本发明涉及人工智能领域，特别涉及一种风电机组运行状态辨识方法及相关装置。
背景技术：
1、风力发电在机组的大型化过程中，更加优越的机组性能也带了更大的安全挑战，在市场度电成本不断降低的双重压力下，大型化机组的安全性挑战也愈发严苛。
2、在现行技术路线下，在设计端，现有的仿真计算工作更关注于机组端到端的载荷输出，对无法直接体现在载荷中的特征状态、特征量缺乏分析工作及手段，在机组大型化愈演愈热的当下，仿真模型和机组实际物理状态的差异也愈发明显。因此，如何准确评估机组运行状态成为了本领域人员亟待解决的技术问题。
技术实现思路
1、鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种风电机组运行状态辨识方法及相关装置。
2、第一方面，一种风电机组运行状态辨识方法，包括：
3、按照时间周期的顺序，将风电机组在各时间周期各类型时域运行数据转化为对应的频域数据组，其中，一个类型的时域运行数据涉及多个时间周期，一个类型的一个时间周期的时域运行数据对应一个频域数据组，所述类型包括：发电机高速轴转速和机舱左右振动加速度；
4、针对任一个类型，按照时间周期的顺序，将所述类型的各时间周期对应的频域数据组排列组合，得到对应的频域数据矩阵，其中，一个频域数据组作为所述频域数据矩阵的一个行向量；
5、将各所述类型对应的频域数据矩阵输入至预先训练好的attachnet神经网络，得到所述attachnet神经网络输出的机组运行状态识别结果，其中，不同类型对应的频域数据矩阵输入至所述attachnet神经网络的不同附加分支。
6、可选的，在某些可选的实施方式中，所述按照时间周期的顺序，将风电机组在各时间周期各类型时域运行数据转化为对应的频域数据组，包括：
7、针对任一类型的时域运行数据，按照时间周期的顺序，将不同时间周期的时域运行数据从时域转化到频域，以行向量的形式采样得到对应的频域数据组，其中，所述频域数据组的频域取值范围为0至5赫兹，所述频域数据组的分辨率为0.04赫兹。
8、可选的，在某些可选的实施方式中，所述针对任一个类型，按照时间周期的顺序，将所述类型的各时间周期对应的频域数据组排列组合，得到对应的频域数据矩阵，包括：
9、针对任一个类型，按照时间周期的先后顺序，将所述类型的各时间周期对应的频域数据组从上到下进行排列，得到对应的频域数据矩阵，其中，时间周期最早的频域数据组作为频域数据矩阵的第一个行向量，时间周期最晚的频域数据组作为频域数据矩阵的最后一个行向量。
10、可选的，在某些可选的实施方式中，所述将各所述类型对应的频域数据矩阵输入至预先训练好的attachnet神经网络，得到所述attachnet神经网络输出的机组运行状态识别结果，包括：
11、将各所述类型对应的频域数据矩阵输入至attachnet神经网络对应的附加分支，以获得各所述附加分支基于相应频域数据矩阵提取的1024通道特征，其中，不同附加分支的特征提取网络的结构上相同；
12、所述attachnet神经网络的注意力模块根据各所述1024通道特征，识别得到相应的特征向量；
13、基于softmax对所述特征向量进行分类，得到对应的机组运行状态识别结果，其中，所述softmax的损失函数为交叉熵损失函数。
14、可选的，在某些可选的实施方式中，所述将各所述类型对应的频域数据矩阵输入至attachnet神经网络对应的附加分支，以获得各所述附加分支基于相应频域数据矩阵提取的1024通道特征，包括：
15、将各所述类型对应的频域数据矩阵输入至attachnet神经网络对应的附加分支；
16、各所述附加分支的卷积层分别对各自的频域数据矩阵进行卷积、正则化和relu激活函数操作，提取得到对应的1024通道特征。
17、可选的，在某些可选的实施方式中，所述attachnet神经网络的注意力模块根据各所述1024通道特征，识别得到相应的特征向量，包括：
18、所述注意力模块中的空间注意力模块按照相应附加分支的顺序进行奖各所述1024通道特征联结得到联结特征；
19、所述注意力模块中的融合模块对所述联结特征进行卷积、正则化、relu激活函数操作、平均池化操作和最大池化操作，得到相应的特征向量。
20、第二方面，一种风电机组运行状态辨识装置，包括：数据转化单元、矩阵组合单元和状态识别单元；
21、所述数据转化单元，用于按照时间周期的顺序，将风电机组在各时间周期各类型时域运行数据转化为对应的频域数据组，其中，一个类型的时域运行数据涉及多个时间周期，一个类型的一个时间周期的时域运行数据对应一个频域数据组，所述类型包括：发电机高速轴转速和机舱左右振动加速度；
22、所述矩阵组合单元，用于针对任一个类型，按照时间周期的顺序，将所述类型的各时间周期对应的频域数据组排列组合，得到对应的频域数据矩阵，其中，一个频域数据组作为所述频域数据矩阵的一个行向量；
23、所述状态识别单元，用于将各所述类型对应的频域数据矩阵输入至预先训练好的attachnet神经网络，得到所述attachnet神经网络输出的机组运行状态识别结果，其中，不同类型对应的频域数据矩阵输入至所述attachnet神经网络的不同附加分支。
24、可选的，在某些可选的实施方式中，所述数据转化单元，包括：数据转化模块；
25、所述数据转化模块，用于针对任一类型的时域运行数据，按照时间周期的顺序，将不同时间周期的时域运行数据从时域转化到频域，以行向量的形式采样得到对应的频域数据组，其中，所述频域数据组的频域取值范围为0至5赫兹，所述频域数据组的分辨率为0.04赫兹。
26、第三方面，一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一项所述的风电机组运行状态辨识方法。
27、第四方面，一种电子设备，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述任一项所述的风电机组运行状态辨识方法。
28、借由上述技术方案，本发明提供的一种风电机组运行状态辨识方法及相关装置，可以按照时间周期的顺序，将风电机组在各时间周期各类型时域运行数据转化为对应的频域数据组，其中，一个类型的时域运行数据涉及多个时间周期，一个类型的一个时间周期的时域运行数据对应一个频域数据组，所述类型包括：发电机高速轴转速和机舱左右振动加速度；针对任一个类型，按照时间周期的顺序，将所述类型的各时间周期对应的频域数据组排列组合，得到对应的频域数据矩阵，其中，一个频域数据组作为所述频域数据矩阵的一个行向量；将各所述类型对应的频域数据矩阵输入至预先训练好的attachnet神经网络，得到所述attachnet神经网络输出的机组运行状态识别结果，其中，不同类型对应的频域数据矩阵输入至所述attachnet神经网络的不同附加分支。由此可以看出，将数据从时域转到频域，然后基于attachnet神经网络从多维度的频域数据中挖掘准确的特征信息，并准确识别出相应的机组运行状态，识别结果比较准确。
29、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
1.一种风电机组运行状态辨识方法，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，所述按照时间周期的顺序，将风电机组在各时间周期各类型时域运行数据转化为对应的频域数据组，包括：
3.根据权利要求1所述的方法，其特征在于，所述针对任一个类型，按照时间周期的顺序，将所述类型的各时间周期对应的频域数据组排列组合，得到对应的频域数据矩阵，包括：
4.根据权利要求1所述的方法，其特征在于，所述将各所述类型对应的频域数据矩阵输入至预先训练好的attachnet神经网络，得到所述attachnet神经网络输出的机组运行状态识别结果，包括：
5.根据权利要求4所述的方法，其特征在于，所述将各所述类型对应的频域数据矩阵输入至attachnet神经网络对应的附加分支，以获得各所述附加分支基于相应频域数据矩阵提取的1024通道特征，包括：
6.根据权利要求4所述的方法，其特征在于，所述attachnet神经网络的注意力模块根据各所述1024通道特征，识别得到相应的特征向量，包括：
7.一种风电机组运行状态辨识装置，其特征在于，包括：数据转化单元、矩阵组合单元和状态识别单元；
8.根据权利要求7所述的装置，其特征在于，所述数据转化单元，包括：数据转化模块；
9.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1至6中任一项所述的风电机组运行状态辨识方法。
10.一种电子设备，其特征在于，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至6中任一项所述的风电机组运行状态辨识方法。
