉降测量值用表示，得到包含n个样本的样本集x和标签集y。
19、作为本专利技术第一方面更进一步的限定，时空处理模块中，按照时间方向进行时间序列化构建，再按照风机基础沉降测点的空间分布位置进行空间位置构建，得到时空化风机基础沉降数据，包括：
20、将样本集x数据进行时空化重构，样本集x每一行转换成二维矩阵m，根据得到的各个二维矩阵m按时间进行三维构建，得到三维时空序列n，以三维时空序列n为时空化风机基础沉降数据。
21、作为本专利技术第一方面进一步的限定，沉降预测模块中，预训练的沉降预测模型为三维卷积神经网络模型，三维卷积神经网络模型中：
22、第一层的输入是风机基础的时空化沉降数据，输出为经过卷积提取时空特征的数据特征值；第二层通过全连接操作进一步进行特征学习提取，同时控制神经元数量，输出到下一层网络进行预测；第三层通过全连接层对真实值进行拟合预测，得到下一个时刻风机基础沉降的预测值。
23、第三方面，本专利技术提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的时空化风机基础沉降预测方法中的步骤。
24、第四方面，本专利技术提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的时空化风机基础沉降预测方法中的步骤。
25、与现有技术相比，本专利技术的有益效果是：
26、1、本专利技术创新性的提出了一种时空化风机基础沉降预测策略，先对风机基础竖向位移监测数据进行时空化处理，利用卷积神经网络提取数据的时空特征，极大的提高了沉降预测结果的精度。
27、2、本专利技术创新性的提出了一种时空化风机基础沉降预测策略，通过风机基础沉降监测实时数据，基于三维卷积神经网络提取基础沉降的时空特征，对基础后续沉降进行预测，以快速学习基础沉降时空特征和处理大量数据并得到预测结果，具有很高的实用性。
28、3、本专利技术创新性的提出了一种时空化风机基础沉降预测策略，不仅兼顾了风机基础沉降自身的时间效应，而且还考虑了基础的空间效应，以截至当前时刻的时空化沉降数据作为输入数据，通过卷积层和多个全连接层进行自行学习训练，不断优化模型内部结构，通过测试集的检验后，最终获得可以投入实际工程中使用的风机基础沉降实时预测模型。
29、4、本专利技术创新性的提出了一种时空化风机基础沉降预测策略，相比于现有的传统机器学习方法，该方法将时空重构数据导入到三维卷积神经网络中，可学习风机基础不同位置测点之间的空间关系特征，达到最大化利用监测数据的目的，同时可避免仅利用单一测点数据进行分析时存在的数据异常与噪音问题。获得的模型预测精度更高，泛化能力更强。
30、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种时空化风机基础沉降预测方法，其特征在于，包括以下过程：
2.如权利要求1所述的时空化风机基础沉降预测方法，其特征在于，
3.如权利要求2所述的时空化风机基础沉降预测方法，其特征在于，
4.如权利要求1-3任一项所述的时空化风机基础沉降预测方法，其特征在于，
5.一种时空化风机基础沉降预测系统，其特征在于，包括：
6.如权利要求5所述的时空化风机基础沉降预测系统，其特征在于，
7.如权利要求6所述的时空化风机基础沉降预测系统，其特征在于，
8.如权利要求5-7任一项所述的时空化风机基础沉降预测系统，其特征在于，
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-4任一项所述的时空化风机基础沉降预测方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任一项所述的时空化风机基础沉降预测方法中的步骤。
【技术特征摘要】
1.一种时空化风机基础沉降预测方法，其特征在于，包括以下过程：
2.如权利要求1所述的时空化风机基础沉降预测方法，其特征在于，
3.如权利要求2所述的时空化风机基础沉降预测方法，其特征在于，
4.如权利要求1-3任一项所述的时空化风机基础沉降预测方法，其特征在于，
5.一种时空化风机基础沉降预测系统，其特征在于，包括：
6.如权利要求5所述的时空化风机基础沉降预测系统，其特征在于，
7.如权利要求6所述的时...
【专利技术属性】
技术研发人员：王锦刚，方华，刘传连，刘晨明，鲁刚，梁兵，曹相卿，任慧琳，孙赞，丁杰，
申请(专利权)人：山东电力工程咨询院有限公司，
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。