一种风机叶片早期结冰故障预测方法

摘要

本发明涉及一种风机叶片早期结冰故障预测方法，包括以下步骤：S1：获取预测参数数据，构建样本集并进行数据预处理；S2：通过Relief‑F算法进行特征选择，得到最优特征子集；S3：对最优特征子集进行PCA特征变换，得到最佳特征；S4：构建早期结冰故障预测模型并利用最佳特征进行模型训练；S5：利用训练完成的结冰故障早期预测模型，判断风机叶片是否发生早期结冰故障，与现有技术相比，本发明具有效率高、精度高等优点。

说明书

技术领域

本发明涉及风力发电设备领域，尤其是涉及一种风机叶片早期结冰故障预测方法。

背景技术

随着碳达峰、碳中和目标的提出，以风电、光伏为代表的新能源将呈现出爆发式的增长模态。风电作为清洁、绿色、环保的可再生能源，对降低碳排放具有显著作用，有利于实现碳达峰、碳中和的宏伟目标。目前，许多风机安装在湿度大、温度低的中南部高海拔地区，特殊的地理位置使得风机在运行过程中会受到不同程度的自然环境影响，其中，风机叶片结冰导致机组获取风能的能力下降，从而引起发电机输出功率减少，叶片性能改变以及机组自身设备发生损坏等。因此，快速有效地检测并去除叶片结冰对风电机组的安全运行和使用寿命至关重要。

在实际应用中，当外界环境变化较大时，检测装置可以准确地检测到结冰，并及时启动除冰系统自动除冰；当变化较小时，很难有效地检测到结冰状态。虽然早期叶片结冰对机组运行影响不明显，但随着环境的突变很容易演化成严重结冰。目前，对于叶片结冰，主要是在机组外部安装温度、湿度、振动等传感器，通过测量相应的数据变化来判断是否结冰，这样不仅增加了自身成本，还会影响叶片的空气动力学性能。中国专利CN201811296712.7公开了一种基于SCADA数据的机叶片结冰预测方法，包括获取归一化SCADA数据；获取影响风机叶片结冰的特征数据集；构建并训练风机叶片结冰预测模型；对训练后的风机结冰预测模型进行优化；对风机叶片是否结冰进行判断。但是该方法采集关键参数数据特征的过程复杂，且无法得到最佳特征属性，对于叶片结冰的早期预测结果精度和检测效率均不高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种提高检测精度和检测效率的风机叶片早期结冰故障预测方法。

本发明的目的可以通过以下技术方案来实现：

一种风机叶片早期结冰故障预测方法，包括以下步骤：

S1：获取预测参数数据，构建样本集并进行数据预处理；

S2：通过Relief-F算法进行特征选择，得到最优特征子集；

S3：对最优特征子集进行PCA特征变换，得到最佳特征；

S4：构建早期结冰故障预测模型并利用最佳特征进行模型训练；

S5：利用训练完成的结冰故障早期预测模型，判断风机叶片是否发生早期结冰故障。

进一步地，所述的步骤S1中，通过SCADA系统采集获取预测参数数据，所述的预测参数数据包括风速、环境温度、环境湿度、发电机转速、偏航速度、网侧有功功率和叶片角度等。

进一步地，所述的步骤S1中的数据预处理包括标签标记、数据补充、数据删除、数据均衡和数据过滤。

更进一步地，所述的数据预处理具体包括以下步骤：

S11：对样本集中的预测参数数据进行标签标记，所述的标签包括正常数据、结冰数据和无效数据；

S12：对缺失或异常数据进行数据补充，并对无效数据进行数据删除；

S13：通过欠采样方式对正常数据进行压缩，使正常数据与结冰数据比例为1:1，实现数据均衡；

S14：通过强规则进行数据过滤，过滤掉正常数据中明显不结冰的数据。

进一步地，所述的步骤S1还包括：对预处理完成的预测参数数据进行数据分割，将样本集划分为训练集和测试集，所述的训练集中的预测参数数据用于模型训练，所述的测试集的预测参数数据用于模型验证。

进一步地，所述的步骤S2具体包括以下步骤：

S21：通过迭代法获取样本集中各预测参数数据样本的特征预测权值；

S22：根据权值大小，对各预测参数数据样本进行排序；

S23：获取设定阈值；

S24：将特征预测权值小于设定阈值的预测参数数据样本进行删除，得到最优特征子集。

更进一步地，所述的步骤S21具体包括：

S211：初始化特征预测权值W(B)＝0,(B＝0,1,2,…,d)，其中，B为矩阵特征，d为权值序列；

S212：从样本集中随机选择一个预测参数数据样本R；

S213：寻找与预测参数数据样本R同类的k个最邻近同类样本H和不同类的k个最近邻异类样本M；

S214：计算该预测参数数据样本R对应的特征预测权值W(B)，并返回步骤S212，直至得到所有预测参数数据样本对应的特征预测权值，完成迭代。

更进一步地，所述的步骤S214中，特征预测权值W(B)的计算公式为：

其中，其中，A为矩阵特征，m为迭代次数，C为类别，P(C)为C类目标的概率，P(class(R

进一步地，所述的步骤S3具体包括：将Relief-F特征选择得到的最优特征子集进行降维变换，将原特征空间中的信息集中至新特征空间中，得到最佳特征作为模型的输入，所述的新特征空间中各个维度互不相关。

与现有技术相比，本发明具有以下优点：

1)本发明通过Relief-F算法对原始样本集中的特征进行选择，选择出与叶片结冰关联度最大的特征属性，并删除不相关的特征，同时对选择得到的新的特征再采用PCA降维得到最佳特征，利用最佳特征进行模型训练，降低了样本集的特征维度，实现以少胜多，能够提高结冰故障早期预测模型的分类精度，防止关联度低的特征属性影响模型的训练效果，提高叶片结冰的早期预测的结果精度和检测效率，减少结冰对机组造成的危害，降低不必要的损失，确保风电场正常的功率输出，维护电网的安全稳定运行；

2)本发明利用机器学习的方式，采用风机SCADA系统采集的数据，既经济又环保，无需再安装其他外部检测装置，降低了机组自身成本。

附图说明

图1为本发明流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1所示，本发明提供一种风机叶片早期结冰故障预测方法，包括以下步骤：

S1：获取预测参数数据，构建样本集并进行数据预处理；

S2：通过Relief-F算法进行特征选择，得到最优特征子集；

S3：对最优特征子集进行PCA特征变换，得到最佳特征；

S4：构建早期结冰故障预测模型并利用最佳特征进行模型训练；

S5：利用训练完成的结冰故障早期预测模型，判断风机叶片是否发生早期结冰故障。

具体实施过程如下：

步骤1：数据获取。利用SCADA系统采集的数据作为样本集，包括风速、环境温度、湿度、发电机转速、偏航速度、网侧有功功率、叶片角度等；

步骤2：数据预处理。

步骤2.1label标记：对于样本集中的数据通常包含正常数据、结冰数据和无效数据，分别采用0，1，2对这些状态进行标记；

步骤2.2数据补充和删除：对于缺失或异常的数据，采用计算平均值、中位数或众数插值的方式进行替补，对于无效数据则直接进行删除；

步骤2.3数据不均衡：采用欠采样的方法将正常数据求均值来进行压缩，使正常数据与结冰数据比例基本上呈1:1；

步骤2.4数据过滤：通过强规则过滤掉明显不结冰的数据，避免过量的正常数据影响模型的学习，提高模型的准确率和泛化能力；

步骤3：数据分割。对于处理好的数据，分别将其划分为训练集和测试集，其中训练集为2/3，测试集为1/3，通过对训练集数据进行训练，不断优化模型参数，利用测试集数据进行测试，验证模型的效果；

步骤4：Relief-F特征选择。对样本集中的特征进行求权值和排序，基于已设定的权重阈值，权重小于阈值的特征被删除，最后得到最优的特征子集，求权值的具体步骤如下：

步骤4.1：初始化特征预测权值W(B)＝0,(B＝0,1,2,…,d)；

步骤4.2：开始迭代，从样本集中选择一个样本R；

步骤4.3：寻找与样本R同类的k个最邻近H和不同类的k个最近邻M；

步骤4.4；更新每个样本对应的特征权值，计算公式为；

其中，A为矩阵特征，m为迭代次数，C为类别，P(C)为C类目标的概率，P(class(R

步骤5：PCA特征变换。

将Relief-F特征选择后的新的特征矩阵进行降维变换，把原特征空间中有用的信息集中到少量的维度中去，选择最佳特征作为模型的输入，新的特征空间中各个维度互不相关，增加了类别的可分性，实现以少胜多；

步骤6：数据分类及精度评定。对进行特征选择和不进行特征选择的数据进行SVM分类，验证Relief-F特征选择方法的分类精度；同时，对特征选择后的数据进行PCA变换，验证基于Relief-F和PCA相结合的分类精度；对数据选择和数据变换的矩阵采用机器学习中的组合模型进行再次预测，比较各个模型的预测精度，构建精度最高的早期结冰故障预测模型，并利用最佳特征进行模型训练。

步骤7：最后利用训练完成的结冰故障早期预测模型，判断风机叶片是否发生早期结冰故障，实现风机叶片结冰故障早期预测。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。