一种风机叶片结冰故障检测方法技术

本发明专利技术提供了一种风机叶片结冰故障检测方法，该方法旨在不引入其他测量设备的前提下，使用宽度学习的方法快速准确的对风机叶片结冰故障进行检测。相较于深度神经网络，宽度学习系统是一种高效增量式浅层神经网络，宽度学习系统的建模不是通过堆叠更多的层数，而是通过横向增加更多的神经元节点提高自身的性能。由于宽度神经网络没有隐含层，因此网络结构简明，网络权值计算速度快，整个模型的建立快捷，能够满足工业需求。此外，当数据增加时，宽度学习系统也并不需要将整个模型进行重新训练，其采用增量式的方式进行学习，只需要针对新增的数据进行训练就能够取得良好的效果，充分利用数据保证了模型的有效性与稳定性。

【技术实现步骤摘要】
一种风机叶片结冰故障检测方法
本专利技术属于风力发电过程检测领域，特别是涉及一种风机叶片结冰故障检测方法。
技术介绍
风电是目前最成熟、最具发展潜力且基本实现商业化的新兴可再生能源技术。在全球各国中，中国的风电发展举世瞩目，年新增风电装机占全球的比例从2006年的不足10％上升到2010年的49％，且保持着不断增高的趋势。但风能获取的特殊性决定了大量风机需布置在高纬度、高海拔的寒冷地区。而工作在寒冷地区的风机受霜冰、雨凇和湿雪等气象条件影响，极易发生叶片结冰现象，进而引发一系列严重后果。目前国内关于叶片结冰故障的诊断仍然处于研究发展阶段，一般都是结冰状态比较严重后进行停机除冰，用于结冰探测的传感器也在发展之中，尚未普及。当前，对于风机叶片结冰故障的诊断主要技术手段是比较风机实际功率与理论功率之间的偏差，当偏差达到一定值后触发风机的报警，但该方法的缺点是当触发报警时，往往是已经发生了叶片大面积结冰现象，即不能在结冰的早期就及时诊断出来。通过查阅资料发现，现有使用深度神经网络的技术进行风机叶片结冰故障检测，但是风机数据采集系统SCADA采集的数据量巨大且数据特征维度多，给深度神经网络模型的训练带来了实质性的困难。哪怕通过一定的手段例如主成分分析进行数据降维处理，通过长时间训练出来的模型泛化能力较差，这是由于不同风机所在地域环境的不同造成风机之间存在显著差异性。通过深度神经网络进行诊断的另一问题是，随着风机的持续运行数据不断的积累，通过历史数据训练出的模型可能早已不适合当前风机运行状况，因此也无法进行准确判断，而想要重新训练模型又需要较长的时间及完善的硬件设备。以上两个缺陷导致使用深度神经网络来进行风机叶片结冰故障检测仍未得到大面积推广。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种风机叶片结冰故障检测方法。该方法旨在不引入其他测量设备的前提下，使用宽度学习的方法快速准确的对风机叶片结冰故障进行检测。相较于深度神经网络，宽度学习系统是一种高效增量式浅层神经网络，宽度学习系统的建模不是通过堆叠更多的层数，而是通过横向增加更多的神经元节点提高自身的性能。由于宽度神经网络没有隐含层，因此网络结构简明，网络权值计算速度快，整个模型的建立快捷，能够满足工业需求。此外，当数据增加时，宽度学习系统也并不需要将整个模型进行重新训练，其采用增量式的方式进行学习，只需要针对新增的数据进行训练就能够取得良好的效果，充分利用数据保证了模型的有效性与稳定性。具体地，该方法包括以下步骤：一种风机叶片结冰故障检测方法，所述风机叶片结冰故障检测方法包括以下步骤：步骤(1)，获取风机运行数据并进行预处理，最终获取能够用于宽度学习系统输入的数据集，该步骤主要由以下子步骤实现：步骤(1.1)，获取风机I个可用的历史数据，每个历史数据具有J个特征变量，将I个历史数据描述为一个二维矩阵V(I×J)；步骤(1.2)，将二维矩阵V中相关性较强的数据特征进行合并处理以减小特征维度；步骤(1.3)，将处理好的数据集划分为训练集和测试集，将划分后的训练集描述为一个具有N个样本，每个样本具有M个特征变量的二维矩阵X(N×M)；步骤(2)，使用步骤(1)处理好的数据来训练宽度学习系统得到的诊断模型，模型训练完成后是一个二分类模型，两种分类代表结冰与不结冰两种状态，该步骤主要由以下子步骤实现：步骤(2.1)，随机生成权重矩阵Wei和偏置矩阵βei，映射生成特征节点(MappedFeature)Zi，其中Zi＝φ(XWei+βei)，φ是激活函数，i＝1......n，使用Zn≡[Z1,...,Zn]表示n个特征节点组成的特征节点集合；步骤(2.2)，随机生成权重矩阵Whj和偏置矩阵βhj，映射生成增强节点(MappedNode)Hj，其中Hj＝ξ(ZWhj+βhj)，ξ是激活函数，j＝1......m，使用Hm≡[H1,...,Hm]表示m个增强节点组成的增强节点集合；步骤(2.3)，将Zn和Hm进行矩阵拼接得到作为最终的网络输入层，网络输出其中使用A+＝[Zn|Hm]+代表矩阵的伪逆，计算公式为步骤(2.4)，使用训练集对诊断模型进行训练，并使用测试集进行诊断模型测试，若测试结果的准确率要求则完成模型的训练，直接进入步骤(3)，否则进行步骤(2.5)；步骤(2.5)，当诊断模型精度达不到要求时，可以通过增加特征节点或增强节点来横向添加节点增加诊断模型的拟合能力；步骤(2.5.1)，当选择增加增强节点时，随机生成权重矩阵和偏置矩阵计算生成增强特征Hm+1，其中更新输入矩阵更新网络权重其中步骤(2.5.2)，当选择增加特征节点时，随机生成权重矩阵和偏置矩阵计算生成特征节点Zn+1，其中随机生成权重矩阵和偏置矩阵计算生成增强节点其中更新输入矩阵更新网络权重其中步骤(3)，对待测数据进行与步骤(1)相同的数据预处理后，使用步骤(2)得到的诊断模型进行诊断测试，当新增数据达到一定数量后，同时利用增量学习的方法对模型进行更新，新增数据表示为Xa，模型更新步骤如下：步骤(3.1)，使用新增数据Xa，根据已经存在的参数生成新对应的特征节点和增强节点表示为其中更新后的输入矩阵可以表示为步骤(3.2)，求出的伪逆及模型的新权重实现模型的更新；步骤(4)，根据步骤(3)中的诊断结果判断风机叶片是否结冰，若诊断为结冰则报警，若正常则回到步骤(3)，在实现对风机叶片结冰故障实时检测的同时完成模型的更新。在采用上述技术方案的同时，本专利技术还可以采用或者组合采用如下技术方案：作为本专利技术的优选技术方案：所述步骤(2.1)中，生成映射节点Zi的所用的激活函数φ取relu函数。作为本专利技术的优选技术方案：所述步骤(2.2)中，生成增强节点Hj的所用的激活函数ξ取sigmoid函数。作为本专利技术的优选技术方案：所述步骤(2.3)中，初始网络输入层包含特征节点数量n＝50、增强节点数量m＝200。作为本专利技术的优选技术方案：所述步骤(1.2)中，二维矩阵V中数据特征合并的相关性以皮尔逊相关性系数进行计算。本专利技术提供一种风机叶片结冰故障检测方法，具有如下有益效果：在不引入其他测量设备的前提下，使用宽度学习的方法快速准确的对风机叶片结冰故障进行检测。宽度学习的单层结构避免了深度神经网络的多层网络结构，使得参数数量大幅减少，模型训练速度快。增量式学习的方法则解决了当数据增加时花费大量时间重新训练整个网络的窘境。在可接受的准确率范围内可替代深度神经网络，且速度快模型泛化能力强。附图说明图1为本专利技术所提供的风机叶片结冰故障检测方法的流程图。图2为本专利技术使用的宽度学习系统模型。具体实施方式下面结合附图及具体实例，对本专利技术作进一步详细说明。本案例使用数据集来自一台风机连续两个月的历史运行数据，其中可用数据共374147条，每个样本包含26个特征，这些特征分别是：风速(wind_sp本文档来自技高网...

【技术保护点】
1.一种风机叶片结冰故障检测方法，其特征在于：所述风机叶片结冰故障检测方法包括以下步骤：/n步骤(1)，获取风机运行数据并进行预处理，最终获取能够用于宽度学习系统输入的数据集，该步骤主要由以下子步骤实现：/n步骤(1.1)，获取风机I个可用的历史数据，每个历史数据具有J个特征变量，将I个历史数据描述为一个二维矩阵V(I×J)；/n步骤(1.2)，将二维矩阵V中相关性较强的数据特征进行合并处理以减小特征维度；/n步骤(1.3)，将处理好的数据集划分为训练集和测试集，将划分后的训练集描述为一个具有N个样本，每个样本具有M个特征变量的二维矩阵X(N×M)；/n步骤(2)，使用步骤(1)处理好的数据来训练宽度学习系统得到的诊断模型，模型训练完成后是一个二分类模型，两种分类代表结冰与不结冰两种状态，该步骤主要由以下子步骤实现：/n步骤(2.1)，随机生成权重矩阵W

【技术特征摘要】
1.一种风机叶片结冰故障检测方法，其特征在于：所述风机叶片结冰故障检测方法包括以下步骤：
步骤(1)，获取风机运行数据并进行预处理，最终获取能够用于宽度学习系统输入的数据集，该步骤主要由以下子步骤实现：
步骤(1.1)，获取风机I个可用的历史数据，每个历史数据具有J个特征变量，将I个历史数据描述为一个二维矩阵V(I×J)；
步骤(1.2)，将二维矩阵V中相关性较强的数据特征进行合并处理以减小特征维度；
步骤(1.3)，将处理好的数据集划分为训练集和测试集，将划分后的训练集描述为一个具有N个样本，每个样本具有M个特征变量的二维矩阵X(N×M)；
步骤(2)，使用步骤(1)处理好的数据来训练宽度学习系统得到的诊断模型，模型训练完成后是一个二分类模型，两种分类代表结冰与不结冰两种状态，该步骤主要由以下子步骤实现：
步骤(2.1)，随机生成权重矩阵Wei和偏置矩阵βei，映射生成特征节点(MappedFeature)Zi，其中Zi＝φ(XWei+βei)，φ是激活函数，i＝1......n，使用Zn≡[Z1,...,Zn]表示n个特征节点组成的特征节点集合；
步骤(2.2)，随机生成权重矩阵Whj和偏置矩阵βhj，映射生成增强节点(MappedNode)Hj，其中Hj＝ξ(ZWhj+βhj)，ξ是激活函数，j＝1......m，使用Hm≡[H1,...,Hm]表示m个增强节点组成的增强节点集合；
步骤(2.3)，将Zn和Hm进行矩阵拼接得到作为最终的网络输入层，网络输出其中使用A+＝[Zn|Hm]+代表矩阵的伪逆，计算公式为
步骤(2.4)，使用训练集对诊断模型进行训练，并使用测试集进行诊断模型测试，若测试结果的准确率要求则完成模型的训练，直接进入步骤(3)，否则进行步骤(2.5)；
步骤(2.5)，当诊断模型精度达不到要求时，可以通过增...

【专利技术属性】
技术研发人员：卢建刚，罗松，陈金水，王文海，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33