一种风机叶片结冰检测方法、系统、介质及设备技术方案

本发明专利技术属于风力发电技术领域，公开了一种风机叶片结冰检测方法、系统、介质及设备，所述风机叶片结冰检测方法包括在XGBoost算法的基础上结合tri

【技术实现步骤摘要】
一种风机叶片结冰检测方法、系统、介质及设备


[0001]本专利技术属于风力发电
，尤其涉及一种风机叶片结冰检测方法、系统、介质及设备。

技术介绍

[0002]目前，海拔高度1000米以下，海拔高度每升高100米，风速增加0.1m/s，风资源丰富的地区往往在寒冷的地区和高海拔地区。由于冷空气比暖空气密度大，高海拔寒冷地区的空气密度比较高，寒冷地区的潜在风资源比其他地区高了10%。因此，风场的选址通常也在这些地区。这些地区在冬季时期或者是气温较低的时期，容易出现风机叶片结冰的现象。风机叶片结冰是一个缓慢的过程，风机结冰这一问题的出现，与外界环境的多种因素相关联，如环境温度，风速以及空气湿度等。当风机叶片处于结冰状态下，会导致叶片的升力降低并且阻力增加，同时会导致叶片加重，容易发生叶片断裂，存在很大的安全隐患。叶片结冰运行最普遍的情况下，会影响风机发电的实际出力，气候恶劣的地区年发电效率会减少20%至50%。叶片结冰的早期诊断有利于减少发电量损失，提升机组运行的安全性。现有技术中主要分为基于机理模型的方法和基于数据驱动的方法。基于机理模型的方法依赖于专家经验的积累，由于风机运动部件多，风机系统的复杂性较高，风电行业整机产品更新迭代速度较快，专家建立机理模型难度很大。基于数据驱动的模型不依赖物理机理，但其需要的数据量大，且数据的分布必须合理，对于数据以及数据标签的质量要求高。风机SCADA系统解决了数据量的问题，然而结冰样本量较少，导致样本类别不平衡的问题依然存在。另外，叶片结冰样本标签需要人为标注，由于风机机组的地理位置相对分散、可达性差，叶片结冰样本存在标签不准确的问题。
[0003]通过上述分析，现有技术存在的问题及缺陷为：（1）现有技术中基于机理模型的方法依赖于专家经验的积累，由于风机运动部件多，风机系统的复杂性较高，专家建立机理模型难度很大。
[0004]（2）现有技术中风机SCADA系统结冰样本量较少，导致样本类别不平衡的问题依然存在。另外，叶片结冰样本标签需要人为标注，由于风机机组的地理位置相对分散、可达性差，叶片结冰样本存在标签不准确的问题。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供了一种风机叶片结冰检测方法、系统、介质及设备。
[0006]本专利技术是这样实现的，一种风机叶片结冰检测方法，所述风机叶片结冰检测方法包括：在XGBoost算法的基础上结合tri
‑
training三体训练法半监督学习算法，合理运用标签不准确的数据；根据专家知识在原有特征基础上构建新的特征，采用Pearson相关系数为模型进行特征筛选，选择Focal Loss作为算法迭代更新的损失函数。
[0007]进一步，所述风机叶片结冰检测方法具体过程为：步骤一，训练集构建与数据预处理，从SCADA系统中获取数据，将原始数据划分为有标签样本和无标签样本，其中有标签样本包括结冰样本标记为1和正常样本标记为0。基于tri
‑
XGBoost算法，设立相应的机制；在数据预处理阶段剔除掉非结冰导致风机限功运行的样本点；此步骤剔除了噪声数据，利于分类器自适应学习；步骤二，特征工程与特征筛选，对原始数据现有的特征进行组合，选取三个新特征输入到模型中；采用Pearson相关系数对特征进行降维，筛选出相关性过高的特征并进行剔除；此步骤提升了分类器的学习效率，避免分类器学习到冗余的特征，结合领域专业知识，挖掘了新的特征用于提升模型的准确率；步骤三，类别不平衡处理与模型训练，选择代价敏感学习方法，引入Focal Loss损失函数，替换XGBoost算法原有的损失函数；将有标签数据和无标签数据输入tri
‑
XGBoost模型中进行协同训练；此步骤增强了模型正确分类少数类样本的能力，在最大化保留原始数据的情况下有效提升风机叶片结冰的检测准确率；步骤四，参数优化与模型评估，选择网格搜索算法确定最优的超参数；利用处理好的测试集进行测试，验证模型分类效果。此步骤遍历给定的参数组合，从所有参数中找到在测试集上精度最高的参数，优化了模型的参数，进一步提升风机叶片结冰的检测准确率。
[0008]进一步，所述步骤一中，训练集构建与数据预处理具体过程为：基于tri
‑
XGBoost算法，设立机制；在原始SCADA数据中，将结冰数据前一段时间内的样本作为无标签样本，其余样本作为有标签样本；在数据预处理阶段剔除掉非结冰导致风机限功运行的样本点。
[0009]进一步，所述步骤二中，选取三个新特征输入到模型中具体过程为：短滤波风速与有功功率的比值、短滤波风速与发电机转速的比值以及短滤波风速与有功功率、发电机转速的比值作为融合的三个新特征输入到模型中。
[0010]进一步，所述步骤三中，类别不平衡处理与模型训练具体过程为：选择代价敏感学习方法，引入Focal Loss损失函数，替换XGBoost算法原有的损失函数；将有标签数据和无标签数据输入tri
‑
XGBoost模型协同训练，对原始有标签数据进行Bootstrap采样获得三个有标签的训练集，利用三个有标签训练集分别训练好三个基分类器，.，.，将无标签样本输入到训练好的基分类器，单个分类器所获得的新标记样本都由其余两个分类器协作提供，如果其余两个分类器都对同一个无标签样本的预测相同，则该样本就被认为具有较高的置信度，将预测值作为该样本的伪标签，并将其加入到的有标签训练集中。不断迭代更新分类器，最终根据投票法得到分类模型。
[0011]进一步，所述步骤四中，参数优化与模型评估具体过程为：选择网格搜索算法确定最优的超参数，将测试集作同样的数据预处理和特征工程，使特征维度相同，用处理好的测试集进行测试，验证模型分类效果。
[0012]本专利技术的另一目的在于提供一种实施所述风机叶片结冰检测方法的风机叶片结冰检测系统，所述风机叶片结冰检测系统包括：训练集构建与数据预处理模块，从SCADA系统中获取数据，将原始数据划分为有标
签样本和无标签样本，其中有标签样本包括结冰样本标记为1和正常样本标记为0。基于tri
‑
XGBoost算法，设立相应的机制；在数据预处理阶段剔除掉非结冰导致风机限功运行的样本点；特征工程与特征筛选模块，对原始数据现有的特征进行组合，选取三个新特征输入到模型中；采用Pearson相关系数对特征进行降维，筛选出相关性过高的特征并进行剔除；类别不平衡处理与模型训练模块，选择代价敏感学习方法，引入Focal Loss损失函数，替换XGBoost算法原有的损失函数；将有标签数据和无标签数据输入tri
‑
XGBoost模型中进行协同训练；参数优化与模型评估模块，选择网格搜索算法确定最优的超参数；利用处理好的测试集进行测试，验证模型分类效果。
[0013]本专利技术的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：步骤一，训练集构建与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风机叶片结冰检测方法，其特征在于，所述风机叶片结冰检测方法包括：在XGBoost算法的基础上结合tri
‑
training三体训练法半监督学习算法，合理运用标签不准确的数据；根据专家知识在原有特征基础上构建新的特征，采用Pearson相关系数为模型进行特征筛选，选择Focal Loss作为算法迭代更新的损失函数。2.如权利要求1所述风机叶片结冰检测方法，其特征在于，所述风机叶片结冰检测方法具体过程为：步骤一，训练集构建与数据预处理，基于tri
‑
XGBoost算法，设立相应的机制；在数据预处理阶段剔除掉非结冰导致风机限功运行的样本点；步骤二，特征工程与特征筛选，对原始数据现有的特征进行组合，选取三个新特征输入到模型中；采用Pearson相关系数对特征进行降维，筛选出相关性过高的特征并进行剔除；步骤三，类别不平衡处理与模型训练，选择代价敏感学习方法，引入Focal Loss损失函数，替换XGBoost算法原有的损失函数；将有标签数据和无标签数据输入tri
‑
XGBoost模型中进行协同训练；步骤四，参数优化与模型评估，选择网格搜索算法确定最优的超参数；利用处理好的测试集进行测试，验证模型分类效果。3.如权利要求2所述风机叶片结冰检测方法，其特征在于，所述步骤一中，训练集构建与数据预处理具体过程为：基于tri
‑
XGBoost算法，设立机制；在原始SCADA数据中，将结冰数据前一段时间内的样本作为无标签样本，其余样本作为有标签样本；在数据预处理阶段剔除掉非结冰导致风机限功运行的样本点。4.如权利要求2所述风机叶片结冰检测方法，其特征在于，所述步骤二中，选取三个新特征输入到模型中具体过程为：短滤波风速与有功功率的比值、短滤波风速与发电机转速的比值以及短滤波风速与有功功率、发电机转速的比值作为融合的三个新特征输入到模型中。5.如权利要求2所述风机叶片结冰检测方法，其特征在于，所述步骤三中，类别不平衡处理与模型训练具体过程为：选择代价敏感学习方法，引入Focal Loss损失函数，替换XGBoost算法原有的损失函数；将有标签数据和无标签数据输入tri
‑
XGBoost模型协同训练，利用有标签数据初始化基分类器后，根据训练好的基分类器生成无标签数据的伪标签，不断迭代更新分类器，最终根据投票法得到分类模型。6.如权利要求2所述风机叶片结冰检测方法，其特征在于，所述步骤四中，参数优化与模型评估具体过程为：选择网格搜索算法确定最优的超参数，将测试集作同样的数据预处理和特征工程，使特征维度相同，用处理好的测试集进行测试，验证模型分类效果。7.一种实施如权利要求1~6任意一项所述风机叶片结冰检测方法的风机叶片结冰检测系统，其特征在于，所...

【专利技术属性】
技术研发人员：满君丰，王非凡，王靛，胡凯凯，陈亚楠，杨恒伏，傅红普，周文健，
申请(专利权)人：湖南第一师范学院，
类型：发明
国别省市：