(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211010202.5 (22)申请日 2022.08.23 (71)申请人 中国华能集团清洁能源技 术研究院 有限公司 地址 102209 北京市昌平区北七家镇未来 科技城南区华能人才创新创业基地实 验楼A楼 申请人 华能国际电力江苏能源开发有限公 司清洁能源分公司 　 华能如东八仙角海上风力发电有限 责任公司 　 华能国际电力江苏能源开发有限公 司　 上海擎测机电工程 技术有限公司 (72)发明人 杨立华　赵鹏程　万抒策　姚中原　 任鑫　王华　唐建辉　戴乐　张宇　宋慧慧　高荣进　胡皓　陈磊　 冷阳　钱韫辉　 (74)专利代理 机构 上海中外企专利代理事务所 (特殊普通 合伙) 31387 专利代理师 牛怡 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/11(2006.01) G06F 17/16(2006.01) G06N 20/00(2019.01) G08B 21/18(2006.01) G06F 111/08(2020.01) G06F 113/06(2020.01) G06F 113/16(2020.01) G06F 119/08(2020.01) (54)发明名称 一种海上风电电缆温度趋势预警方法与系 统 (57)摘要 本发明公开了一种海上风电电缆温度趋势 预警方法与系统， 方法包含： 采集工况下海上风 电场电缆的历史温度数据及相对应的工况数据， 并对历史温度数据与工况数据进行预处理得到 预处理数据； 基于极限学习机建立电缆温度多步 预测模型， 并使用预处理数据对电缆温度多步预 测模型进行训练验证； 采集海上风电场电缆的实 时温度数据及相对应的工况数据， 并输入至电缆 温度多步预测模型中进行电缆温度实时状态趋 势预测， 得到电缆温度实时状态趋势数据； 将电 缆温度实时状态趋势数据与当前工况下的电缆 温度动态 安全趋势阈值区间进行对比； 若电缆温 度实时状态趋势数据在电缆温度动态安全趋势 阈值区间内， 则执行上一个步骤； 否则， 则进行报 警。 权利要求书5页 说明书13页 附图2页 CN 115470697 A 2022.12.13 CN 115470697 A 1.一种海上风电 电缆温度趋势预警方法， 其特 征在于， 包 含以下步骤： 步骤1： 采集工况下海上风电场电缆的历史温度 数据及相对应的工况数据， 并对所述历 史温度数据与所述工况 数据进行 预处理得到预处 理数据； 步骤2： 基于极限学习机建立电缆温度多步预测模型， 并使用所述预处理数据对所述电 缆温度多步预测模型进行训练验证； 步骤3： 采集海上风电场电缆的实时温度 数据及相对应的工况数据， 并输入至所述电缆 温度多步预测模型中进行电缆温度实时状态趋势预测， 得到电缆温度实时状态趋势数据； 步骤4： 将所述电缆温度实时状态趋势数据与当前工况下的 电缆温度动态安全趋势阈 值区间进行对比； 若所述电缆温度实时状态趋势数据在所述电缆温度动态安全趋势阈值 区间内， 则执行 步骤3； 若所述电缆温度实时状态趋势数据不在所述电缆温度动态安全趋势阈值 区间内， 则进 行报警。 2.如权利要求1所述的一种海上风电电缆温度趋势预警方法， 其特征在于， 步骤1中对 所述工况 数据、 所述历史温度数据进行 预处理得到所述预处 理数据的过程如下： 进行数据清洗、 标记、 存 储。 3.如权利要求2所述的一种海上风电电缆温度趋势预警方法， 其特征在于， 步骤2中基 于极限学习机建立电缆实时温度多步预测模型的方法如下： 步骤21： 利用极限学习机的状态多步预测结构建立多步预测模型； 步骤22： 将所述历史温度数据输入所述极限学习机的输入层， 并确定隐含层的权值矩 阵和偏置分配随机数值计算输出隐含层输出矩阵， 通过求解 非一致方程得到唯一最小二乘 最小范数解， 从而训练得到所述历史温度数据的m个预测结果； 步骤23： 根据m个所述预测值以最小二乘法对当前预测与前一次预测的预测结果进行 线性拟合， 采用单调函数直线y＝at+b得到电缆温度的实时状态趋势变化数据； 其中， a为拟合函数的斜率， 代表了数据的趋势， 若a>0， 则数据呈现上升趋势， 若a<0， 则 数据呈现下降趋势； 步骤24： 获取电缆的历史运行数据验证所述多步预测模型的准确性， 从而得到所述电 缆温度多步预测模型。 4.如权利要求3所述的一种海上风电电缆温度趋势预警方法， 其特征在于， 步骤22中将 所述历史温度数据输入所述极限学习机的输入层， 并确定隐含层的权值矩阵和偏置 分配随 机数值计算输出隐含层输出矩阵， 通过求解非一致方程得到唯一最小二乘最小范数解， 从 而训练得到所述历史温度数据的m个预测结果的具体方法如下： 假定有N个温度数据样 本记为(Xj， Yj)， 其中， Xj为历史序列， Xj＝[xj1,xj2,...,xjn]， Yj为 多步预测序列， Yj＝[yj1,yj2,...,yjm]∈RN×m， j＝1,2,...,N， 预测周期为T， 每个所述温度数 据样本的输入层有n维， 隐藏层有L维， 输出层有m维， 如式1 ‑1所示， 一个单隐含层神经网络 的输出表示 为： 权　利　要　求　书 1/5 页 2 CN 115470697 A 2其中， y0为， g为激活函数， Wi＝[w1h,w2h,...,wnh]为输入权重， βho＝[β1, β2,..., βL]T∈RL ×m为输出权 重,bh＝[b1,b2,...,bL]第h个隐藏层单 元的偏置； 将式(1‑1)写为矩阵形式后如(1 ‑2)所示： Hβho＝Yj  (1‑2)； 其中H为隐藏层的输出矩阵： 输出矩阵： 输出权重矩阵： 当输入权值Wi和隐藏层偏置bh被随机确定为 和 则隐藏层的输出矩阵H也被确定为 当H和Yj已经确定， 则输出权 重βho则可由式(1 ‑6)求得： 其中 为矩阵H的Mo ore‑Penrose广义逆矩阵； 由于H∈RN×L， 而样本数N> >L， 故 可由式(1 ‑7)求得： 其中， U∈RN×N和V∈RL×L是相互正交的矩阵， D∈RN×L矩阵是主对角线为奇异值的对角矩 阵， 而 则是对角矩阵D非零元 素取倒数再转置； 其中D,U,V可由H矩阵按式(1 ‑8)奇异值分解得到： H＝UDVT  (1‑8)； 其中U由左奇异向量μi组成， V则是由右奇异向量vi组成， D则是主对角线为奇异值σi组 成的对角矩阵； 其中 μi， vi， σi分别由式(1 ‑9)、 式(1‑10)、 式(1 ‑11)求出； (HTH)vi＝ λivi  (1‑9)； 权　利　要　求　书 2/5 页 3 CN 115470697 A 3