一种风力发电机履冰监测方法技术

本发明专利技术涉及风力发电机监测的技术领域，揭露了一种风力发电机履冰监测方法，所述方法包括：对采集的风力发电机风叶图像进行去噪以及分段增强处理；构建风力发电机风叶履冰识别模型，利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，得到最优风力发电机风叶履冰识别模型；利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，并计算风力发电机风叶表面的冰面厚度。本发明专利技术对恶劣环境下所采集图像进行去噪增强处理，基于图像形态特征构建风力发电机风叶履冰识别模型，选取最优边缘检测算子模板对图像进行边缘检测，进而计算得到风力发电机风叶表面的冰面厚度，实现风力发电机实时监测。监测。监测。

【技术实现步骤摘要】
一种风力发电机履冰监测方法


[0001]本专利技术涉及风力发电机监测的
，尤其涉及一种风力发电机履冰监测方法。

技术介绍

[0002]现今，风力发电已成为我国电能生产的主要方式之一，其不仅具有较强的清洁无污染特性，而且还能有效降低生产成本，提高资源、能源利用率。但是有些风能发电地区的冬季温度较低，一旦外界环境温差较大，就会导致风力发电机叶片上出现覆冰情况，进而严重影响机组的正常运行，使得风力发电质量和效率大大降低，针对该问题，本专利技术提出一种风力发电机履冰监测方法，保证风力发电机安全运行。

技术实现思路

[0003]有鉴于此，本专利技术提供一种风力发电机履冰监测方法，目的在于：1)由于在恶劣天气场景下，所采集风力发电机风叶图像存在大量图像噪声信号，因此通过采取多尺度图像分解，并利用结合分解尺度的自适应阈值对不同尺度下的分解结果进行噪声信号过滤处理，其中尺度越高则阈值越大，高尺度分解结果的处理程度越低，避免过滤大量高尺度下的轮廓信息，实现对采集的风力发电机风叶图像的去噪处理，并对去噪后的风力发电机风叶图像进行分段增强处理，当图像像素的原始灰度值过低或过高时，采用对数变换对像素灰度值进行处理，扩展低灰度值的范围并压缩高灰度值范围，即将图像中暗的部分扩展，抑制图像中亮的部分，突出恶劣天气下所采集图像中的昏暗部分，有利于恶劣天气下的风力发电机履冰监测，并在其他灰度值区间中采用伽马变换，增强不同灰度级之间差异，实现图像细节增强，提高覆冰厚度监测的准确率；2)通过构建结合图像形态特征的风力发电机风叶履冰识别模型，基于图像形态特征选取最优边缘检测算子模板，利用所选取的边缘检测算子模板进行边缘检测，得到风力发电机风叶的履冰边缘图像，进而计算得到风力发电机风叶表面的冰面厚度，在模型优化过程中，新增待优化模型参数向量的近似项对模型参数向量进行调节优化，避免迭代更新后的模型参数向量偏离稳定结果过多。
[0004]实现上述目的，本专利技术提供的一种风力发电机履冰监测方法，包括以下步骤：
[0005]S1：采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像，其中自适应阈值为所述去噪处理的主要实施方式；
[0006]S2：对去噪后的风力发电机风叶图像进行分段增强处理，得到增强后的风力发电机风叶图像；
[0007]S3：构建风力发电机风叶履冰识别模型，所述模型以增强后的风力发电机风叶图像为输入，以履冰边缘图像为输出；
[0008]S4：利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，得到最优风力发电机风叶履冰识别模型，其中近似交替方向优化方法为所述非凸优化方法的主要实施方法；
[0009]S5：利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，并基于履冰边缘图像计算风力发电机风叶表面的冰面厚度，若冰面厚度超过预设置的冰面阈值则进行预警。
[0010]作为本专利技术的进一步改进方法：
[0011]可选地，所述S1步骤中采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，包括：
[0012]在风力发电机附近部署摄像机，利用摄像机实时采集当前时刻的风力发电机风叶图像，并对所采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像，其中去噪处理流程为：
[0013]S11：对所采集的风力发电机风叶图像I进行灰度化处理，其中灰度化处理公式为：
[0014]g(i,j)＝max{R(i,j),G(i,j),B(i,j)},i∈[1,M],j∈[1,N][0015]其中：
[0016]R(i,j),G(i,j),B(i,j)表示风力发电机风叶图像I中像素I(i,j)分别在R,G,B颜色通道的颜色值；像素I(i,j)表示风力发电机风叶图像I中第i行第j列的像素；
[0017]g(i,j)表示风力发电机风叶图像I中像素I(i,j)的灰度值；
[0018]M表示风力发电机风叶图像的行像素数目，N表示风力发电机风叶图像的列像素数目；
[0019]S12：构建空间滤波系数矩阵W：
[0020][0021]其中：
[0022]w(a1,a2)表示空间滤波系数矩阵W中的滤波系数，a1,a2＝{
‑
1,0,1}
[0023]S13：利用空间滤波系数矩阵W对风力发电机风叶图像中任意像素I(i,j)的灰度值进行空间滤波处理，其中空间滤波处理的公式为：
[0024][0025]其中：
[0026]g
′
(i,j)表示空间滤波处理后像素I(i,j)的灰度值；
[0027]S14：以风力发电机风叶图像的中心像素为原点，水平方向为X轴方向，竖直方向为Y轴方向，将风力发电机风叶图像中像素位置映射到坐标系，其中f(x,y)表示处于坐标(x,y)的像素的灰度值，该灰度值为空间滤波处理后像素的灰度值；
[0028]S15：调节图像分解尺度b，对风力发电机风叶图像进行多尺度分解处理：
[0029][0030]其中：
[0031]D(b)表示尺度b下的风力发电机风叶图像分解结果，b∈[1,B]，[1,B]表示风力发电机风叶图像的分解尺度范围，B表示最大图像分解尺度；
[0032]q表示虚数单位，q2＝
‑
1；
[0033]e表示自然常数；
[0034]S16：构建自适应调节的阈值函数：
[0035][0036]其中：
[0037]λ
b
表示对尺度b下风力发电机风叶图像分解结果进行处理的阈值；
[0038]λ表示基准阈值；
[0039]S17：基于阈值函数对不同尺度下的风力发电机风叶图像分解结果进行处理，过滤不同尺度下图像分解结果的噪声信号，其中处理公式为：
[0040][0041]其中：
[0042]D
′
(b)表示处理后的尺度b下的风力发电机风叶图像分解结果；
[0043]S18：将噪声信号过滤后的图像分解结果进行重构，得到去噪后的风力发电机风叶图像：
[0044][0045]其中：
[0046]I
′
表示去噪后的风力发电机风叶图像，f
′
(x,y)表示I
′
中处于坐标(x,y)的像素的灰度值。
[0047]可选地，所述S2步骤中对去噪后的风力发电机风叶图像进行分段增强处理，包括：
[0048]对去噪后的风力发电机风叶图像I
′
进行分段增强处理，得到分段增强处理后的风力发电机风叶图像I
″
，其中分段增强处理公式为：
[0049][0050]其中：
[0051]f1,f2为分段灰度值，f1<f2；
[0052]f
′
(x,y)表示I
′
中处于坐标(x,y)的像素的灰度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风力发电机履冰监测方法，其特征在于，所述方法包括：S1：采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像；S2：对去噪后的风力发电机风叶图像进行分段增强处理，得到增强后的风力发电机风叶图像；S3：构建风力发电机风叶履冰识别模型，所述模型以增强后的风力发电机风叶图像为输入，以履冰边缘图像为输出；S4：利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，得到最优风力发电机风叶履冰识别模型；S5：利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，并基于履冰边缘图像计算风力发电机风叶表面的冰面厚度，若冰面厚度超过预设置的冰面阈值则进行预警。2.如权利要求1所述的一种风力发电机履冰监测方法，其特征在于，所述S1步骤中采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，包括：在风力发电机附近部署摄像机，利用摄像机实时采集当前时刻的风力发电机风叶图像，并对所采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像，其中去噪处理流程为：S11：对所采集的风力发电机风叶图像I进行灰度化处理，其中灰度化处理公式为：g(i,j)＝max{R(i,j),G(i,j),B(i,j)},i∈[1,M],j∈[1,N]其中：R(i,j),G(i,j),B(i,j)表示风力发电机风叶图像I中像素I(i,j)分别在R,G,B颜色通道的颜色值；像素I(i,j)表示风力发电机风叶图像I中第i行第j列的像素；g(i,j)表示风力发电机风叶图像I中像素I(i,j)的灰度值；M表示风力发电机风叶图像的行像素数目；N表示风力发电机风叶图像的列像素数目；S12：构建空间滤波系数矩阵W：其中：w(a1,a2)表示空间滤波系数矩阵W中的滤波系数，a1,a2＝{
‑
1,0,1}S13：利用空间滤波系数矩阵W对风力发电机风叶图像中任意像素I(i,j)的灰度值进行空间滤波处理，其中空间滤波处理的公式为：其中：g
′
(i,j)表示空间滤波处理后像素I(i,j)的灰度值；S14：以风力发电机风叶图像的中心像素为原点，水平方向为X轴方向，竖直方向为Y轴
方向，将风力发电机风叶图像中像素位置映射到坐标系，其中f(x,y)表示处于坐标(x,y)的像素的灰度值，该灰度值为空间滤波处理后像素的灰度值；S15：调节图像分解尺度b，对风力发电机风叶图像进行多尺度分解处理：其中：D(b)表示尺度b下的风力发电机风叶图像分解结果，b∈[1,B]，[1,B]表示风力发电机风叶图像的分解尺度范围，B表示最大图像分解尺度；q表示虚数单位，q2＝
‑
1；e表示自然常数；S16：构建自适应调节的阈值函数：其中：λ
b
表示对尺度b下风力发电机风叶图像分解结果进行处理的阈值；λ表示基准阈值；S17：基于阈值函数对不同尺度下的风力发电机风叶图像分解结果进行处理，过滤不同尺度下图像分解结果的噪声信号，其中处理公式为：其中：D
′
(b)表示处理后的尺度b下的风力发电机风叶图像分解结果；S18：将噪声信号过滤后的图像分解结果进行重构，得到去噪后的风力发电机风叶图像：其中：I
′
表示去噪后的风力发电机风叶图像，f
′
(x,y)表示I
′
中处于坐标(x,y)的像素的灰度值。3.如权利要求2所述的一种风力发电机履冰监测方法，其特征在于，所述S2步骤中对去噪后的风力发电机风叶图像进行分段增强处理，包括：对去噪后的风力发电机风叶图像I
′
进行分段增强处理，得到分段增强处理后的风力发电机风叶图像I
″
，其中分段增强处理公式为：
其中：f1,f2为分段灰度值，f1<f2；f
′
(x,y)表示I
′
中处于坐标(x,y)的像素的灰度值；f
″
(x,y)表示I
′
中处于坐标(x,y)的像素的分段增强后灰度值。4.如权利要求1所述的一种风力发电机履冰监测方法，其特征在于，所述S3步骤中构建风力发电机风叶履冰识别模型，包括：构建风力发电机风叶履冰识别模型，所述模型以增强后的风力发电机风叶图像为输入，以履冰边缘图像为输出，其中基于形态分析的细胞机为风力发电机风叶履冰识别模型的主要结构；所构建模型包括输入层、形态特征提取层、模板选择层以及输出层，输入层用于接收增强后的风力发电机风叶图像，形态特征提取层用于提取增强后的风力发电机风叶图像的形态特征，基于形态特征选取边缘检测算子模板，并利用所选取的边缘检测算子模板对增强后的风力发电机风叶图像进行边缘检测标记，将边缘标记结果构成履冰边缘图像，作为输出层的输出结果；所述形态特征提取层包括形态处理层以及卷积层，形态处理层用于利用膨胀矩阵以及腐蚀矩阵对增强后的风力发电机风叶图像进行形态学处理，卷...

【专利技术属性】
技术研发人员：蔺雪峰，耿杰，文军，谭光道，苗雷，徐超，孟秀俊，蔡春辉，汪德军，胡辉，付荣方，周世银，詹彪，朱玉瑞，孟鹏飞，易彦青，
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中国华能集团有限公司沈阳盛世新能源科技有限公司，
类型：发明
国别省市：