一种风电机组叶片结冰检测方法技术

本发明专利技术属于新能源领域，具体涉及一种风电机组叶片结冰检测方法。构建基于自适应增强学习的叶片结冰检测模型。首先，获取风机的SCADA监测数据，对时间序列数据进行采样，剔除异常数据，进行数据特征筛选，并对数据进行标准化处理。然后，选择关键特征进行弱分类器训练预测，并根据迭代分配弱分类器权重，最终加权得到自适应增强学习后的强分类器模型，最终得到叶片结冰检测结果。叶片结冰检测结果。叶片结冰检测结果。

【技术实现步骤摘要】
一种风电机组叶片结冰检测方法


[0001]本专利技术属于新能源领域，具体涉及一种风电机组叶片结冰检测方法。

技术介绍

[0002]风力发电机组作为使用可再生能源、发展清洁电力的重要途径，已在全世界范围内广泛应用。随着国内风电的不断发展，风电机组的装机容量、装机台数不断攀升，但是我国风资源主要分布于三北等高纬度、高海拔地区，风电机组工作的环境温度较低，而这些风电机组在工作中面临霜雪、冰冻的考验，极易发生风电机组叶片结冰现象，致使风电机组面临风能捕捉效率降低、叶片断裂、冰凌掉落影响人身安全等问题。如何准确识别风电机组的叶片结冰状态，及时消除叶片结冰成为了当前风电行业中的研究难点与研究热点。
[0003]针对如何识别风电机组是否处于叶片结冰故障状态，现有方法主要集中在使用硬件识别和算法识别两个方向。在硬件识别方向，须要在风电机组中安装硬件设备对叶片进行检测，以有效识别叶片是否处于结冰故障状态。如安装红外传感器识别温度是否超过设定阈值、通过超声检测仪辨别叶片状态、利用其它传感技术判断叶片是否发生结冰等。这些研究须要借助外接设备实现，安装复杂且增加成本。

技术实现思路

[0004]本专利技术提出一种风电机组叶片结冰检测方法，以解决现有技术中需要通过外设判断风电机组是否叶片结冰的问题。
[0005]为达上述目的，本专利技术提出技术方案如下：
[0006]一种风电机组叶片结冰检测方法，包括如下步骤：
[0007]S101：获取风机SCADA监测数据中的时间序列数据；
[0008]S102：对S101获取到的时间序列数据进行采样；对采样获得的数据进行数据清洗，获得清洗后数据；
[0009]S103：对清洗后数据进行相关性分析，抛弃掉清洗后数据中特征相关性低于预设阈值的特征数据，获得最终保留数据；
[0010]S104：对最终保留数据进行标准化和归一化处理，获得训练数据；
[0011]S105：利用训练数据进行深度神经网络模型的自适应增强学习训练，得到若干弱分类器；
[0012]S106：由弱分类器整合得到强分类器；
[0013]S107：利用所述强分类器对S103中最终保留数据进行预测，得到并输出叶片结冰状态检测结果。
[0014]优选的，S102中，采样间隔为10s。
[0015]优选的，S103中，最终保留数据包括发电机转速、发电机驱动端轴承温度、发电机有功功率、发电机无功功率、发电机实际扭矩、有功功率、网侧无功功率、发电机冷风温度、发电机冷却水温度、叶轮转速、每个叶片的电机温度、实时风速、实时风向、环境温度、10分
钟平均风速、主轴转速、齿轮箱油池温度、大气压力。
[0016]优选的，S105包括如下步骤：数据选择和网络初始化；弱分类器预测；计算预测序列权重；调整测试数据权重。
[0017]优选的，数据选择和网络初始化具体为：
[0018]从样本空间中随机选择m组训练数据，初始化测试数据的分布权值D
i
(i)＝1/m，根据样本输入输出维数确定神经网络结构，初始化深度神经网络权值和阈值。
[0019]优选的，弱分类器预测具体步骤为：
[0020]训练第t个弱分类器时，用训练数据训练BP神经网络并且预测训练数据输出，得到预测序列g(t)的预测误差和e
t
，误差和e
t
的计算公式为：
[0021][0022]式中，g(t)为预测分类结果，y为期望分类结果。
[0023]优选的，计算预测序列权重具体步骤为：
[0024]根据预测序列g(t)的预测误差和e
t
，计算序列的权重a
t
，权重计算公式为：
[0025][0026]优选的，调整测试数据权重具体步骤为：
[0027]根据预测序列权重a
t
，调整下一轮训练样本的权重，调整公式为：
[0028][0029]式中，β
t
是归一化因子。
[0030]优选的，S106具体步骤为训练N轮后得到N组弱分类函数f(g
t
,a
t
)，由N组弱分类函数f(g
t
,a
t
)组合得到了强分类函数h(x)，式为：
[0031][0032]本专利技术的有益之处在于：
[0033]构建了基于自适应增强学习的叶片结冰检测模型，对叶片结冰状态进行判断，省去了外设，在保证准确率的前提下有效节约了检测与设备维护成本。
附图说明
[0034]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0035]图1为一种风电机组叶片结冰检测方法流程示意图。
具体实施方式
[0036]下面将参考附图并结合实施例来详细说明本专利技术。需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0037]以下详细说明均是示例性的说明，旨在对本专利技术提供进一步的详细说明。除非另有指明，本专利技术所采用的所有技术术语与本专利技术所属领域的一般技术人员的通常理解的含
义相同。本专利技术所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本专利技术的示例性实施方式。
[0038]实施例1：
[0039]请参阅图1所示，本专利技术提供一种风电机组叶片结冰检测方法，具体包括如下步骤：
[0040]步骤S101：获取风机SCADA监测数据中的风速、转矩、功率、转速等时间序列数据。
[0041]步骤S102：S101中的时间序列数据进行采样，采样间隔为10s。然后对通过数据清洗剔除不均匀、异常的采样时刻数据；
[0042]异常数据包含空值、异常值(与数据平均值的偏差超过5倍标准差的值)。
[0043]步骤S103：对所有特征进行相关性分析，抛弃掉特征相关性低于0.1的不相关特征，最终保留SCADA原始属性数据中的发电机转速、发电机驱动端轴承温度、发电机有功功率、发电机无功功率、发电机实际扭矩、有功功率、网侧无功功率、发电机冷风温度、发电机冷却水温度、叶轮转速、每个叶片的电机温度、实时风速、实时风向、环境温度、10分钟平均风速、主轴转速、齿轮箱油池温度、大气压力。
[0044]步骤S104：对数据进行标准化和归一化处理，避免训练数据的值或类型数量不平衡对模型训练结果造成影响。
[0045]步骤S105：进行深度神经网络模型的自适应增强学习训练。
[0046]首先，数据选择和网络初始化。从样本空间中随机选择m组训练数据，初始化测试数据的分布权值D
i
(i)＝1/m，根据样本输入输出维数确定神经网络结构，初始化深度神经网络权值和阈值。
[0047]之后进行弱分类器预测。训练第t个弱分类器时，用训练数据训练BP神经网络并且预测训练数据输出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组叶片结冰检测方法，其特征在于，包括如下步骤：S101：获取风机SCADA监测数据中的时间序列数据；S102：对S101获取到的时间序列数据进行采样；对采样获得的数据进行数据清洗，获得清洗后数据；S103：对清洗后数据进行相关性分析，抛弃掉清洗后数据中特征相关性低于预设阈值的特征数据，获得最终保留数据；S104：对最终保留数据进行标准化和归一化处理，获得训练数据；S105：利用训练数据进行深度神经网络模型的自适应增强学习训练，得到若干弱分类器；S106：由弱分类器整合得到强分类器；S107：利用所述强分类器对S103中最终保留数据进行预测，得到并输出叶片结冰状态检测结果。2.如权利要求1所述的一种风电机组叶片结冰检测方法，其特征在于，S102中，采样间隔为10s。3.如权利要求1所述的一种风电机组叶片结冰检测方法，其特征在于，S103中，最终保留数据包括发电机转速、发电机驱动端轴承温度、发电机有功功率、发电机无功功率、发电机实际扭矩、有功功率、网侧无功功率、发电机冷风温度、发电机冷却水温度、叶轮转速、每个叶片的电机温度、实时风速、实时风向、环境温度、10分钟平均风速、主轴转速、齿轮箱油池温度、大气压力。4.如权利要求1所述的一种风电机组叶片结冰检测方法，其特征在于，S105包括如下步骤：数据选择和网络初始化；弱分类器预测；计算预测序列权重；调整测试数据权重。5.如权利要求4所述的一种风电机组叶片结冰检测方法，其特征在于，数据选择和网络初始化具体为：从...

【专利技术属性】
技术研发人员：黄思皖，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：