一种基于深度学习的海上作业平台舱室内环境异常检测方法技术

本发明专利技术涉及一种基于深度学习的海上作业平台舱室内环境异常检测方法，属于海上风电电力设备检测技术领域，该方法包括S1，构建海上作业平台实验舱室；S2，基于海上作业平台实验舱室采集得到多组训练数据集，并拍摄水分指示剂的图像；S3，进行数据筛选，对筛选得到的数据进行归一化处理，构建训练数据集合；S4，构建结露检测神经网络模型，基于深度学习算法，进行训练；S5，定时采集实时温湿度压差数据，将其输入到训练好的结露检测神经网络模型中，输出结露的严重程度。本发明专利技术可以规避严重的结露现象发生，减少结露发生的情况，给温度湿度压差调节控制提供依据，可以有效的降低舱室内电气设备故障的发生率，提高电力系统的运行稳定性。

【技术实现步骤摘要】

本专利技术属于海上风电电力设备检测，尤其涉及一种基于深度学习的海上作业平台舱室内环境异常检测方法。

技术介绍

1、海上风电正逐渐走向深蓝，离岸远，伴随而来的是维护困难，盐雾严重，环境恶劣，电能需要经过升压才能传回陆地并网，海上升压站在这一过程中起到一个关键的作用，升压站各舱室中安装有许多重要的精密的电气一次二次设备和诸多辅控设备，是风电场运行的重要电气设备。海上升压站整体为钢结构焊接工艺，难以做到绝对的密封，需依靠空气调节系统和正压新风系统维持温湿度在合理范围内，舱室内与室外环境保持一个持续的正压差。若不能为舱室内维持一个良好的工作环境，大量的电气设备会处于一种不良的工作环境中。舱室内气温应维持在一个合理范围内，不宜过高避免局部积热顺坏电气设备，同时也不宜过低避免气体绝缘设备内部气压降低，影响绝缘性能与灭弧效果，和影响储电装置的放电效果。正压强度不足容易导致外界富含盐雾的湿润空气进入舱室内，设备表面和设备柜体箱体内容易出现高温高湿的状态，容易出现结露现象，严重破坏设备的绝缘性能，极易出现短路或爬电现象，从而造成严重事故，综上所诉海上作业平台舱室内环境异常的本文档来自技高网...

【技术保护点】

1.一种基于深度学习的海上作业平台舱室内环境异常检测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的海上作业平台舱室内环境异常检测方法，其特征在于，S1中，空气调节设备包括加湿器、除湿器、制冷器和制热器，水分指示剂设置在电气设备柜顶部。

3.根据权利要求2所述的一种基于深度学习的海上作业平台舱室内环境异常检测方法，其特征在于，S3中，根据水分指示剂的变色情况筛选出现不同结露严重程度时的温度数据、湿度数据和压差数据，对数据进行归一化处理，并为不同结露程度赋予不同的标签，得到训练数据集合。

4.根据权利要求1所述的一种基于深度学习的海上...

【技术特征摘要】

1.一种基于深度学习的海上作业平台舱室内环境异常检测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的海上作业平台舱室内环境异常检测方法，其特征在于，s1中，空气调节设备包括加湿器、除湿器、制冷器和制热器，水分指示剂设置在电气设备柜顶部。

3.根据权利要求2所述的一种基于深度学习的海上作业平台舱室内环境异常检测方法，其特征在于，s3中，根据水分指示剂的变色情况筛选出现不同结露严重程度时的温度数据、湿度数据和压差数据，对数据进行归一化处理，并为不同结露程度赋予不同的标签，得到训练数据集合。

4.根据权利要求1所述的一种基于深度学习的海上作业平台舱室内环境异常检测方法，其特征在于，结露检测神经网络模型包括输入层、隐藏层和输出层，设输入层神经元x1，x2，x3分别代表归一化后的温度数据、湿度数据和压强数据，设置3个隐藏层，每层9个神经元，第l层的第j个神经元的输出hlj由下式给出：

5.根据权利要求4所述的一种基于深度学习的海上作业平台舱室内环境异常检测方法，其特征在于，构建结露检测神经网络模型的步骤中，使用交叉熵损失函数来衡量预测结果与实际标签间的差异：

6.根据权利要求5所述的一种基于深度学习的海上作业平台舱室内环境异常检测方法，其特征在于，使用梯度下降法来最小化损失函数，更新每个参数wlkj和blj：

7.根据权利要求2所述的...

【专利技术属性】
技术研发人员：陈子昂，林檀，孙德军，杨帆，冯锦泉，吴国港，林志鹏，刘定坤，陈锦品，张健，
申请(专利权)人：福建省福能海峡发电有限公司，
类型：发明
国别省市：