CN109444740A - 一种风电机组的故障状态智能监测与诊断方法 - Google Patents

Abstract

本发明公开了一种风电机组的故障状态智能监测与诊断方法，包括以下步骤：利用偏最小二乘法建立风电机组非线性模型；结合极限学习机、混沌映射和萤火虫算法构建故障预测模型；通过深度信念学习结合极限学习机建立DBN‑ELM故障诊断模型；通过计算非线性数学模型与预测模型之间的残差对机组进行状态监测，判断风电机组是否发生故障，启动故障诊断模型对故障进行诊断和定位。本发明首先利用偏最小二乘法建立风电机组非线性模型，然后结合极限学习机、混沌映射和萤火虫算法构建故障预测模型，通过二者结合进行故障监测；一旦监测模型发生报警，启动DBN‑ELM模型对故障进行诊断和定位，降低了故障监测的复杂度，提高了故障的诊断正确率。

Description

一种风电机组的故障状态智能监测与诊断方法

技术领域

本发明涉及风电领域，特别涉及一种风电机组的故障状态智能监测与诊断方法。

背景技术

风能是一种取之不尽用之不竭的绿色能源，据全球风能理事会(GWEC)发布的数据显示，2017年全球风电新增装机容量约52.57吉瓦(GW)，累计装机容量达到539.58GW。而我国去年风电新增装机容量达19.5GW，占全球风电新增装机容量的37.1％。但是风力发电***往往安装在偏僻的、难以接近的或者气候不适合人类长期逗留的地域，长期以来，一直采用计划维修和事后维修的方式。计划维修在运行2500h或者5000h后进行例行维护，无法全面及时地了解设备状况；事后维修则更是维修工作旷日持久，损失重大。研究显示，利用有效的设备监测和故障诊断手段，能对风电机组运行中的各个参数进行连续监测，实时获取反映风电机组运行状态的各种信息，在对各种信息进行分析处理后，给出设备运行的状况报告和诊断结果，并根据诊断结果安排合适的检修计划，从而可减少约75％的设备事故率，降低25％～50％的维修费用，获利投资比高达17:1，在大大提高风机的安全性的同时，可有效降低风力发电的成本。

发明内容

为了解决上述技术问题，本发明提供一种算法简单、诊断精度高的风电机组的故障状态智能监测与诊断方法。

本发明解决上述技术问题的技术方案是：一种风电机组的故障状态智能监测与诊断方法，包括以下步骤：

步骤一：利用偏最小二乘法建立风电机组非线性模型；

步骤二：结合极限学习机、混沌映射和萤火虫算法构建故障预测模型；

步骤三：通过深度信念学习结合极限学习机建立故障诊断模型；

步骤四：通过计算非线性数学模型与预测模型之间的残差对机组进行状态监测，当残差超过容差范围，判断风电机组发生故障，***启动故障诊断模型对故障进行诊断和定位。

上述风电机组的故障状态智能监测与诊断方法，所述步骤一具体步骤为：

1-1)采集风电机组输出功率、轮毂转速、叶片变桨角度、变桨电机电流、发电机电流、发电机转矩、发电机定子温度、主轴承温度正常的特征数据作为历史数据,记为x₁,x₂,…,x_q,y；其中x_q表示第q个特征参数，x₁,x₂,…,x_q组成自变量矩阵x，y表示风力发电机的输出功率，作为因变量；

1-2)将自变量矩阵x与因变量y进行标准化处理，得到标准化变量矩阵E₀和标准化列向量f₀，具体公式为：

其中n为矩阵E₀的行数，为矩阵E₀的第i行第j列数据误差，x_ij为矩阵E₀的第i行第j列数据；为矩阵E₀的第j列数据平均值；y^*为矩阵f₀的数据误差，为矩阵f₀的第i个数据误差，y_i为矩阵f₀的第i个数据，为矩阵f₀数据的平均值，

1-3)从E₀提取第一个成分t₁:

其中w₁为中间变量；

进行E₀和f₀在t₁上的回归:

f₀＝t₁r₁+f₁；

E₁和f₁为第一个成分回归的残差矩阵和向量，p₁和r₁为在t₁上的回归变量；

1-4)对E₁和f₁继续提取第二个成分t₂，进行在t₂上的回归:

t₂＝E₁w₂，f₁＝t₂r₂+f₂，

其中，w₂为中间变量，E₂和f₂为第二个成分回归的残差矩阵和向量，p₂、r₂为在t₂上的回归变量；

1-5)继续对E₂和f₂进行上述成分提取，至m步，设得到m个成分t₁,t₂,…,t_m实施f₀对t₁,t₂,…,t_m的回归:

是标准化列向量f₀的成分提取向量；

为了方便，将上式改写成如下形式：

其中：

w_k为第k+1次成分提取的中间变量，为中间变量，为的第ξ个分量，p_ζ为在t_ξ上的回归变量，表示中间变量，I是单位向量。

上述风电机组的故障状态智能监测与诊断方法，所述步骤二具体步骤为：

2-1)在本发明初始化萤火虫算法的参数，设置数量Ω，随机参数α，初始化吸引力β_o，光吸收系数γ，应用1-1)中选取的特征数据x₁,x₂,…,x_q作为极限学习机的输入；

2-2)在隐含层中设置极限学习机神经元数并在隐含层神经元中设置搜索间隔，构造ELM网络拓扑；

2-3)根据优化目标，连接输入层和隐含层之间的权值矩阵ω，确定萤火虫SizePop的大小：

SizePop＝l×n_κ+l

n_κ是输入层中神经元的个数，l表示隐含层神经元个数；

2-4)应用萤火虫算法更新萤火虫位置：

x_d(t)表示第d只萤火虫在t时刻的位置，x_d(t+1)表示第d只萤火虫在t+1时刻的位置，表示第只萤火虫在t时刻的位置，β表示吸引度，rand表示[0,1]的随机数；

2-5)计算第d只萤火虫的亮度I_d：

这里e表示自然指数，表示第d只萤火虫和第只萤火虫的距离；

2-6)应用Logistic映射对步骤2-4)中的第d只萤火虫的位置x_d进行混沌迭代；这里表示x_d经过N次迭代后的位置，表示x_d经过N+1次迭代后的位置，μ是一个常数；

2-7)代入极限学习机生成输入层与隐含层之间的连接权矩阵，应用公式计算权矩阵B，其中，Y表示极限学习机输出量，是输出矩阵H的Moore-Penrose广义逆；

2-8)根据ω，b和B求取输出训练样本的预测值其中ω为输入层和隐含层之间的权值矩阵，b为隐层单元的偏置值；

2-9)计算预测值和真实值之间的均方误差RESM：

其中u是输出训练样本的个数，ν表示输出训练样本的序号，是第ν个输出训练样本的预测值，F_ν是第ν个输出训练样本的实际值，ν＝1,2…u；

2-10)如果迭代次数小于迭代最大次数，返回到步骤2-3)继续进行迭代，同时更新隐含层神经元个数为l＝l+1，否则退出萤火虫算法并获得优化后的极限学习机权值ω_best和偏置值b_best；

2-11)通过公式计算B_best，b_ε为第ε个隐层单元的偏置值，应用ω_best、b_best和B_best构建预测模型，其中g(·)为激活函数，为输出矩阵第列对第ε个隐层单元的输出向量，表示连接输入层和隐含层之间的权值矩阵中的第列，为第个输入量。

上述风电机组的故障状态智能监测与诊断方法，所述步骤三具体步骤为：

3-1)选取1-1)中的特征数据x₁,x₂,…,x_q作为样本数据，记为x；

3-2)对样本数据进行标准化处理后分为训练集和测试集；

3-3)对风电机组状态进行编码；

3-4)初始化可见层单元的初始状态v₀＝x，初始化为服从高斯分布的随机较小数值，设定各层RBM最大训练迭代次数；分别为可见单元与隐单元之间的连接权重，可见单元偏置和隐单元偏置；

3-5)对所有隐单元计算P(·)表示概率符号，从条件分布中抽取h₀～P(h₀|v₀)，表示在v₀条件下的概率，表示在v₀条件下的概率，h₀～P(h₀|v₀)表示h₀服从P(h₀|v₀)的v₀条件下h₀的概率分布，σ(·)为sigmoid函数；

3-6)对所有可见单元，计算从条件分布中抽取v₁～P(v₁|h₀)；这里表示在h₀条件下的概率为 表示在h₀条件下v_1i的概率，v₁～P(v₁|h₀)表示v₁服从P(v₁|h₀)的h₀条件下v₁的概率分布；

3-7)对所有隐单元计算这里表示在v₀条件下的概率为

3-8)按照下面的公式更新参数：

这里利用新的可见单元与隐单元之间的连接权重取代原有的连接权重W；

(2)

这里利用新的可见单元偏置取代原有的可见单元偏置

(3)

这里利用新的隐单元偏置取代原有的隐单元偏置

3-9)将DBN网络的隐层1之后的网络去除，以极限学习机作为输出层，这样第1个隐层到第2隐层以及第2个隐层到输出层的权重和偏置则是由ELM算法确定，则该网络表示为：

式中：为输入层到第2个隐层的权重，为输入层到第1个隐层的第个偏置向量，为第1个隐层到第2隐层的第个输出权重，v₁为步骤3-6)的输出数组，为激活函数；为隐层1节点的个数；

对于深度信念网DBN，目标是最小化输出的误差，表示为

式中：为第期望输出。

3-10)保存上述训练好的网络，当风电机组出现故障时可立刻进行故障诊断和定位。

本发明的有益效果在于：本发明首先利用偏最小二乘法建立风电机组非线性模型，然后结合极限学习机、混沌映射和萤火虫算法构建故障预测模型，通过二者结合进行故障监测；一旦监测模型发生报警，***启动DBN-ELM模型对故障进行诊断和定位，这样可降低故障监测的复杂度，提高显著故障的诊断正确率。

附图说明

图1为本发明的整体流程图。

图2为本发明的故障监测框图。

图3为本发明建立故障预测模型的流程图。

图4为本发明的故障检测过程图。

图5为本发明的故障诊断的流程框图。

图6为本发明的DBN-ELM网络结构图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

如图1所示，一种风电机组的故障状态智能监测与诊断方法，包括以下步骤：

步骤一：利用偏最小二乘法建立风电机组非线性模型。具体步骤为：

1-1)采集风电机组输出功率、轮毂转速、叶片变桨角度、变桨电机电流、发电机电流、发电机转矩、发电机定子温度、主轴承温度等正常的特征数据作为历史数据,记为x₁,x₂,…,x_q,y；其中x_q表示第q个特征参数，x₁,x₂,…,x_q组成自变量矩阵x，y表示风力发电机的输出功率，作为因变量；

1-2)由于不同数据的量纲不同，因此将自变量矩阵x与因变量y进行标准化处理，得到标准化变量矩阵E₀和标准化列向量f₀，具体公式为：

其中n为矩阵E₀的行数，为矩阵E₀的第i行第j列数据误差，x_ij为矩阵E₀的第i行第j列数据；为矩阵E₀的第j列数据平均值；y^*为矩阵f₀的数据误差，为矩阵f₀的第i个数据误差，y_i为矩阵f₀的第i个数据，为矩阵f₀数据的平均值，

1-3)从E₀提取第一个成分t₁:

t₁＝E₀w₁，

其中w₁为中间变量；

进行E₀和f₀在t₁上的回归:

f₀＝t₁r₁+f₁；

E₁和f₁为第一个成分回归的残差矩阵和向量，p₁和r₁为在t₁上的回归变量；

1-4)对E₁和f₁继续提取第二个成分t₂，进行在t₂上的回归:

t₂＝E₁w₂，f₁＝t₂r₂+f₂，

其中，w₂为中间变量，E₂和f₂为第二个成分回归的残差矩阵和向量，p₂、r₂为在t₂上的回归变量；

1-5)继续对E₂和f₂进行上述成分提取，至m步，设得到m个成分t₁,t₂,…,t_m实施f₀对t₁,t₂,…,t_m的回归:

是标准化列向量f₀的成分提取向量；

为了方便，将上式改写成如下形式：

其中：

w_k为第k+1次成分提取的中间变量，为中间变量，为的第ξ个分量，p_ζ为在t_ξ上的回归变量，表示中间变量，I是单位向量。

采集风电机组轮毂转速、叶片变桨角度、变桨电机电流、发电机电流、发电机转矩、发电机定子温度、主轴承温度等正常的特征数据作为历史数据；把风力发电机的实际输出功率数据y作为因变量，应用偏最小二乘法拟合风电机组正常工作下的非线性方程。

其中：C冗余常数。

步骤二：结合极限学习机、混沌映射和萤火虫算法构建故障预测模型。具体步骤为：

2-1)在本发明初始化萤火虫算法的参数，设置数量m，随机参数α，初始化吸引力β_o，光吸收系数γ，应用1-1)中选取的特征数据x₁,x₂,…,x_q作为极限学习机的输入；

2-2)在隐含层中设置极限学习机(ELM)神经元数并在隐含层神经元中设置搜索间隔，构造ELM网络拓扑；

2-3)根据优化目标，连接输入层和隐含层之间的权值矩阵ω，确定萤火虫SizePop的大小：

SizePop＝l×n_κ+l

n_κ是输入层中神经元的个数，l表示隐含层神经元个数；

2-4)应用萤火虫算法更新萤火虫位置：

x_d(t)表示第d只萤火虫在t时刻的位置，x_d(t+1)表示第d只萤火虫在t+1时刻的位置，表示第只萤火虫在t时刻的位置，β表示吸引度，rand表示[0,1]的随机数；

2-5)计算第d只萤火虫的亮度I_d：

这里e表示自然指数，表示第d只萤火虫和第只萤火虫的距离；

2-6)应用Logistic映射对步骤2-4)中的第d只萤火虫的位置x_d进行混沌迭代；这里表示x_d经过N次迭代后的位置，表示x_d经过N+1次迭代后的位置，μ是一个常数；

2-7)代入极限学习机生成输入层与隐含层之间的连接权矩阵，应用公式计算权矩阵B，其中，Y表示极限学习机输出量，是输出矩阵H的Moore-Penrose广义逆；

2-8)根据ω，b和B求取输出训练样本的预测值其中ω为输入层和隐含层之间的权值矩阵，b为隐层单元的偏置值；

2-9)计算预测值和真实值之间的均方误差RESM：

其中u是输出训练样本的个数，ν表示输出训练样本的序号，是第ν个输出训练样本的预测值，F_ν是第ν个输出训练样本的实际值，ν＝1,2…u；

2-10)如果迭代次数小于迭代最大次数，返回到步骤2-3)继续进行迭代，同时更新隐含层神经元个数为l＝l+1，否则退出萤火虫算法并获得优化后的极限学习机权值ω_best和偏置值b_best；

2-11)通过公式计算B_best，b_ε为第ε个隐层单元的偏置值，应用ω_best、b_best和B_best构建预测模型，其中g(·)为激活函数，为输出矩阵第列对第ε个隐层单元的输出向量，表示连接输入层和隐含层之间的权值矩阵中的第列，为第个输入量。

步骤三：通过深度信念学习结合极限学习机建立故障诊断模型。具体步骤为：

3-1)选取1-1)中的特征数据x₁,x₂,…,x_q作为样本数据，记为x；

3-2)对样本数据进行标准化处理后分为训练集和测试集；

3-3)对风电机组状态进行编码；

3-4)初始化可见层单元的初始状态v₀＝x，初始化为服从高斯分布的随机较小数值，设定各层RBM最大训练迭代次数；分别为可见单元与隐单元之间的连接权重，可见单元偏置和隐单元偏置；

3-5)对所有隐单元计算P(·)表示概率符号，从条件分布中抽取h₀～P(h₀|v₀)，表示在v₀条件下的概率，表示在v₀条件下的概率，h₀～P(h₀|v₀)表示h₀服从P(h₀|v₀)的v₀条件下h₀的概率分布，σ(·)为sigmoid函数；

3-6)对所有可见单元，计算从条件分布中抽取v₁～P(v₁|h₀)；这里表示在h₀条件下的概率为 表示在h₀条件下的概率，v₁～P(v₁|h₀)表示v₁服从P(v₁|h₀)的h₀条件下v₁的概率分布；

3-7)对所有隐单元计算这里表示在v₀条件下的概率为

3-8)按照下面的公式更新参数：

这里利用新的可见单元与隐单元之间的连接权重取代原有的连接权重W；

这里利用新的可见单元偏置取代原有的可见单元偏置

这里利用新的隐单元偏置取代原有的隐单元偏置

3-9)将DBN网络的隐层1之后的网络去除，以极限学习机作为输出层，这样第1个隐层到第2隐层以及第2个隐层到输出层的权重和偏置则是由ELM算法确定，则该网络表示为：

式中：为输入层到第2个隐层的权重，为输入层到第1个隐层的第个偏置向量，为第1个隐层到第2隐层的第个输出权重，v₁为步骤3-6)的输出数组，为激活函数；为隐层1节点的个数；

对于深度信念网DBN，目标是最小化输出的误差，表示为

式中：为第期望输出。

3-10)保存上述训练好的网络，当风电机组出现故障时可立刻进行故障诊断和定位。

DBN-ELM网络结构图如图6所示，将ELM运用到DBN模型的训练中，使得该网络兼有两种模型的优点，在故障诊断过程中一方面ELM-DBN网络识别风电机组本征属性能力更强，诊断精度更高，学习速度更快且泛化性能更好；另一方面DBN-ELM网络等同于一种降维方法，可减少网络层数和每层节点数设置，能够提高***运算速度。

步骤四：通过计算非线性数学模型与预测模型之间的残差对机组进行状态监测，当残差超过容差范围，判断风电机组发生故障，***启动故障诊断模型对故障进行诊断和定位。图4展示了本发明的故障检测过程，首先根据正常数据应用最小偏二乘法拟合非线性数学模型，然后根据萤火虫-混沌-极限学习机算法建立预测模型，数据x进行两路传输，一路进入非线性数学模型y＝f(x₁,x₂,...,x_q)，另一路进入萤火虫-混沌-极限学习机算法预测模型，在这个模型中表示在(1,η)时间段内的输入正常数据，经过对模型的训练得到正式预测模型，它的预测输出为然后，计算非线性数学模型与预测模型之间的残差当发生故障时，残差值超过容差范围。启动DBN-ELM故障诊断模型，因此故障很快就能检测出来。

Claims (4)

1.一种风电机组的故障状态智能监测与诊断方法，包括以下步骤：

步骤一：利用偏最小二乘法建立风电机组非线性模型；

步骤二：结合极限学习机、混沌映射和萤火虫算法构建故障预测模型；

步骤三：通过深度信念学习结合极限学习机建立故障诊断模型；

步骤四：通过计算非线性数学模型与预测模型之间的残差对机组进行状态监测，当残差超过容差范围，判断风电机组发生故障，***启动故障诊断模型对故障进行诊断和定位。

2.根据权利要求1所述的风电机组的故障状态智能监测与诊断方法，其特征在于，所述步骤一具体步骤为：

1-1)采集风电机组输出功率、轮毂转速、叶片变桨角度、变桨电机电流、发电机电流、发电机转矩、发电机定子温度、主轴承温度正常的特征数据作为历史数据,记为x₁,x₂,…,x_q,y；其中x_q表示第q个特征参数，x₁,x₂,…,x_q组成自变量矩阵x，y表示风力发电机的输出功率，作为因变量；

1-2)将自变量矩阵x与因变量y进行标准化处理，得到标准化变量矩阵E₀和标准化列向量f₀，具体公式为：

f₀＝(y^*)_n×1

其中n为矩阵E₀的行数，为矩阵E₀的第i行第j列数据误差，x_ij为矩阵E₀的第i行第j列数据；为矩阵E₀的第j列数据平均值；y^*为矩阵f₀的数据误差，为矩阵f₀的第i个数据误差，y_i为矩阵f₀的第i个数据，为矩阵f₀数据的平均值，

1-3)从E₀提取第一个成分t₁:

t₁＝E₀w₁，

其中w₁为中间变量；

进行E₀和f₀在t₁上的回归:

f₀＝t₁r₁+f₁；

E₁和f₁为第一个成分回归的残差矩阵和向量，p₁和r₁为在t₁上的回归变量；

1-4)对E₁和f₁继续提取第二个成分t₂，进行在t₂上的回归:

t₂＝E₁w₂，f₁＝t₂r₂+f₂，

其中，w₂为中间变量，E₂和f₂为第二个成分回归的残差矩阵和向量，p₂、r₂为在t₂上的回归变量；

1-5)继续对E₂和f₂进行上述成分提取，至m步，设得到m个成分t₁,t₂,…,t_m实施f₀对t₁,t₂,…,t_m的回归:

是标准化列向量f₀的成分提取向量；

为了方便，将上式改写成如下形式：

其中：

w_k为第k+1次成分提取的中间变量，为中间变量，为的第ξ个分量，p_ζ为在t_ξ上的回归变量，表示中间变量，I是单位向量。

3.根据权利要求2所述的风电机组的故障状态智能监测与诊断方法，其特征在于，所述步骤二具体步骤为：

2-1)初始化萤火虫算法的参数，设置数量Ω，随机参数α，初始化吸引力β_o，光吸收系数γ，应用1-1)中选取的特征数据x₁,x₂,…,x_q作为极限学习机的输入；

2-2)在隐含层中设置极限学习机神经元数并在隐含层神经元中设置搜索间隔，构造ELM网络拓扑；

2-3)根据优化目标，连接输入层和隐含层之间的权值矩阵ω，确定萤火虫SizePop的大小：

SizePop＝l×n_κ+l

n_κ是输入层中神经元的个数，l表示隐含层神经元个数；

2-4)应用萤火虫算法更新萤火虫位置：

x_d(t)表示第d只萤火虫在t时刻的位置，x_d(t+1)表示第d只萤火虫在t+1时刻的位置，表示第只萤火虫在t时刻的位置，β表示吸引度，rand表示[0,1]的随机数；

2-5)计算第d只萤火虫的亮度I_d：

这里e表示自然指数，表示第d只萤火虫和第只萤火虫的距离；

2-6)应用Logistic映射对步骤2-4)中的第d只萤火虫的位置x_d进行混沌迭代；这里表示x_d经过N次迭代后的位置，表示x_d经过N+1次迭代后的位置，μ是一个常数；

2-7)代入极限学习机生成输入层与隐含层之间的连接权矩阵，应用公式计算权矩阵B，其中，Y表示极限学习机输出量，是输出矩阵H的Moore-Penrose广义逆；

2-8)根据ω，b和B求取输出训练样本的预测值其中ω为输入层和隐含层之间的权值矩阵，b为隐层单元的偏置值；

2-9)计算预测值和真实值之间的均方误差RESM：

其中u是输出训练样本的个数，ν表示输出训练样本的序号，是第ν个输出训练样本的预测值，F_ν是第ν个输出训练样本的实际值，ν＝1,2…u；

2-10)如果迭代次数小于迭代最大次数，返回到步骤2-3)继续进行迭代，同时更新隐含层神经元个数为l＝l+1，否则退出萤火虫算法并获得优化后的极限学习机权值ω_best和偏置值b_best；

2-11)通过公式计算B_best，b_ε为第ε个隐层单元的偏置值，应用ω_best、b_best和B_best构建预测模型，其中g(·)为激活函数，为输出矩阵第列对第ε个隐层单元的输出向量，表示连接输入层和隐含层之间的权值矩阵中的第列，为第个输入量。

4.根据权利要求3所述的风电机组的故障状态智能监测与诊断方法，其特征在于：所述步骤三具体步骤为：

3-1)选取1-1)中的特征数据x₁,x₂,…,x_q作为样本数据，记为x；

3-2)对样本数据进行标准化处理后分为训练集和测试集；

3-3)对风电机组状态进行编码；

3-4)初始化可见层单元的初始状态v₀＝x，初始化W,为服从高斯分布的随机较小数值，设定各层RBM最大训练迭代次数；W,分别为可见单元与隐单元之间的连接权重，可见单元偏置和隐单元偏置；

3-5)对所有隐单元计算P(·)表示概率符号，从条件分布中抽取h₀～P(h₀|v₀)，表示在v₀条件下的概率，表示在v₀条件下的概率，h₀～P(h₀|v₀)表示h₀服从P(h₀|v₀)的v₀条件下h₀的概率分布，σ(·)为sigmoid函数；

3-6)对所有可见单元，计算从条件分布中抽取v₁～P(v₁|h₀)；这里表示在h₀条件下的概率为 表示在h₀条件下的概率，v₁～P(v₁|h₀)表示v₁服从P(v₁|h₀)的h₀条件下v₁的概率分布；

3-7)对所有隐单元计算这里表示在v₀条件下的概率为

3-8)按照下面的公式更新参数：

(1)

这里利用新的可见单元与隐单元之间的连接权重取代原有的连接权重W；

(2)

这里利用新的可见单元偏置取代原有的可见单元偏置

(3)

这里利用新的隐单元偏置取代原有的隐单元偏置

3-9)将DBN网络的隐层1之后的网络去除，以极限学习机作为输出层，这样第1个隐层到第2隐层以及第2个隐层到输出层的权重和偏置则是由ELM算法确定，则该网络表示为：

式中：为输入层到第2个隐层的权重，为输入层到第1个隐层的第个偏置向量，为第1个隐层到第2隐层的第个输出权重，v₁为步骤3-6)的输出数组，为激活函数；为隐层1节点的个数；

对于深度信念网DBN，目标是最小化输出的误差，表示为式中：为第期望输出。

3-10)保存上述训练好的网络，当风电机组出现故障时可立刻进行故障诊断和定位。