基于FDA与SOM的风机叶片结冰可视化状态监测

摘要

本发明公开了一种基于FDA与SOM的风机叶片结冰可视化状态监测方法，采用基于数据驱动的方式，将风机工作时风机叶片的状态及其状态转移过程通过可视化的手段直观的表现出来。该方法具体包括如下步骤：采集某风场单台风机机组数据；对得到的数据进行清洗，预处理和标准化；利用线性判别分析（FDA）进行特征提取，并构建FDA模型；将经过FDA模型处理过的数据输入到自组织映射神经网络（SOM）中，通过对样本类别进行标记，重新标准化，然后对训练数据进行学习得到SOM模型，输入测试数据，完成可视化及状态监测。

说明书

技术领域

本发明涉及一种针对风机叶片结冰的可视化以及状态监测方法，主要涉及对风机叶片正常以及结冰状态的可视化监测。

背景技术

在当前环境污染形势空前严峻，化石燃料存量面临枯竭的今天，风能作为一种清洁的可再生能源，是当前世界上所采用的最理想的新能源之一。采用风力发电的方法可以有效减少温室气体的排放，并对当前全球气候变化带来积极影响，因此越来越受到世界上众多国家的关注，随着各国政府陆续颁布的新能源扶持政策，风力发电产业迎来了大发展的鼎盛时期，通过对比近几年各国新增风力发电机组装机数据可见，风力发电在所有新能源中已经占据了相当高的比例。我国近几年对于新能源产业的发展采取了空前的扶持力度，新增风力发电机组的增速一直处于全球领先水平。

虽然风力发电有诸多优点，但在该领域中，风力发电机叶片结冰的问题一直没有得到很好的解决，这也成为困扰风电行业的长期难题。通过大量的运行经验表明，风力发电机产生叶片结冰现象时，会明显改变叶片的气动外形，增加风机各个叶片的载荷，进而在长期的工作运行中加剧风机的磨损，影响风机的稳定运行；当结冰脱落时，还会出现脱落的冰块砸坏电厂设备甚至威胁电厂维护人员的人身安全的情况。

国内对于风力发电机叶片结冰故障的研究和成果正处于起步发展阶段，目前对于风机叶片结冰的监控主要是使用视频目视监控或者采用加装传感器的方法对叶片状态进行监控，但采用这些方法会导致经济成本过高，并且受恶劣天气情况影响较大，随着设备的持续使用，相关设备的测量误差会逐渐增大，从而影响监控效果；此外还有一些基于数据驱动的方法，主要是运用多元统计分析和人工神经网络，通过数据挖掘来对叶片的状态进行识别，效果较好，但仍存在模型对特征筛选的条件要求过高，算法准确率不稳定的问题。

本发明通过对风机的运行数据进行可视化监控，实现了对风机叶片正常状态和结冰状态的可视化分类，并在此基础上通过数据进一步跟踪风机叶片的状态变化，为确定风机叶片状态提供了可靠依据，对后续针对不同状态采取有针对性的处理措施提供了指导，保证了风机的正常运行。

发明内容

本发明的目的是提供一种针对风机叶片结冰的可视化以及状态监测的方法。通过采集风场SCADA系统的风机真实运行数据，首先采用数据清洗的方法对原始数据进行初步的筛选，并在此基础上构建新的特征变量；针对不平衡数据集的问题，对数据采用降采样的处理方法并按照比例划分训练集和测试集，标准化后输入到FDA模型中进行特征提取；将FDA模型的训练集输出结果送入SOM网络中进行学习，建立SOM网络模型；将FDA模型的测试集输出结果输入到SOM网络模型中进行投影，输出状态分类可视化结果和状态转移轨迹。

1、数据采集和清洗

采集国内北方某风场第15号风机对应SCADA系统的真实运行数据，首先对数据进行初步的清洗，去掉时间戳、状态标记和分组标记；然后对因设备停机和重复采样造成的无效值和重复值进行剔除；由于风机的三个叶片在速度、角度和变桨电机温度上呈现出相似的线性分布关系，且三个变量在数值上分布也接近，故分别对叶片速度、叶片角度和变桨电机温度三个变量取三个叶片的平均值构造新的特征变量。

2、数据预处理

通过对清洗过的数据的所属状态进行统计发现，风机大部分时间运行在正常状态，结冰状态数据只占数据总量的6%，因此风机结冰数据属于典型的不平衡数据集，需要针对不平衡数据集进行相应的处理。由于正常状态数据体量巨大，为平衡不同类样本数据，采用对正常数据进行降采样的方式进行数据体量的压缩，为在后续步骤中降低运算量，对降采样后的正常数据和结冰数据进一步压缩，并按比例划分训练集和测试集，分别对训练集和测试集按照均值为0，方差为1的形式进行标准化处理。

3、建立FDA模型

对于上述处理过的数据，采用线性判别分析（FDA）分别对训练数据和测试数据进行特征提取，建立风机数据的FDA模型，按照最大化类间距离，最小化类内距离的原则，提取出最能表征正常状态和结冰状态的变量。

4、SOM可视化

对采用FDA模型特征提取后的数据，首先对训练数据的正常和故障状态进行标记并进一步标准化，将训练数据输入到SOM网络中学习，输出训练数据的碰撞直方图；然后对测试数据的正常和故障状态进行标记，并采用与训练数据相同的标准化方法，将测试数据输入到已经训练好的SOM网络中进行投影，输出测试数据的碰撞直方图，并在碰撞直方图的基础上做状态转移轨迹，完成测试数据的状态可视化以及状态监测。

方法优势：

与其他方法相比，本方法具有以下优势：（1）完全以风机的运行数据为基础，不需要建立精确地数学模型，具有较强的适应性；（2）通过数据清洗剔除相关向量，构造新向量以及采用降采样等方式，在不改变数据结构的基础上减少了数据体量，节省时间成本；（3）通过使用线性判别分析建立FDA模型，使提取出的特征向量具有更好的代表原始数据特征的特点；（4）通过SOM网络实现了风机叶片结冰的可视化，可以直观的对风机叶片状态进行监控，通过状态转移轨迹可以进一步对风机叶片状态进行跟踪，提前采取措施，对保证风机正常运行具有重要意义。

附图说明

图1：实施方案流程图。

图2：风机3个叶片的角度关系。

图3：风机3个叶片的速度关系。

图4：风机3个叶片的变桨电机温度关系。

图5：SOM网络对15号风机训练数据的结果。

图6：SOM网络对15号风机测试数据的结果。

具体实施方式

以某风场单台风机作为实施实例对本发明做进一步说明，具体实施方案流程图如图1所示。

1、数据采集与清洗

采集国内北方某风场第15号风机对应SCADA系统的真实运行数据共393886条，数据维度为29维，具体参数如表1所示：

（1）对采集的原始数据进行初步的清洗，去掉时间戳、状态标记和分组标记，留下26维特征；

（2）对因设备停机、人为停机和重复采样造成的无效值和重复值进行剔除，剩余374147条数据，这其中包含了正常数据（350255条）和结冰数据（23892条），其中结冰数据所占比例约为6%，是明显的不平衡数据集；

（3）由图2、图3和图4可以看出，风机的三个叶片在速度、角度和变桨电机温度上呈现明显的线性关系，因此去掉速度、角度和变桨电机温度这三个变量，重新以三个变量的平均值作为新特征构造特征向量。

2、数据预处理

由于风机数据属于典型的不平衡数据集，通过对清洗过的数据的所属状态进行统计发现，结冰状态数据只占数据总量的6%，需要对此数据集进行相应的处理。由于正常状态数据体量巨大，因此采用定长采样的降采样方式，每隔10个样本对正常状态数据重新采样，为在后续步骤中降低运算量，对降采样后的正常数据和结冰数据进一步压缩，随机选取正常数据和结冰数据20000条，并按7:3的比例划分训练集和测试集，分别对训练集和测试集按照均值为0，方差为1的形式进行标准化处理。

3、建立FDA模型

首先定义总体离散度矩阵为：

其中

FDA的基本原则就是通过对目标函数：

其中

4、SOM可视化

（1）对FDA模型特征提取后的数据，首先对训练数据的正常和故障状态进行标记并进行标准化，并对SOM网络的权值矢量

（2）对竞争层的每一个输出神经元，计算各输入向量

（3）根据选定的邻域半径和邻域函数计算获胜神经元邻域内将要包含的神经元数和神经元的更新幅度；

（4）依照下列公式

（5）对测试数据的正常和故障状态进行标记，并采用与训练数据相同的标准化方法，将测试数据输入到已经训练好的SOM模型中进行投影，输出测试数据的碰撞直方图，并在碰撞直方图的基础上做状态转移轨迹，完成测试数据的状态可视化以及状态监测。

以上描述了，基于FDA与SOM的风机叶片结冰可视化状态监测方法，通过数据清洗和预处理、建立FDA模型和SOM可视化，实现了风机的状态可视化以及状态监测。