申请/专利权人：中国水利水电第十四工程局有限公司

申请日：2024-03-18

公开（公告）日：2024-04-16

公开（公告）号：CN117892213A

主分类号：G06F18/2413

分类号：G06F18/2413;G06F18/10;G06F18/214;G06F18/21;G06F18/23;F03D17/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种风力发电机叶片覆冰侦测与预警的诊断方法，属于发电机安全技术领域。包括收集真实SCADA数据；对数据进行预处理标准化确保数据质量；进行数据预处理后提取有用信息的特征工程；使用欠采样及聚类算分进行二阶段数据再平衡优化；依托平衡后的数据进行分类算法的训练，用于覆冰情况的判断和预测；最后使用测试集测试评估模型性能，为可靠的风力发电机覆冰预测提供科学基础。本发明通过对大量数据的学习和建模，能够识别和提取数据的规律和特征，并自动化地完成数据处理、分类、聚类等任务，无需人工干预，极大地提高了检测的效率和准确性，避免了人工干预带来的误差和不稳定性。

主权项：1.一种风力发电机叶片覆冰侦测与预警的诊断方法，其特征在于：包括以下步骤：1）收集风力发电机运行状态下的SCADA数据，SCADA数据包括风速、温度和角速度；2）数据预处理：所述预处理指的是针对原始SCADA数据实行自动标记、对原始数据进行标准化处理、清洗掉原始数据中的缺失值NaN值和不相关数据、保存原始数据异常值、特征选择操作；3）特征工程：将训练集及测试集数据提取有用信息，并结合特征要求构建更加匹配风力发电机结冰特性的新特征，并将经特征工程处理后的SCADA数据分为训练集及测试集；4）针对训练集数据，采用向下采样及聚类技术的数据再平衡，采用两阶段数据再平衡方法，用以解决风电机组正常运行数据与结冰数据之间的数据不平衡问题；5）机器学习分类算法训练模型，用步骤4）两阶段数据平衡后的特征矩阵作为训练数据；用机器学习分类算法来完成风力发电机积冰状态的判断和预测任务；6）完成机器学习模型的训练后，用步骤3）中的测试集数据验证步骤5）中训练完成的模型的预测准确性和可靠性；将测试集作为训练后的机器学习分类模型输入数据，预测测试集数据所对应的状态，通过对比测试集实际状态与预测状态是否一致，计算测试集积冰状态预测误差；步骤3）中特征工程增设风力发电机时序特征并采用特征选择模型对原始数据进行编写，以帮助机器学习模型更好地识别和预测风力发电机积冰情况；在特征选择过程中，评估和选择最相关和最具有预测能力的特征，并设计算法构建提高模型的准确性和性能的时序特征，所述风力发电机时序特征表达式如下所示，以下风速、功率、叶片转速、风速湍流度、风向湍流度、风俗阵风比、风比功率的数据由已标准化后的特征矩阵中提取：环境风速差及风速时序表达为： ，其中，表示i时刻与i-1时刻的风速差；表示i时刻与i-1时刻的时间差，单位为小时；是第i时刻的风速，是第i-1时刻的风速；是第i时刻的时间，是第i-1时刻的时间；表示风速的时序变化；风力发电机有功功率差及风力发电机功率的时序变化为： ，式中，是第i时刻的功率，是第i-1时刻的功率；表示风力发电机功率的时序变化；风力发电机叶片转速差及风力发电机叶片转速的时序变化为： ,其中，是在i时刻的风力发电机叶片转速，是第i-1时刻的风力发电机叶片转速；表示风力发电机叶片转速的时序变化；风速湍流度百分比表达式为： ，其中，为风速湍流度百分比，为风速标准差，为风速；所述风力发电机新特征风向湍流度百分比表达式为： ，其中，为风向湍流度百分比，为风向标准差，为风向；风速阵风比表达式为： ，其中，为风速阵风比，为风速最小值，为风速；风比功率表达式为： ，其中，为风速阵风比，为密度调整风速，为风速；因此，新特征矩阵包含以上所提及的所有特征，表示为： ，在特征选择的过程中，使用L1正则化算法，用于降低模型的复杂度并选择最重要的特征，其中，是正则化后的损失函数；是包含特征通常表示为矩阵的输入数据集；y是输入数据集的标签集合，是原始的损失函数，表示模型基于训练数据特征矩阵及便签集合y上的拟合误差，w是模型的权重向量，包括所有特征的权重，是正则化参数，用于控制正则化的强度，表示权重向量的L1范数，即各个特征的绝对值之和；此步骤通过仅保留与非零系数对应的特征向量来创造新的特征矩阵和标签向量，用及表示，将特征矩阵及标签向量分为训练集数据及测试集数据，分别为训练集特征矩阵及标签向量和测试集特征矩阵及标签向量；步骤4）中解决风电机组正常运行数据与结冰数据之间的数据不平衡问题，首先，针对训练集特征矩阵及标签向量开展欠采样，在保证数据整体性的同时，去除部分正常运行数据，保留少量正常数据与结冰事件数据，形成新的特征矩阵及所对应的状态标签；其次，将特征矩阵及状态标签数列组合成新矩阵，作为聚类分析的输入数据，聚类算法分割组合后矩阵数据为2簇，并保留分割后同时存在正常运行数据与结冰事件数据的簇，得出新的特征矩阵及所对应的状态标签；此处特征矩阵及所对应的状态标签数列为步骤5）分类模型训练的输入数据；步骤5）中使用特征矩阵及所对应的状态标签训练算法完成风力发电机积冰情况的判断和预测模型训练；获取已训练AdaBoost算法作为后续验证步骤的基础模型；步骤6）使用测试集特征矩阵及标签向量来验证模型的准确性和可靠性，具体用优化目标为整体预测最小误差来表示，其表达式如下： ，其中，表示预测误差，表示欠采样方法，表示聚类方法，表示分类方法，验证过程中，通过迭代计算，替换具体的欠采样、聚类、及分类阶段算法，直至寻找到一种算法组合方式，实现整体结冰预测误差率最小。

全文数据：

权利要求：

百度查询： 中国水利水电第十四工程局有限公司 一种风力发电机叶片覆冰侦测与预警的诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD