一种基于VMD-JAYA-LSSVM的风机叶片结冰状态评估方法技术

基于VMD

【技术实现步骤摘要】
一种基于VMD
‑
JAYA
‑
LSSVM的风机叶片结冰状态评估方法


[0001]本专利技术涉及一种状态评估方法，尤其是涉及一种基于VMD
‑
JAYA
‑
LSSVM的风机叶片结冰状态评估方法。

技术介绍

[0002]风电机组叶片表面的完整性对风能捕捉效率影响颇大。在我国东北、华北和西北地区这些纬度较高的地方，低温寒冷天气时在风电机组上产生覆冰，叶片覆冰会对其运转的安全性和稳定性造成显著影响。在风力机叶片上粘附的冰层会大大降低风电机组叶片的气动特性，从而导致风电机组对风能的捕捉效率下降，最后导致机组运行效率下降。此外，不同程度的叶片覆冰还会导致风电机组叶片不平衡，机组主要部件的载荷增加，将会显著减少风电机组使用寿命，叶片主要部件的载荷还会增加应力导致电气故障甚至机组停机；并且当风速较高时，从风电机叶片上甩脱落的冰凌还会对风电厂的工程人员和电厂附近的居民造成多余的财产损失甚至威胁生命安全。
[0003]构建评估叶片结冰状态的风电机组故障诊断系统，就可以在叶片结冰早期进行除冰、降功率、停机等操作，减少风电机组功率损失和保证机组平稳安全运行。实现早发觉，早处理。因此，开展风电机组结冰检测研究对提高风电机组的经济性和稳定性有着重要意义。
[0004]在专利技术《一种风机叶片结冰状态实时监测方法、系统、介质及设备》中公开了一种云台相机对风机叶片进行视频拍摄方法(申请号：CN201910750771.5公开号：CN110472684B)，将得到的视频处理为图片帧用于训练结冰监测模型，最后由云台相机采集实时风机叶片结冰状态，并由结冰检测模型对实时风机叶片结冰状态进行分析，得到判断结果，实现风机叶片结冰状态的实时监测。在专利技术《一种风电机组叶片覆冰监测方法、系统》中公开一种风电机组叶片覆冰监测方法、系统、电子设备及存储介质方法(申请号：CN202110647622.3公开号：CN113339210A)，所述方法通过获取叶片表面工况实时图像达到评估叶片结冰状态的效果。在专利技术《一种基于特征选择和XGBoost的风机叶片结冰预测方法》中公开一种基于特征选择和XGBoost的风机叶片结冰预测方法(申请号：CN201810819205.0公开号：CN109026563A)。然而，以上现有技术有的需要额外安装云台相机设备，依据图像处理识别结冰状态，需要较大计算资源；有的获取是否处于结冰状态的预测结果，准确度相对不高，未能详细表征叶片结冰状态程度。

技术实现思路

[0005]为了解决现有技术中的不足，本专利技术公开一种基于VMD
‑
JAYA
‑
LSSVM的风机叶片结冰状态评估方法，其特征为：
[0006]步骤一：基于VMD算法分解风速序列，对风速信号进行降噪处理。
[0007]步骤二：利用JAYA算法对LSSVM的参数进行优化，得到优化预测模型并对风电功率进行预测。
[0008]步骤三：基于滑动窗口算法的叶片结冰检测分析。
[0009]有益效果
[0010](1)该方法为纯数据驱动，不需要风机系统复杂的先验知识，在应用方面具有普适性、广泛性，实现过程简单。
[0011](2)相比于额外布置传感器检测叶片结冰的直接检测法，此方法不需大量额外资金投入且不用考虑额外传感器可靠性等问题，具有显著的成本优势和可靠性优势，降低人力成本。
[0012](3)相比于其他间接法检测叶片结冰，此方法实现较为简单，且在经过算法参数优化、数据归一化和反归一化后，可得到较高的检测准确率。
附图说明
[0013]图1为本专利技术整体结构流程示意图；
[0014]图2为检测方法运行效果示意图，其中上图为测试集功率曲线示意图；下图为测试集余差曲线示意图；
[0015]图3为测试集余差分析示意图。
具体实施方式
[0016]本专利技术首先提出了一种基于变分模态分解(VMD)和JAYA算法优化最小支持向量机(LSSVM)参数的方法，实现对风电场短期的风电功率的预测。该方法采用VMD解风速序列，对风速信号进行降噪处理，降低了风速的噪声对风电功率的影响，然后采用JAYA算法优化LSSVM模型参数，该算法没有特定于算法的参数，只涉及传统算法常见的参数，因此结构简单，收敛速度快。最后将分解后的风速分量结合气象影响因素中的气压数据作为LSSVM预测模型的输入，构建短期风电功率的预测模型并输出功率曲线，将预测功率曲线与实际曲线进行对比得到余差值，利用滑动窗口算法进行判断是否结冰。
[0017]参见图1所示，基于VMD
‑
JAYA
‑
LSSVM的风机叶片结冰状态评估方法，包括如下步骤：
[0018]步骤一：基于VMD算法分解风速序列，对风速信号进行降噪处理。风速序列的VMD分解详细步骤如下
[0019](a)初始化风速序列的模态函数中心频率拉格朗日乘法算子和分解模态数K；
[0020](b)根据式(1)和式(2)更新u
k
和ω
k
；
[0021][0022][0023]式中，相当于当前剩余量的维纳滤波；为当前模态函数功率谱的中心，对进行傅里叶逆变换，其实部为{u
k
(t)}；
[0024](c)更新λ，更新策略如式(3)；
[0025][0026](d)对于给定判别精度e＞0，若则停止迭代，否则返回(b)；
[0027]当风速序列分解成若干个模态之后，降低了风速的噪声影响，再结合气象影响因素中的气压数据就可以作为预测模型的输入。
[0028]步骤二：利用JAYA算法对LSSVM的参数进行优化，得到优化预测模型并对风电功率进行预测，步骤如下：
[0029](a)将VMD分解出的风速风量结合气象影响因素中的气压数据作为预测模型的训练输入；
[0030](b)初始化预测模型参数；JAYA算法设计种群大小为30、算法终止的条件为达到最大迭代次数1000，算法设计变量的数量为2；LSSVM模型中正则化参数Y和核函数参数σ经多次试验，优化取值的范围分别为[0.1，100]和[0.1，500]；
[0031](c)定义JAYA算法的目标函数；为了使预测模型性能更好，选择ERMSE作为JAYA算法的目标函数，其公式如下：
[0032][0033]其中，n为风电功率预测点的数量，y
i
为风电功率的实际值，y
′
i
为风电功率的预测值；
[0034](d)在优化参数的取值范围内随机生成的一组向量[γ，σ]，为JAYA算法种群内的每一个个体分配一组(γ，σ)；
[0035](e)根据LSSVM的训练结果，计算式(4)的个体的目标函数值，得到当前种群的最优解和最差解；最优解即E
RMSEmin
，最差解是E
RMSEmax
。
[0036](f)根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于VMD
‑
JAYA
‑
LSSVM的风机叶片结冰状态评估方法，其特征为：包括如下步骤：步骤一：基于VMD算法分解风速序列，对风速信号进行降噪处理；步骤二：利用JAYA算法对LSSVM的参数进行优化，得到优化预测模型并对风电功率进行预测；步骤三：基于滑动窗口算法的叶片结冰检测分析。2.根据权利要求1所述的基于VMD
‑
JAYA
‑
LSSVM的风机叶片结冰状态评估方法，其特征为：所述步骤一进一步包括如下内容：(a)初始化风速序列的模态函数中心频率拉格朗日乘法算子和分解模态数K；(b)根据式(1)和式(2)更新u
k
和ω
k
；；式中，相当于当前剩余量的维纳滤波；为当前模态函数功率谱的中心，对进行傅里叶逆变换，其实部为{u
k
(t)}；(c)更新λ，更新策略如式(3)；(d)对于给定判别精度e＞0，若则停止迭代，否则返回(b)；当风速序列分解成若干个模态之后，降低了风速的噪声影响，再结合气象影响因素中的气压数据就可以作为预测模型的输入。3.根据权利要求1所述的基于VMD
‑
JAYA
‑
LSSVM的风机叶片结冰状态评估方法，其特征为：所述步骤二进一步包括如下内容：(a)将VMD分解出的风速风量结合气象影响因素中的气压数据作为预测模型的训练输入；(b)初始化预测模型参数；JAYA算法设计种群大小为30、算法终止的条件为达到最大迭代次数1000，算法设计变量的数量为2；LSSVM模型中正则化参数Y和核函数参数σ经多次试验，优化取值的范围分别为[0.1，100]和[0.1，500]；(c)定义JAYA算法的目标函数；为了使预测模型性能更好，选择ERMSE作为JAYA算法的目标函数，其公式如下：其中，n为风电功率预测点的数量，y
i
为风电功率的实际值，y
′
i
为风电功率的预测值；(d)在优化参数的取值范围内随机生成的一组向量[γ，σ]，为JAYA算法种群内的每一个个体分配一组(γ，σ)；(e)根据LSSVM的训练结果，计算式(4)的个体的目标函数值，得到当前种群的最优解和最差解；最优解即E
RMSEmin
，最差解是E
RMSEmax
。
(f)根据求得的最优解E...

【专利技术属性】
技术研发人员：房方，石鑫，吴志跃，任鑫，王华，廖双乐，周游，景栋盛，
申请(专利权)人：华能集团技术创新中心有限公司国网综合能源服务集团有限公司国网江苏省电力有限公司苏州供电分公司，
类型：发明
国别省市：