【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。