风电机组不平衡检测模型训练方法、装置、设备及介质与流程

1.本发明涉及风电技术领域，特别涉及一种风电机组不平衡检测模型训练方法、装置、设备及介质。


背景技术：

2.为支持可持续发展，世界各国政府着手大力发展以风电为代表的清洁能源，同时风力发电在国内电能体系中承担着越来越重要的角色，在国家政策的鼓励扶持下，我国的风力发电技术已经走到了世界前列。
3.当前，国内风电机组行业竞争激烈，更低的度电成本目标也催使风电机组不断向大型化发展，更大的机组在展现更为优越的发电性能的同时也面临着更大的安全性挑战，由于叶轮直径的不断增大，叶片、叶轮不平衡所带来的后果也越发严重，缺乏有效的运行健康监测手段也使得叶片扫塔甚至倒塔事件经常发生。
4.现有的风电机组不平衡检测主要通过比较机组运行幅频曲线中1p频率处的幅值来实现，在机组发生不平衡时，可以观察到1p频率处的幅值远大于正常水平。值得注意的是，由于机组型号、塔架高度、安装方式、安装场址等条件的不同，各台机组在1p频率处的基础幅值和不平衡幅值变化率都是不同的，需要结合信号的变化规律才能加以判断，这也使得简单的阈值告警方式难以得到推广。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种风电机组不平衡检测模型训练方法、装置、设备及介质，能够通过采用lstm、跳跃连接和两个注意力机制，有效提取训练数据的特征，以训练出更好地对风电机组不平衡情况进行检测的模型，从而提高风电机组不平衡检测的准确性。其具体方案如下：
6.第一方面，本技术提供了一种风电机组不平衡检测模型训练方法，包括：
7.将训练数据输入风电机组不平衡检测模型，并对所述训练数据进行时域分组，以得到预设数量组时域数据；所述训练数据为预设时间段内采集的包含多种输入信号的一组数据；
8.对各组所述时域数据分别进行特征提取，并利用通道注意力机制对各组提取后特征分别进行通道维度的加权操作，以得到相应的各组加权后特征；
9.利用长短期记忆网络和跳跃连接对各组所述加权后特征进行时域关联性提取和连接操作以得到连接特征，并利用空间注意力机制对所述连接特征进行空间维度的加权操作，以得到加权后连接特征；
10.利用损失函数并基于对所述加权后连接特征的预测值计算分类损失，并利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作。
11.可选的，所述训练数据为在正常发电工况下预设时间段内采集的包含塔架频率对应的幅值、1p频率、6p频率以及发电机转速的一组数据。
12.可选的，所述对各组所述时域数据分别进行特征提取，包括：
13.将各组所述时域数据分别输入各个特征提取模块，以对各组所述时域数据分别进行卷积、正则化和激活操作，得到相应的各组提取后特征。
14.可选的，所述利用通道注意力机制对各组提取后特征分别进行通道维度的加权操作，以得到相应的各组加权后特征，包括：
15.将目标组提取后特征输入至一个通道注意力模块，并对所述目标组提取后特征分别进行平均池化和最大池化操作，以得到相应的第一平均池化结果和第一最大池化结果；所述目标组提取后特征为若干组所述提取后特征中的任意一组特征；
16.利用多层感知机并基于所述第一平均池化结果和所述第一最大池化结果进行通道重要性学习，以得到各通道重要性权重；
17.利用各所述通道重要性权重分别对所述目标组提取后特征中的相应特征进行加权操作，以得到对应的目标组加权后特征。
18.可选的，所述利用长短期记忆网络和跳跃连接对各组所述加权后特征进行时域关联性提取和连接操作以得到连接特征，包括：
19.将各组所述加权后特征分别输入各个长短期记忆网络，以对各组所述加权后特征分别进行时域关联性提取，得到相应的各输出结果；
20.根据预设跳跃连接规则将与前n个长短期记忆网络分别对应的输出结果进行连接，以得到连接结果；所述前n个长短期记忆网络为若干个所述长短期记忆网络中除最后一个长短期记忆网络外的其他长短期记忆网络；
21.利用卷积层对所述连接结果进行降维处理，得到降维后连接结果，并将与所述最后一个长短期记忆网络对应的输出结果以及所述降维后连接结果进行连接，以得到连接特征。
22.可选的，所述利用空间注意力机制对所述连接特征进行空间维度的加权操作，以得到加权后连接特征，包括：
23.将所述连接特征输入空间注意力模块，以对所述连接特征分别进行平均池化和最大池化操作，得到相应的第二平均池化结果和第二最大池化结果；
24.对所述第二平均池化结果和所述第二最大池化结果进行拼接，以得到拼接结果；
25.利用激活函数对所述拼接结果进行激活得到空间注意力权重，并利用所述空间注意力权重对所述连接特征进行加权操作，以得到加权后连接特征。
26.可选的，所述利用损失函数并基于对所述加权后连接特征的预测值计算分类损失，并利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作，包括：
27.利用全连接层对所述加权后连接特征进行全连接，以得到全连接特征；
28.通过softmax层确定与所述全连接特征对应的检测标签以及相应的预测值，利用交叉熵损失函数对所述预测值和真实值进行计算，以得到分类损失；
29.利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作。
30.第二方面，本技术提供了一种风电机组不平衡检测模型训练装置，包括：
31.时域分组模块，用于将训练数据输入风电机组不平衡检测模型，并对所述训练数
据进行时域分组，以得到预设数量组时域数据；所述训练数据为预设时间段内采集的包含多种输入信号的一组数据；
32.通道注意力模块，用于对各组所述时域数据分别进行特征提取，并利用通道注意力机制对各组提取后特征分别进行通道维度的加权操作，以得到相应的各组加权后特征；
33.空间注意力模块，用于利用长短期记忆网络和跳跃连接对各组所述加权后特征进行时域关联性提取和连接操作以得到连接特征，并利用空间注意力机制对所述连接特征进行空间维度的加权操作，以得到加权后连接特征；
34.模型训练完成模块，用于利用损失函数并基于对所述加权后连接特征的预测值计算分类损失，并利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作。
35.第三方面，本技术提供了一种电子设备，包括：
36.存储器，用于保存计算机程序；
37.处理器，用于执行所述计算机程序以实现前述的风电机组不平衡检测模型训练方法。
38.第四方面，本技术提供了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的风电机组不平衡检测模型训练方法。
39.本技术中，将训练数据输入风电机组不平衡检测模型，并对所述训练数据进行时域分组，以得到预设数量组时域数据；所述训练数据为预设时间段内采集的包含多种输入信号的一组数据；对各组所述时域数据分别进行特征提取，并利用通道注意力机制对各组提取后特征分别进行通道维度的加权操作，以得到相应的各组加权后特征；利用长短期记忆网络和跳跃连接对各组所述加权后特征进行时域关联性提取和连接操作以得到连接特征，并利用空间注意力机制对所述连接特征进行空间维度的加权操作，以得到加权后连接特征；利用损失函数并基于对所述加权后连接特征的预测值计算分类损失，并利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作。由此可见，本技术通过对训练数据进行特征提取，并采用通道注意力机制进行通道重要性学习，从而通过通道维度的加权操作对主导特征赋较高的权重；利用长短期记忆网络挖掘特征间的时域关联性，并引入跳跃连接能够在应对长短期记忆网络所带来的信息消融的同时降低噪声对长短期记忆网络输出结果的影响；然后通过空间注意力机制进行空间特征学习，从而通过空间维度的加权操作，充分提取主导特征，使得后续对加权后连接特征的预测结果更准确，有效解决设置阈值所带来的适应性差以及忽视时域变化的问题；最后通过计算分类损失对模型参数进行调整，可以得到更好地对风电机组不平衡情况进行检测的模型，从而提高风电机组不平衡检测的准确率以及效率。
附图说明
40.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
41.图1为本技术公开了一种风电机组不平衡检测模型训练方法流程图；
42.图2为本技术公开了一种具体的风电机组不平衡检测模型训练方法流程图；
43.图3为本技术公开了一种lstm输入输出结构图；
44.图4为本技术公开了一种风电机组不平衡检测模型训练流程图；
45.图5为本技术公开了一种风电机组不平衡检测模型训练装置结构示意图；
46.图6为本技术公开了一种电子设备结构图。
具体实施方式
47.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
48.参见图1所示，本发明实施例公开了一种风电机组不平衡检测模型训练方法，包括：
49.步骤s11、将训练数据输入风电机组不平衡检测模型，并对所述训练数据进行时域分组，以得到预设数量组时域数据；所述训练数据为预设时间段内采集的包含多种输入信号的一组数据。
50.本实施例中，数据集为在多风电机组、多场址情况下采集的数据，确保数据具有较广的覆盖面，数据集包含训练集和验证集，并且训练集和验证集均包含正常运行组、正常-不平衡运行组、不平衡运行组，以及按照0、1对数据进行标定，标签0表示正常运行结果，标签1表示不平衡运行结果。训练集中的训练数据为数据长度涵盖200分钟的秒级数据，并且是在正常发电工况下采集的包含塔架频率对应的幅值、1p频率、6p频率以及发电机转速四种输入信号的一组数据。
51.本实施例中，通过四通道将训练数据输入风电机组不平衡检测模型，并在时域上对训练数据进行4等分，参考200*60个数据点长度，4等分后的每组数据为200/4*60＝3000个数据点，从而得到四组时域数据。其中，风电机组不平衡检测模型采用adam优化器，学习率设置为0.001，beta＝(0.9，0.999)，eps＝1e-8，weight_decay＝0，输入的batch尺寸设置为8。
52.步骤s12、对各组所述时域数据分别进行特征提取，并利用通道注意力机制对各组提取后特征分别进行通道维度的加权操作，以得到相应的各组加权后特征。
53.本实施例中，所述对各组所述时域数据分别进行特征提取，可以包括将各组所述时域数据分别输入各个特征提取模块，以对各组所述时域数据分别进行卷积、正则化和激活操作，得到相应的各组提取后特征。可以理解的是，将四组时域数据分别输入四个特征提取模块，每个特征提取模块均包含三个卷积层，每个卷积层内依次进行3
×
3卷积、正则化、relu激活函数操作，并且每个特征提取模块的输出通道均保持为四通道；另外，风电机组不平衡特征会出现在一段长时域信号序列的各个部分，因此4个特征提取模块在结构上完全相同，都具有提取不平衡特征的作用。进一步的，将四组时域数据分别输入四个特征提取模块，以将四组时域数据分别依次通过各自对应的特征提取模块中的三个卷积层，依次进行卷积、正则化和激活操作，得到四组提取后特征。每一个卷积层的公式如下：
54.f
out
＝relu(bn(conv(f
in
)))；
55.其中，f
in
表示输入数据，bn表示正则化操作，conv在本实施例中均采用3
×
3卷积，relu表示激活函数。
56.本实施例中，所述利用通道注意力机制对各组提取后特征分别进行通道维度的加权操作，以得到相应的各组加权后特征，可以包括将目标组提取后特征输入至一个通道注意力模块，并对所述目标组提取后特征分别进行平均池化和最大池化操作，以得到相应的第一平均池化结果和第一最大池化结果；所述目标组提取后特征为若干组所述提取后特征中的任意一组特征；利用多层感知机并基于所述第一平均池化结果和所述第一最大池化结果进行通道重要性学习，以得到各通道重要性权重；利用各所述通道重要性权重分别对所述目标组提取后特征中的相应特征进行加权操作，以得到对应的目标组加权后特征。可以理解的是，考虑到四种输入信号提取出的特征对风电机组不平衡判断的影响力不同，因此，在完成特征提取之后，将通过四个特征提取模块分别提取的四组提取后特征输入同一通道注意力模块进行加权操作，以通过网络自主学习对主导信号赋较高的权值，其中，由于各特征提取模块提取出的特征具有相同的通道分布规律，因此可以使用同一通道注意力模块进行处理。具体的，对于四组提取后特征中的任意一组提取后特征，也即目标组提取后特征，先对目标组提取后特征分别进行平均池化和最大池化操作，得到平均池化结果和最大池化结果；再利用多层感知机(mlp，multi-layer perceptron)对平均池化结果和最大池化结果分别进行通道重要性学习，然后将两个mlp输出结果进行相加和激活，得到最终的各通道重要性权重，从而利用各通道重要性权重分别对目标组提取后特征中的相应特征进行加权操作，得到目标组加权后特征。涉及公式如下：
57.f
output
＝f
input
×
attc58.attc＝sigmoid(mlp(avgpool(f
input
))+mlp(maxpool(f
input
)))
59.mlp＝f(w
t
x+b)；
60.其中，f
input
表示输入特征；f
output
表示输出特征，attc表示通道重要性权重；avgpool、maxpool分别表示平均池化和最大池化操作；w表示待学习权重；b表示偏差；sigmoid表示激活函数；x表示mlp多层感知机的输入；需要说明的是，初始待学习权重和初始偏差是基于先验知识确定的，后续是通过损失函数计算的分类损失进行调整的。
61.本实施例中，若目标组提取后特征为c
×h×
w个像素数，c代表通道数、h表示每个通道的高度、w表示每个通道的宽度，通过池化操作可以对空间尺寸进行压缩，便于后续学习通道特征，使得目标组提取后特征变为c
×1×
1格式，然后通过多层感知机学习各通道的重要性，以利用各通道重要性权重加权目标组提取后特征中的各特征，得到目标组加权后特征，并输入给lstm(long short-term memory，长短期记忆网络)模块。
62.步骤s13、利用长短期记忆网络和跳跃连接对各组所述加权后特征进行时域关联性提取和连接操作以得到连接特征，并利用空间注意力机制对所述连接特征进行空间维度的加权操作，以得到加权后连接特征。
63.本实施例中，利用长短期记忆网络分别对各组加权后特征进行时域关联性提取，并通过跳跃连接(skip-connection)将各组加权后特征分别对应的输出结果进行连接，以得到连接特征。
64.本实施例中，所述利用空间注意力机制对所述连接特征进行空间维度的加权操作，以得到加权后连接特征，可以包括将所述连接特征输入空间注意力模块，以对所述连接
特征分别进行平均池化和最大池化操作，得到相应的第二平均池化结果和第二最大池化结果；对所述第二平均池化结果和所述第二最大池化结果进行拼接，以得到拼接结果；利用激活函数对所述拼接结果进行激活得到空间注意力权重，并利用所述空间注意力权重对所述连接特征进行加权操作，以得到加权后连接特征。可以理解的是，由于风电机组不平衡特征在一段长度的特征数据中的出现具有不确定性，因此，将连接特征输入空间注意力模块，对连接特征分别进行平均池化和最大池化操作，得到平均池化结果和最大池化结果，也即通过池化操作压缩通道大小，便于后续学习空间特征。然后对平均池化结果和最大池化结果进行拼接，得到的拼接结果的通道数为2；通过激活函数对拼接结果进行激活，得到空间注意力权重，从而利用空间注意力权重对连接特征进行加权操作，得到加权后连接特征。所涉及的公式如下：
65.f
output
＝f
input
×
att
p
66.att
p
＝sigmoid(cat(avgpool(f
input
)，maxpool(f
input
)))；
67.其中，f
input
表示输入特征；f
output
表示输出特征，att
p
表示空间注意力权重；avgpool、maxpool分别表示平均池化和最大池化操作；cat表示拼接操作；sigmoid表示激活函数。
68.步骤s14、利用损失函数并基于对所述加权后连接特征的预测值计算分类损失，并利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作。
69.本实施例中，所述利用损失函数并基于对所述加权后连接特征的预测值计算分类损失，并利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作，可以包括利用全连接层对所述加权后连接特征进行全连接，以得到全连接特征；通过softmax层确定与所述全连接特征对应的检测标签以及相应的预测值，利用交叉熵损失函数对所述预测值和真实值进行计算，以得到分类损失；利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作。可以理解的是，先通过全连接层对加权后连接特征进行全连接操作，以得到全连接特征；然后通过softmax层确定与全连接特征对应的0，1标签，以及相应的预测值；利用交叉熵损失函数loss
bce
对预测值t(x)和真实值g(x)进行计算，得到分类损失，从而利用分类损失进行反向传播，完成对风电机组不平衡检测模型的训练操作。损失函数公式如下：
70.；
71.其中，loss
bce
表示交叉熵损失函数；t(x)表示预测值；g(x)表示真实值；x表示输入信号。
72.由此可见，本技术通过对训练数据进行特征提取，并采用通道注意力机制进行通道重要性学习，从而通过通道维度的加权操作对主导特征赋较高的权重；利用长短期记忆网络挖掘特征间的时域关联性，并引入跳跃连接能够在应对长短期记忆网络所带来的信息消融的同时降低噪声对长短期记忆网络输出结果的影响；然后通过空间注意力机制进行空间特征学习，从而通过空间维度的加权操作，充分提取主导特征，使得后续对加权后连接特征的预测结果更准确，有效解决设置阈值所带来的适应性差以及忽视时域变化的问题；最后通过计算分类损失对模型参数进行调整，可以得到更好地对风电机组不平衡情况进行检
测的模型，从而提高风电机组不平衡检测的准确率以及效率。
73.基于前一实施例可知，本技术描述了对风电机组不平衡检测模型的整体训练过程，接下来，本技术将对如何利用长短期记忆网络和跳跃连接对各组加权后特征进行时域关联性提取和连接操作进行详细阐述。参见图2所示，本发明实施例公开了一种时域关联性提取和跳跃连接的过程，包括：
74.步骤s21、将各组加权后特征分别输入各个长短期记忆网络，以对各组所述加权后特征分别进行时域关联性提取，得到相应的各输出结果。
75.本实施例中，长短期记忆网络的输入输出如图3所示，c
t-1
、c
t
分别为输入的神经元状态和输出的神经元状态，h
t-1
、h
t
分别为神经元隐层输入和神经元隐层输出，x
t-1
为输入特征，t表示时刻。长短期记忆网络内部通过sigmoid激活函数和tanh激活函数，神经元状态受输入特征和神经元隐层输入影响，并显著影响神经元之间的特征选通，实现特征在时域上的上下文关联度。具体的，将四组加权后特征分别输入四个长短期记忆网络，通过第一个长短期记忆网络对第一组加权后特征进行时域关联性提取，得到第一个输出结果，并将第一个输出结果输入第二个长短期记忆网络，再通过第二个长短期记忆网络对第二组加权后特征进行时域关联性提取，以前项的输出指导后项的特征挖掘，从而得到第二个输出结果；以此类推，可以得到与四个长短期记忆网络分别对应的四个输出结果。
76.步骤s22、根据预设跳跃连接规则将与前n个长短期记忆网络分别对应的输出结果进行连接，以得到连接结果；所述前n个长短期记忆网络为若干个所述长短期记忆网络中除最后一个长短期记忆网络外的其他长短期记忆网络。
77.步骤s23、利用卷积层对所述连接结果进行降维处理，得到降维后连接结果，并将与所述最后一个长短期记忆网络对应的输出结果以及所述降维后连接结果进行连接，以得到连接特征。
78.本实施例中，跳跃连接指的是通道级的堆叠，具体的，首先将与第一个长短期记忆网络、第二个长短期记忆网络、第三个长短期记忆网络分别对应的第一个输出结果、第二个输出结果、第三个输出结果进行连接，得到连接结果。通过一个卷积层将连接结果降维至四通道，得到降维后连接结果；然后将与最后一个长短期记忆网络，也即第四个长短期记忆网络对应的第四个输出结果与降维后连接结果进行连接，以得到最终的连接特征。
79.由此可见，本技术利用长短期记忆网络挖掘特征间的时域关联性，并引入跳跃连接能够在应对长短期记忆网络所带来的信息消融的同时降低噪声对长短期记忆网络输出结果的影响，在最后一个长短期记忆网络的输出结果融合浅层特征信息的同时，有效去除了浅层由于时域信息不充足导致的噪声，避免信息缺失。
80.参见图4所示，本发明实施例公开了一种风电机组不平衡检测模型训练方法，包括：
81.将一组包含四种输入信号的训练数据输入风电机组不平衡检测模型，并对输入信号组，也即训练数据在时域上进行四等分，得到四组时域数据。利用四个feature extract模块(特征提取模块)分别对四组时域数据进行特征提取，得到四组提取后特征。将四组提取后特征输入同一个channel-wise attention模块(通道注意力模块)，以对四组提取后特征分别进行通道维度的加权操作，得到四组加权后特征。
82.将四组加权后特征分别输入四个lstm模块(长短期记忆网络)，通过第一个lstm模
块对第一组加权后特征进行时域关联性提取，得到第一个输出结果，并将第一个输出结果输入第二个lstm模块，以前项的输出指导后项的特征挖掘，以对第二组加权后特征更好地进行时域关联性提取，得到第二个输出结果；以此类推，可以得到与四个lstm模块分别对应的四个输出结果。将前三个输出结果进行concatenation连接，得到连接结果，并通过一个卷积层对连接结果进行降维处理，得到降至四通道的降维后连接结果；然后将第四个输出结果与降维后连接结果进行concatenation连接，得到连接特征。
83.将连接特征输入fc层(fully connected layer，全连接层)，以进行全连接得到全连接特征，并将全连接特征输入softmax层，以确定全连接特征对应的0，1检测标签以及相应的预测值；利用classification中的loss function损失函数对预测值和真实值进行计算，得到分类损失，从而根据分类损失对模型参数进行调整，完成对风电机组不平衡检测模型的训练操作。
84.由此可见，本技术通过对训练数据进行特征提取，并采用通道注意力机制进行通道重要性学习，从而通过通道维度的加权操作对主导特征赋较高的权重；利用长短期记忆网络挖掘特征间的时域关联性，并引入跳跃连接能够在应对长短期记忆网络所带来的信息消融的同时降低噪声对长短期记忆网络输出结果的影响；然后通过空间注意力机制进行空间特征学习，从而通过空间维度的加权操作，充分提取主导特征，使得后续对加权后连接特征的预测结果更准确，有效解决设置阈值所带来的适应性差以及忽视时域变化的问题；最后通过计算分类损失对模型参数进行调整，可以得到更好地对风电机组不平衡情况进行检测的模型，从而提高风电机组不平衡检测的准确率以及效率。
85.参见图5所示，本发明实施例公开了一种风电机组不平衡检测模型训练装置，包括：
86.时域分组模块11，用于将训练数据输入风电机组不平衡检测模型，并对所述训练数据进行时域分组，以得到预设数量组时域数据；所述训练数据为预设时间段内采集的包含多种输入信号的一组数据；
87.通道注意力模块12，用于对各组所述时域数据分别进行特征提取，并利用通道注意力机制对各组提取后特征分别进行通道维度的加权操作，以得到相应的各组加权后特征；
88.空间注意力模块13，用于利用长短期记忆网络和跳跃连接对各组所述加权后特征进行时域关联性提取和连接操作以得到连接特征，并利用空间注意力机制对所述连接特征进行空间维度的加权操作，以得到加权后连接特征；
89.模型训练完成模块14，用于利用损失函数并基于对所述加权后连接特征的预测值计算分类损失，并利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作。
90.由此可见，本技术通过对训练数据进行特征提取，并采用通道注意力机制进行通道重要性学习，从而通过通道维度的加权操作对主导特征赋较高的权重；利用长短期记忆网络挖掘特征间的时域关联性，并引入跳跃连接能够在应对长短期记忆网络所带来的信息消融的同时降低噪声对长短期记忆网络输出结果的影响；然后通过空间注意力机制进行空间特征学习，从而通过空间维度的加权操作，充分提取主导特征，使得后续对加权后连接特征的预测结果更准确，有效解决设置阈值所带来的适应性差以及忽视时域变化的问题；最
后通过计算分类损失对模型参数进行调整，可以得到更好地对风电机组不平衡情况进行检测的模型，从而提高风电机组不平衡检测的准确率以及效率。
91.在一些具体实施例中，所述通道注意力模块12，具体可以包括：
92.特征提取单元，用于将各组所述时域数据分别输入各个特征提取模块，以对各组所述时域数据分别进行卷积、正则化和激活操作，得到相应的各组提取后特征。
93.在一些具体实施例中，所述通道注意力模块12，具体可以包括：
94.第一池化单元，用于将目标组提取后特征输入至一个通道注意力模块，并对所述目标组提取后特征分别进行平均池化和最大池化操作，以得到相应的第一平均池化结果和第一最大池化结果；所述目标组提取后特征为若干组所述提取后特征中的任意一组特征；
95.通道重要性学习单元，用于利用多层感知机并基于所述第一平均池化结果和所述第一最大池化结果进行通道重要性学习，以得到各通道重要性权重；
96.通道加权单元，用于利用各所述通道重要性权重分别对所述目标组提取后特征中的相应特征进行加权操作，以得到对应的目标组加权后特征。
97.在一些具体实施例中，所述空间注意力模块13，具体可以包括：
98.时域关联性提取单元，用于将各组所述加权后特征分别输入各个长短期记忆网络，以对各组所述加权后特征分别进行时域关联性提取，得到相应的各输出结果；
99.跳跃连接单元，用于根据预设跳跃连接规则将与前n个长短期记忆网络分别对应的输出结果进行连接，以得到连接结果；所述前n个长短期记忆网络为若干个所述长短期记忆网络中除最后一个长短期记忆网络外的其他长短期记忆网络；
100.降维连接单元，用于利用卷积层对所述连接结果进行降维处理，得到降维后连接结果，并将与所述最后一个长短期记忆网络对应的输出结果以及所述降维后连接结果进行连接，以得到连接特征。
101.在一些具体实施例中，所述空间注意力模块13，具体可以包括：
102.第二池化单元，用于将所述连接特征输入空间注意力模块，以对所述连接特征分别进行平均池化和最大池化操作，得到相应的第二平均池化结果和第二最大池化结果；
103.拼接单元，用于对所述第二平均池化结果和所述第二最大池化结果进行拼接，以得到拼接结果；
104.空间加权单元，用于利用激活函数对所述拼接结果进行激活得到空间注意力权重，并利用所述空间注意力权重对所述连接特征进行加权操作，以得到加权后连接特征。
105.在一些具体实施例中，所述模型训练完成模块14，具体可以包括：
106.全连接单元，用于利用全连接层对所述加权后连接特征进行全连接，以得到全连接特征；
107.分类损失计算单元，用于通过softmax层确定与所述全连接特征对应的检测标签以及相应的预测值，利用交叉熵损失函数对所述预测值和真实值进行计算，以得到分类损失；
108.模型参数调整单元，用于利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作。
109.进一步的，本技术实施例还公开了一种电子设备，图6是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本技术的使用范围的任何限制。
110.图6为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的风电机组不平衡检测模型训练方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
111.本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
112.另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
113.其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的风电机组不平衡检测模型训练方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
114.进一步的，本技术还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的风电机组不平衡检测模型训练方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
115.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
116.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
117.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
118.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者
设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
119.以上对本技术所提供的技术方案进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种风电机组不平衡检测模型训练方法，其特征在于，包括：将训练数据输入风电机组不平衡检测模型，并对所述训练数据进行时域分组，以得到预设数量组时域数据；所述训练数据为预设时间段内采集的包含多种输入信号的一组数据；对各组所述时域数据分别进行特征提取，并利用通道注意力机制对各组提取后特征分别进行通道维度的加权操作，以得到相应的各组加权后特征；利用长短期记忆网络和跳跃连接对各组所述加权后特征进行时域关联性提取和连接操作以得到连接特征，并利用空间注意力机制对所述连接特征进行空间维度的加权操作，以得到加权后连接特征；利用损失函数并基于对所述加权后连接特征的预测值计算分类损失，并利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作。2.根据权利要求1所述的风电机组不平衡检测模型训练方法，其特征在于，所述训练数据为在正常发电工况下预设时间段内采集的包含塔架频率对应的幅值、1p频率、6p频率以及发电机转速的一组数据。3.根据权利要求1所述的风电机组不平衡检测模型训练方法，其特征在于，所述对各组所述时域数据分别进行特征提取，包括：将各组所述时域数据分别输入各个特征提取模块，以对各组所述时域数据分别进行卷积、正则化和激活操作，得到相应的各组提取后特征。4.根据权利要求1所述的风电机组不平衡检测模型训练方法，其特征在于，所述利用通道注意力机制对各组提取后特征分别进行通道维度的加权操作，以得到相应的各组加权后特征，包括：将目标组提取后特征输入至一个通道注意力模块，并对所述目标组提取后特征分别进行平均池化和最大池化操作，以得到相应的第一平均池化结果和第一最大池化结果；所述目标组提取后特征为若干组所述提取后特征中的任意一组特征；利用多层感知机并基于所述第一平均池化结果和所述第一最大池化结果进行通道重要性学习，以得到各通道重要性权重；利用各所述通道重要性权重分别对所述目标组提取后特征中的相应特征进行加权操作，以得到对应的目标组加权后特征。5.根据权利要求1所述的风电机组不平衡检测模型训练方法，其特征在于，所述利用长短期记忆网络和跳跃连接对各组所述加权后特征进行时域关联性提取和连接操作以得到连接特征，包括：将各组所述加权后特征分别输入各个长短期记忆网络，以对各组所述加权后特征分别进行时域关联性提取，得到相应的各输出结果；根据预设跳跃连接规则将与前n个长短期记忆网络分别对应的输出结果进行连接，以得到连接结果；所述前n个长短期记忆网络为若干个所述长短期记忆网络中除最后一个长短期记忆网络外的其他长短期记忆网络；利用卷积层对所述连接结果进行降维处理，得到降维后连接结果，并将与所述最后一个长短期记忆网络对应的输出结果以及所述降维后连接结果进行连接，以得到连接特征。6.根据权利要求1所述的风电机组不平衡检测模型训练方法，其特征在于，所述利用空
间注意力机制对所述连接特征进行空间维度的加权操作，以得到加权后连接特征，包括：将所述连接特征输入空间注意力模块，以对所述连接特征分别进行平均池化和最大池化操作，得到相应的第二平均池化结果和第二最大池化结果；对所述第二平均池化结果和所述第二最大池化结果进行拼接，以得到拼接结果；利用激活函数对所述拼接结果进行激活得到空间注意力权重，并利用所述空间注意力权重对所述连接特征进行加权操作，以得到加权后连接特征。7.根据权利要求1至6任一项所述的风电机组不平衡检测模型训练方法，其特征在于，所述利用损失函数并基于对所述加权后连接特征的预测值计算分类损失，并利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作，包括：利用全连接层对所述加权后连接特征进行全连接，以得到全连接特征；通过softmax层确定与所述全连接特征对应的检测标签以及相应的预测值，利用交叉熵损失函数对所述预测值和真实值进行计算，以得到分类损失；利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作。8.一种风电机组不平衡检测模型训练装置，其特征在于，包括：时域分组模块，用于将训练数据输入风电机组不平衡检测模型，并对所述训练数据进行时域分组，以得到预设数量组时域数据；所述训练数据为预设时间段内采集的包含多种输入信号的一组数据；通道注意力模块，用于对各组所述时域数据分别进行特征提取，并利用通道注意力机制对各组提取后特征分别进行通道维度的加权操作，以得到相应的各组加权后特征；空间注意力模块，用于利用长短期记忆网络和跳跃连接对各组所述加权后特征进行时域关联性提取和连接操作以得到连接特征，并利用空间注意力机制对所述连接特征进行空间维度的加权操作，以得到加权后连接特征；模型训练完成模块，用于利用损失函数并基于对所述加权后连接特征的预测值计算分类损失，并利用所述分类损失对模型参数进行调整，以完成对所述风电机组不平衡检测模型的训练操作。9.一种电子设备，其特征在于，包括：存储器，用于保存计算机程序；处理器，用于执行所述计算机程序以实现如权利要求1至7任一项所述的风电机组不平衡检测模型训练方法。10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的风电机组不平衡检测模型训练方法。

技术总结
本申请公开了一种风电机组不平衡检测模型训练方法、装置、设备及介质，涉及风电技术领域，包括：对输入模型的训练数据进行时域分组得到多组时域数据；训练数据为预设时间段内采集的包含多种输入信号的一组数据；分别提取各组时域数据的特征，利用通道注意力机制对各组提取后特征进行通道维度的加权得到各组加权后特征；利用LSTM和跳跃连接对各组加权后特征进行时域关联性提取和连接得到连接特征，利用空间注意力机制对连接特征进行空间维度的加权得到加权后连接特征；利用损失函数并基于对加权后连接特征的预测值计算损失值以调整模型参数完成训练。本申请通过采用LSTM、跳跃连接和两个注意力机制，提高风电机组不平衡检测的准确性。的准确性。的准确性。


技术研发人员：王灵波 王瑞良 孙勇 聂方正
受保护的技术使用者：浙江运达风电股份有限公司
技术研发日：2023.06.13
技术公布日：2023/8/24