【技术实现步骤摘要】
本专利技术涉及故障检测，尤其涉及一种风电机组故障诊断模型的训练方法、装置、设备及介质。
技术介绍
1、风电是全球最快速增长的可再生能源之一，随着其发电量和安装容量持续增长，以及风电技术的不断发展和规模化应用，确保风电设备的高效、稳定和安全运行已经成为业界的核心关注点，因此，能否对风电设备的故障及时有效地检测和分类，直接关系到风电场的运营效率、设备的维护成本以及整个系统的安全性。
2、目前，现有技术通常获取风电设备上的传感器集合采集的原始样本数据，并基于生成对抗网络算法对原始样本数据进行扩充，从而基于扩充后的样本数据训练用于故障分类的学习模型。
3、但是，基于生成对抗网络算法进行数据扩充的时间和计算资源成本高，容易发生模式崩溃，且扩充的样本数据可能存在质量问题，影响基于扩充后的样本数据得到的故障分类模型的故障分类准确性。
技术实现思路
1、本专利技术提供了一种风电机组故障诊断模型的训练方法、装置、设备及介质，以解决风电机组故障诊断模型泛化能力差的问题，提高了故障检测模...
【技术保护点】
1.一种风电机组故障诊断模型的训练方法，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，所述样本数据项还包括温度样本数据和湿度样本数据；相应的，
3.根据权利要求2所述的方法，其特征在于，所述记录训练好的所述二分类器在每一温湿度区间对应的温湿度区间可信度，包括：
4.根据权利要求3所述的方法，其特征在于，所述二分类器为决策树模型，所述多分类器为支持向量机模型，所述判别器为多层感知机模型，所述综合分类器为两层BP神经网络模型，所述综合分类器的第一层BP神经网络包括多个第一层神经元，所述综合分类器的第二层BP神经网络包括多...
【技术特征摘要】
1.一种风电机组故障诊断模型的训练方法，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，所述样本数据项还包括温度样本数据和湿度样本数据；相应的，
3.根据权利要求2所述的方法，其特征在于，所述记录训练好的所述二分类器在每一温湿度区间对应的温湿度区间可信度，包括：
4.根据权利要求3所述的方法，其特征在于，所述二分类器为决策树模型，所述多分类器为支持向量机模型，所述判别器为多层感知机模型，所述综合分类器为两层bp神经网络模型，所述综合分类器的第一层bp神经网络包括多个第一层神经元，所述综合分类器的第二层bp神经网络包括多个第二层神经元，其中，所述第一层神经元的数量和所述第二层神经元的数量均与所述故障类型的数量相同；相应的，
...
【专利技术属性】
技术研发人员：张洪滔，廖海君，杨正昌，袁毅峰，
申请(专利权)人：广东电网有限责任公司，
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。