【技术实现步骤摘要】
本申请涉及风力发电，尤其涉及一种基于条件变分自编码器的叶片结冰识别方法及系统。
技术介绍
1、随着风电机组普及率的提高，人们越来越关注风电机组的健康状态，以确保风电机组安全、稳定的生产。其中，在一定气象条件下，风电机组叶片可能会出现结冰现象，比如，叶片雾凇、雨凇结冰等问题。风机叶片结冰识既带来安全生产问题，又会影响机组功率输出，因此，在发生叶片结冰异常时，需要及时和准确的识别出异常以便进行相关的运维。
2、相关技术中，在识别机组叶片是否结冰时，一般是通过数值模拟与数值仿真两种方式进行异常识别。然而相关技术中的识别方式考虑的因素较少，在实际运用中的非理想状态下，识别结果可能存在偏差，叶片结冰识别的准确性较低。
技术实现思路
1、本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本申请的第一个目的在于提出一种基于条件变分自编码器的叶片结冰识别方法，该方法采用变自编码器模型对变工况的数据进行重构，建立了多特征参数融合的异常检测模型，可以在变工况的条件下准确的定位出叶片结冰导致的异常参数，并通过相关的知识语义网络对定位的异常参数进行推理获取识别结果。从而，提高了机组叶片结冰异常识别的准确性和可靠性。
3、本申请的第二个目的在于提出一种基于条件变分自编码器的叶片结冰识别系统；
4、本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
5、为达上述目的，本申请的第一方面在于提出一种基于条件变分自编码器的叶片结冰
6、针对叶片结冰对风电机组运行产生的影响，获取与风电机组的所处区域天气状况、塔筒振动状况、输出功率特性和测风仪测量结果相关的历史数据；
7、从所述历史数据中剔除根据预设标准确定的五类异常数据以及非稳态数据，并基于工况特征集，通过等间隔工况划分的方式对所述历史数据进行工况划分；
8、基于数据样本相似性，通过高斯混合模型gmm对划分出的每种工况下的数据进行聚类，并从每种工况下的一类或者多类聚类簇中筛选出基准样本，从所述基准样本划分出训练集；
9、对风电机组在变工况下的运行状态进行分析,基于条件变分自编码器构建风电机组在变工况条件下的基准模型,并通过所述训练集对所述条件变分自编码器进行训练，获得用于检测叶片结冰异常参数的基准模型；
10、将待检测的目标风电机组的测试数据输入至所述基准模型，通过所述基准模型计算重构概率作为叶片结冰识异常检测的特征指标，基于所述重构概率定位出异常参数，并将所述异常参数输入至预先构建的与叶片结冰模式对应的异常特征知识语义网络进行诊断推理，以识别所述目标风电机组是否发生叶片结冰异常。
11、可选地，在本申请的一个实施例中，获取的历史数据包括：变流器无功功率均值、发电量均值、机械式测风仪测得的风速均值、超声波式测风仪测得的风速均值、多个时段内的风速均值、轮毂转速均值、发电机转速均值、转矩反馈平均值、电网电压均值、电网三相电流均值、电网线电压均值、电网出口线电流均值、塔架振动加速度均值和有功功率输出量。
12、可选地，在本申请的一个实施例中，所述从所述历史数据中剔除非稳态数据，包括：通过包含功率的变化速率的表达式表示风电机组的输出功率，并计算相邻两个时刻下所述输出功率的差值；通过时间窗口内样本统计量的均值对功率的变化速率进行估计，并采用区间估计法计算所述功率的变化速率的真实值所处的置信区间；在所述置信区间内不包括零的情况下，判定风电机组在所述时间窗口内处于非稳态工况，并将对应的非稳态数据剔除。
13、可选地，在本申请的一个实施例中，所述工况特征集中包含多个运行工况特征参数，所述多个运行工况特征参数包括但不限于：风速、风向、扭矩、转速和环境温度，所述基于工况特征集，通过等间隔工况划分的方式对所述历史数据进行工况划分，包括：确定每个所述运行工况特征参数在自身变化范围内的最大值和最小值，并获取每个所述运行工况特征参数对应的工况划分间隔；基于每个所述运行工况特征参数对应的最大值、最小值和工况划分间隔，分别对所述历史数据进行等间隔工况划分，并通过交集的方式确定划分出的各个工况；从划分后的全部工况中剔除无效工况，判断剩余有效工况的数量是否大于预设的最低阈值。
14、可选地，在本申请的一个实施例中，所述通过高斯混合模型gmm对划分出的每种工况下的数据进行聚类，包括：通过最大期望值算法估计所述高斯混合模型gmm的参数；通过赤池信息准则aic确定所述高斯混合模型的子模型个数，以对风电机组的状态类别进行聚类；所述从每种工况下的一类或者多类聚类簇中筛选出基准样本，包括：比较不同的聚类簇下的数据样本，选择平均运行效率最高的一组数据作为基准样本。
15、可选地，在本申请的一个实施例中，所述通过所述基准模型计算重构概率作为叶片结冰识异常检测的特征指标，包括：获取测试样本，通过所述条件变分自编码器的编码器获取每个隐变量的高斯分布中的第一参数和第二参数，并对每个隐变量采样预设数量个样本点；通过所述条件变分自编码器的解码器计算每个隐变量对应的重构变量似然分布中的第三参数和第四参数；基于所述第三参数和所述第四参数，统计在隐变量条件下所述测试样本的对数似然的平均值。
16、可选地，在本申请的一个实施例中，构建所述与叶片结冰模式对应的异常特征知识语义网络，包括：结合多种分析方法获取风电机组的叶片结冰识故障知识；将所述叶片结冰识故障知识转化为结构化语言，并基于本体的概念，通过预设的开源工具对所述结构化语言进行建模，以生成所述异常特征知识语义网络。
17、为达上述目的，本申请的第二方面还提出了一种基于条件变分自编码器的叶片结冰识别系统，包括以下模块：
18、获取模块，用于针对叶片结冰对风电机组运行产生的影响，获取与风电机组的所处区域天气状况、塔筒振动状况、输出功率特性和测风仪测量结果相关的历史数据；
19、划分模块，用于从所述历史数据中剔除根据预设标准确定的五类异常数据以及非稳态数据，并基于工况特征集，通过等间隔工况划分的方式对所述历史数据进行工况划分；
20、筛选模块，用于基于数据样本相似性，通过高斯混合模型gmm对划分出的每种工况下的数据进行聚类，并从每种工况下的一类或者多类聚类簇中筛选出基准样本，从所述基准样本划分出训练集；
21、训练模块，用于对风电机组在变工况下的运行状态进行分析,基于条件变分自编码器构建风电机组在变工况条件下的基准模型,并通过所述训练集对所述条件变分自编码器进行训练，获得用于检测叶片结冰异常参数的基准模型；
22、识别模块，用于将待检测的目标风电机组的测试数据输入至所述基准模型，通过所述基准模型计算重构概率作为叶片结冰识异常检测的特征指标，基于所述重构概率定位出异常参数，并将所述异常参数输入至预先构建的与叶片结冰模式对应的异常特征知识语义网络进行诊断推理，以识别所述目标风电机组是否发生叶片结冰异常。<本文档来自技高网...
【技术保护点】
1.一种基于条件变分自编码器的叶片结冰识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的叶片结冰识别方法，其特征在于，所述历史数据包括：变流器无功功率均值、发电量均值、机械式测风仪测得的风速均值、超声波式测风仪测得的风速均值、多个时段内的风速均值、轮毂转速均值、发电机转速均值、转矩反馈平均值、电网电压均值、电网三相电流均值、电网线电压均值、电网出口线电流均值、塔架振动加速度均值和有功功率输出量。
3.根据权利要求1所述的叶片结冰识别方法，其特征在于，所述从所述历史数据中剔除非稳态数据，包括：
4.根据权利要求1所述的叶片结冰识别方法，其特征在于，所述工况特征集中包含多个运行工况特征参数，所述多个运行工况特征参数包括但不限于：风速、风向、扭矩、转速和环境温度，所述基于工况特征集，通过等间隔工况划分的方式对所述历史数据进行工况划分，包括：
5.根据权利要求1所述的叶片结冰识别方法，其特征在于，所述通过高斯混合模型GMM对划分出的每种工况下的数据进行聚类，包括：
6.根据权利要求1所述的叶片结冰识别方法，其特征在于
7.根据权利要求1所述的叶片结冰识别方法，其特征在于，构建所述与叶片结冰模式对应的异常特征知识语义网络，包括：
8.一种基于条件变分自编码器的叶片结冰识别系统，其特征在于，包括：
9.根据权利要求8所述的系统，其特征在于，所述划分模块，具体用于：
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的基于条件变分自编码器的叶片结冰识别方法。
...【技术特征摘要】
1.一种基于条件变分自编码器的叶片结冰识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的叶片结冰识别方法，其特征在于，所述历史数据包括：变流器无功功率均值、发电量均值、机械式测风仪测得的风速均值、超声波式测风仪测得的风速均值、多个时段内的风速均值、轮毂转速均值、发电机转速均值、转矩反馈平均值、电网电压均值、电网三相电流均值、电网线电压均值、电网出口线电流均值、塔架振动加速度均值和有功功率输出量。
3.根据权利要求1所述的叶片结冰识别方法，其特征在于，所述从所述历史数据中剔除非稳态数据，包括：
4.根据权利要求1所述的叶片结冰识别方法，其特征在于，所述工况特征集中包含多个运行工况特征参数，所述多个运行工况特征参数包括但不限于：风速、风向、扭矩、转速和环境温度，所述基于工况特征集，通过等间隔工况划分的方式对所述历史数...
【专利技术属性】
技术研发人员：朱俊杰，祝金涛，李遥宇，
申请(专利权)人：华能福建能源开发有限公司清洁能源分公司，
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。