【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及發(fā)電廠狀態(tài)監(jiān)測與診斷領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法。
技術(shù)介紹
1、發(fā)電廠作為能源產(chǎn)業(yè)的核心環(huán)節(jié)，起到協(xié)調(diào)和管理分類一次能源向二次能源轉(zhuǎn)換的作用，其整體與局部的運(yùn)行狀態(tài)監(jiān)測與預(yù)測逐漸受到研究人員的重視。近年，隨著物聯(lián)網(wǎng)與在線監(jiān)測技術(shù)的迅速進(jìn)步，發(fā)電廠多源信息采集逐漸實(shí)現(xiàn)，推動了以海量數(shù)據(jù)為基礎(chǔ)、深度學(xué)習(xí)模型為核心的信號處理、特征提取、故障診斷和狀態(tài)預(yù)測方法在各類發(fā)電廠應(yīng)用。然而，深度學(xué)習(xí)模型的性能依賴于大量且豐富的故障與變工況樣本，發(fā)電廠實(shí)際運(yùn)行采取預(yù)防性保守維修策略，難以獲得豐富的訓(xùn)練樣本，從而限制了深度學(xué)習(xí)方法在發(fā)電廠狀態(tài)監(jiān)測方面的應(yīng)用。
2、目前，發(fā)電廠非穩(wěn)態(tài)工況存在種類多樣性、樣本稀缺性以及形態(tài)無序性等現(xiàn)象，動用實(shí)際機(jī)組開展實(shí)驗的代價昂貴且難度較大，需依靠模擬機(jī)仿真豐富的故障與瞬態(tài)工況，故研究人員普遍利用仿真的故障和變工況數(shù)據(jù)以訓(xùn)練深度學(xué)習(xí)模型。然而，仿真數(shù)據(jù)與真實(shí)數(shù)據(jù)在數(shù)據(jù)分布、噪聲和動態(tài)特征等方面存在差異，僅依靠仿真數(shù)據(jù)訓(xùn)練所得模型，難以適用于極高安全性和可靠性要求的發(fā)電廠。建立仿真與實(shí)際數(shù)據(jù)的高維隱空間映射關(guān)系，以加強(qiáng)仿真數(shù)據(jù)的逼真度是實(shí)現(xiàn)發(fā)電廠狀態(tài)研判的關(guān)鍵問題。
技術(shù)實(shí)現(xiàn)思路
1、為了解決上述問題，本專利技術(shù)的目的在于提供一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，將仿真數(shù)據(jù)的變工況知識遷移至真實(shí)場景，避免了因仿真與真實(shí)數(shù)據(jù)在數(shù)據(jù)分布、噪聲和動態(tài)特征等方面存在差異，導(dǎo)致僅依靠仿真數(shù)據(jù)訓(xùn)練深
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)采用以下技術(shù)方案：
3、一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，包括以下步驟：
4、獲取發(fā)電廠模擬機(jī)各種正常與故障工況的仿真數(shù)據(jù)，以及發(fā)電機(jī)組有限的正常運(yùn)行真實(shí)數(shù)據(jù)；
5、將仿真數(shù)據(jù)和真實(shí)數(shù)據(jù)標(biāo)注不同的域標(biāo)簽,包括源域和目標(biāo)域，構(gòu)建訓(xùn)練集；
6、構(gòu)建仿真與真實(shí)數(shù)據(jù)的聯(lián)合學(xué)習(xí)模型并基于訓(xùn)練集進(jìn)行訓(xùn)練，所述聯(lián)合學(xué)習(xí)模型包括特征提取器、預(yù)測器、多核最大均值差異mk-mmd模塊(multi-kernalmaximummeandiscrepancy)和域鑒別器；
7、基于訓(xùn)練后的聯(lián)合學(xué)習(xí)模型，調(diào)整預(yù)測器輸出層的神經(jīng)元數(shù)量，將模型用于故障診斷任務(wù)或關(guān)鍵參量預(yù)測任務(wù)。
8、進(jìn)一步的，聯(lián)合學(xué)習(xí)模型基于訓(xùn)練集進(jìn)行訓(xùn)練，具體如下：
9、在訓(xùn)練階段，設(shè)練集xi分別來自源域和目標(biāo)域，二者的邊緣分布為s(x)和t(x)，定義二進(jìn)制變量di表示第i個訓(xùn)練樣本的域標(biāo)簽，其中di∈{0,1}，以表明xi來自源域(xi～s(x)if?di＝0)或來自目標(biāo)域(xi～t(x)if?di＝1)；
10、對于每組輸入xi，獲取其預(yù)測值和域標(biāo)簽di∈{0,1}，在聯(lián)合學(xué)習(xí)模型中，模型訓(xùn)練過程分為前向傳播過程和反向傳播過程。
11、進(jìn)一步的，所述前向傳播過程，具體如下：xi輸入至特征提取器gf以生成域不變特征矩陣將特征矩陣輸入3個分支：輸入至預(yù)測器gy以輸出預(yù)測結(jié)果輸入至域鑒別器gd以輸出域標(biāo)簽將特征降維展平輸入至mk-mmd模塊計算源域與目標(biāo)域特征之間的差異度，具體過程表示如下：
12、
13、
14、
15、其中，θf，θy和θd表示gf，gy和gd中的可訓(xùn)練權(quán)重矩陣。
16、進(jìn)一步的，所述特征提取器采用時間卷積網(wǎng)絡(luò)特征提取器，將源域與目標(biāo)域數(shù)據(jù)輸入至?xí)r間卷積網(wǎng)絡(luò)特征提取器以提取域不變特征，所述時間卷積網(wǎng)絡(luò)特征提取器由膨脹因果卷積、殘差塊結(jié)構(gòu)組成，其中，膨脹因果卷積網(wǎng)絡(luò)由輸入層，隱藏層和輸出層構(gòu)成，具體如下：
17、對于一維序列輸入來說，通過膨脹因果卷積網(wǎng)絡(luò)進(jìn)行操作：
18、f＝(f1,f2,f3,…,fk)；
19、
20、其中d是膨脹因子，⊙為膨脹因果卷積計算符號，f為的濾波器，f和k分別為各層濾波器及其尺寸，s-d·i表示過去時刻的方向；
21、通過兩層膨脹因果卷積網(wǎng)絡(luò)與校正線性單元結(jié)合構(gòu)建殘差塊結(jié)構(gòu)，并在每層中加入了權(quán)重歸一化和dropout來正則化網(wǎng)絡(luò)，使訓(xùn)練過程更快的收斂，具體計算過程為：
22、
23、其中xj和為第j層殘差塊的輸入和輸出，σ(·)表示校正線性單元(relu)激活函數(shù)，r(·)表示一組轉(zhuǎn)換操作，包含膨脹因果卷積、權(quán)重歸一化、激活函數(shù)和dropout層。
24、進(jìn)一步的，將時間卷積網(wǎng)絡(luò)提取到的域不變特征作為預(yù)測器的輸入；預(yù)測器根據(jù)故障診斷或預(yù)測任務(wù)的需求，輸出故障診斷結(jié)果或參量的預(yù)測序列；所述預(yù)測器由輸入層、隱含層和輸出層構(gòu)成，具體如下：
25、域不變特征由輸入層經(jīng)過隱含層開始向前傳遞，隱含層的每個神經(jīng)元接收來自前一層神經(jīng)元的輸入，并進(jìn)行加權(quán)求和與非線性激活運(yùn)算，對于第l層的第j個神經(jīng)元，具體的計算過程為：
26、
27、其中是該神經(jīng)元的加權(quán)求和，是該神經(jīng)元的輸入，是對應(yīng)的權(quán)重，是對應(yīng)的偏置，nl-1是上一層神經(jīng)元數(shù)量；
28、對于該神經(jīng)元，將加權(quán)輸入通過激活函數(shù)relu進(jìn)行非線性變換，得到具體的計算過程為：
29、
30、f(z)＝max(0,z)
31、其中為該神經(jīng)元的輸出，f(z)為relu激活函數(shù)。
32、進(jìn)一步的，將tcn特征提取器提取到的域不變特征作為域鑒別器的輸入，所述域鑒別器由2個隱含層與1個分類輸出層組成，獲得域分類結(jié)果將tcn特征提取器提取到的特征分成源域特征與目標(biāo)域特征，并將其從(n，t)維度展平縮減成(1，n·t)維度；將展平降維后的特征輸入至mk-mmd模塊；計算mk-mmd以量化經(jīng)特征提取后源域和目標(biāo)域之間的差異度。
33、進(jìn)一步的，所述反向傳播過程中為獲得域不變特性，尋找使域鑒別器損失最大化的權(quán)重矩陣θf，同時尋找使域鑒別器損失最小化的權(quán)重矩陣θd，此外，尋找使預(yù)測器損失最小化的權(quán)重矩陣θy，及尋找源域和目標(biāo)域特征之間差異度最小的lmk-mmd，仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)框架總的損失函數(shù)表示為：
34、
35、其中λ和γ表示在預(yù)測器、鑒別器和mk-mmd損失之間的權(quán)重，ns和nt分別為s(x)和t(x)的訓(xùn)練樣本數(shù)；ly(·,·)，ld(·,·)和lmk-mmd分別是預(yù)測器、域鑒別器和mk-mmd模塊的損失函數(shù)；所述反向傳播過程實(shí)行對抗訓(xùn)練策略，即在特征提取器和域鑒別器之間加入梯度反轉(zhuǎn)層。
36、進(jìn)一步的，對預(yù)測任務(wù)損失函數(shù)ly采用改進(jìn)的對數(shù)函數(shù)作為評價指標(biāo)，具體計算公式如下：；
37、
38、其中ε是一個小常數(shù)，以確保對數(shù)函數(shù)內(nèi)部的預(yù)測總是正的，設(shè)為0.01。
39、對診斷任務(wù)損失函數(shù)ly采用交叉熵?fù)p失作為評價指標(biāo)，具體計算公式如下：
40、
41、其中yi表示真實(shí)標(biāo)簽，本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，聯(lián)合學(xué)習(xí)模型基于訓(xùn)練集進(jìn)行訓(xùn)練，具體如下：
3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，所述前向傳播過程，具體如下：Xi輸入至特征提取器Gf以生成域不變特征矩陣將特征矩陣輸入3個分支：輸入至預(yù)測器Gy以輸出預(yù)測結(jié)果輸入至域鑒別器Gd以輸出域標(biāo)簽將特征降維展平輸入至MK-MMD模塊計算源域與目標(biāo)域特征之間的差異度，具體過程表示如下：
4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，所述特征提取器采用時間卷積網(wǎng)絡(luò)特征提取器，將源域與目標(biāo)域數(shù)據(jù)輸入至?xí)r間卷積網(wǎng)絡(luò)特征提取器以提取域不變特征，所述時間卷積網(wǎng)絡(luò)特征提取器由膨脹因果卷積、殘差塊結(jié)構(gòu)組成，其中，膨脹因果卷積網(wǎng)絡(luò)由輸入層，隱藏層和輸出層構(gòu)成，具體如下：
5.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)
6.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，將TCN特征提取器提取到的域不變特征作為域鑒別器的輸入，所述域鑒別器由2個隱含層與1個分類輸出層組成，獲得域分類結(jié)果將TCN特征提取器提取到的特征分成源域特征與目標(biāo)域特征，并將其從(n，t)維度展平縮減成(1，n·t)維度；將展平降維后的特征輸入至MK-MMD模塊；計算MK-MMD以量化經(jīng)特征提取后源域和目標(biāo)域之間的差異度。
7.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，所述反向傳播過程中為獲得域不變特性，尋找使域鑒別器損失最大化的權(quán)重矩陣θf，同時尋找使域鑒別器損失最小化的權(quán)重矩陣θd，此外，尋找使預(yù)測器損失最小化的權(quán)重矩陣θy，及尋找源域和目標(biāo)域特征之間差異度最小的LMK-MMD，仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)框架總的損失函數(shù)表示為：
8.根據(jù)權(quán)利要求7所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，對預(yù)測任務(wù)損失函數(shù)Ly采用改進(jìn)的對數(shù)函數(shù)作為評價指標(biāo)，具體計算公式如下：；
9.根據(jù)權(quán)利要求8所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，采用權(quán)衡學(xué)習(xí)動態(tài)調(diào)整權(quán)重λ和γ，λ和γ的正式定義如下：
10.根據(jù)權(quán)利要求9所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，聯(lián)合學(xué)習(xí)模型優(yōu)化目標(biāo)表示為通過尋找最佳權(quán)重矩陣由下式表示：
...【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，聯(lián)合學(xué)習(xí)模型基于訓(xùn)練集進(jìn)行訓(xùn)練，具體如下：
3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，所述前向傳播過程，具體如下：xi輸入至特征提取器gf以生成域不變特征矩陣將特征矩陣輸入3個分支：輸入至預(yù)測器gy以輸出預(yù)測結(jié)果輸入至域鑒別器gd以輸出域標(biāo)簽將特征降維展平輸入至mk-mmd模塊計算源域與目標(biāo)域特征之間的差異度，具體過程表示如下：
4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，所述特征提取器采用時間卷積網(wǎng)絡(luò)特征提取器，將源域與目標(biāo)域數(shù)據(jù)輸入至?xí)r間卷積網(wǎng)絡(luò)特征提取器以提取域不變特征，所述時間卷積網(wǎng)絡(luò)特征提取器由膨脹因果卷積、殘差塊結(jié)構(gòu)組成，其中，膨脹因果卷積網(wǎng)絡(luò)由輸入層，隱藏層和輸出層構(gòu)成，具體如下：
5.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)模型的發(fā)電廠仿真與真實(shí)數(shù)據(jù)聯(lián)合學(xué)習(xí)方法，其特征在于，將時間卷積網(wǎng)絡(luò)提取到的域不變特征作為預(yù)測器的輸入；預(yù)測器根據(jù)故障診斷或預(yù)測任務(wù)的需求，輸出故障診斷結(jié)果或參量的預(yù)測序列；所述預(yù)測器由輸入層、隱含層和輸出層構(gòu)成，具體如下：
6.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)模型...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：繆希仁，林蔚青，陳靜，陳彥，江灝，
申請(專利權(quán))人：福州大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。