CN109209790B - 一种基于数据建模的风电叶片结冰推测方法 - Google Patents
一种基于数据建模的风电叶片结冰推测方法 Download PDFInfo
- Publication number
- CN109209790B CN109209790B CN201811174245.0A CN201811174245A CN109209790B CN 109209790 B CN109209790 B CN 109209790B CN 201811174245 A CN201811174245 A CN 201811174245A CN 109209790 B CN109209790 B CN 109209790B
- Authority
- CN
- China
- Prior art keywords
- icing
- data
- model
- wind
- future
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/40—Ice detection; De-icing means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明为一种基于数据建模的风电叶片结冰推测方法,包括数据收集、数据预处理、结冰状态标注、训练集和验证集划分、构建特征、建立预测未来结冰模型、建立推测当下结冰模型和模型验证,该方法通过对已知风力发电站运行参数和风电叶片历史结冰信息进行处理,得出每台风力发电机的特征值和结冰标签,再根据特征值和结冰标签获得预测未来结冰模型,之后根据预测未来结冰模型输出结果、特征值及叶片结冰信息获得推测当下结冰模型。本发明的优点是:采用风力发电机组实时运行参数进行建模和预测,成本低、效率高、解释性强;以当前数据预测未来结冰状态,再根据当前数据和未来结冰状态推测当下结冰状态,增强了模型对于结冰变化趋势敏感程度。
Description
技术领域
本发明涉及风力发电领域,尤其涉及一种基于数据建模的风电叶片结冰推测方法。
背景技术
风电机组叶片结冰是风电领域的一个全球范围难题。结冰的主要威胁是发电性能下降、结构过载、运维安全。虽然部分风电机组配备了结冰传感器和自动除冰系统,仍需要对结冰的早期过程进行精确预测,以便能够尽早开启除冰系统。对结冰过程的准确预测,可以有效提升除冰效率,减少发电损失和降低运行风险。
受成本和安装难度限制,部分风电机组没有配置结冰转感器,这使得控制室无法实时获取所有风电机组的叶片结冰状态,从而导致无法及时对风电机组叶片进行除冰。
发明内容
本发明主要解决了上述问题,提供了通过数据建模预测未来结冰状态再通过未来结冰状态推测当下结冰概率的一种基于数据建模的风电叶片结冰推测方法。
本发明解决其技术问题所采用的技术方案是,一种基于数据建模的风电叶片结冰推测方法,包括以下步骤:
S1:收集数据:收集多台风力发电机组的实时运行参数及风电叶片结冰信息;
S2:数据预处理;
S3:结冰状态标注:根据各个时段内各个发电机组风电叶片的结冰信息标注结冰状态标签;
S4:训练集和验证集划分:在每台风力发电机组收集的数据中选取一个时间段内数据作为的样本,将多个样本划分为训练集和验证集;
S5:构建特征:根据每台风力发电机的实时运行参数获得功率残差特征、温度差值特征和加速度矢量合成特征;
S6:建立预测未来结冰模型:给训练集内各组数据标注未来结冰标签,以步骤S5中三个特征为输入,未来结冰标签为输出建立预测未来结冰模型并模型训练;
S7:建立推测当下结冰模型:以步骤S5中三个特征及预测未来结冰模型的输出为输入,当下结冰标签为输出建立推测当下结冰模型并模型训练
S8:模型验证:采用验证集对持久化推测模型进行验证并采用机器学习性能指标评价模型。
本发明通过对已知风力发电站运行参数和风电叶片历史结冰信息进行处理,得出每台风力发电机的特征值和结冰标签,再根据特征值和结冰标签获得预测未来结冰模型,之后根据预测未来结冰模型输出结果、特征值及叶片结冰信息获得推测当下结冰模型。
作为上述方案的一种优选方案,所述的实时运行参数包括机组运行状态、风速、功率、机舱温度、环境温度、机舱前后和左右加速度信息。
作为上述方案的一种优选方案,所述的步骤S2中的数据预处理包括以下步骤:
S01:根据风力发电机组的机组运行状态筛选出处于正常发电状态的风力发电机组;
S02:判断筛选出的风力发电机组的数据在各个时刻的值域范围;
S03:剔除离群数据;
S04:根据时间轴线性插补剔除的数据。
作为上述方案的一种优选方案,所述的步骤S4中获取每个样本时选取的时间段不同。风力发电机组往往设置在同一区域,每个样本选取不同的时间段,控制时间变量,使得样本数据多样化,进而提高推测结果的准确性。
作为上述方案的一种优选方案,所述步骤S5中功率残差特征通过以下步骤获得:
S11:提取风力发电机组正常发电状态下的风速和功率;
S12:以bins法绘制功率曲线;
S13:根据每一时刻的风速和对应的功率曲线得出参考功率;
S14:每一时刻的功率减去参考功率获得功率残差特征。
作为上述方案的一种优选方案,所述步骤S5中温度差值特征为每一时刻机舱温度与环境温度的差值。
作为上述方案的一种优选方案,所述步骤S5中加速度矢量合成特征为每一时刻机舱的前后加速度和左右加速度的矢量合成。
作为上述方案的一种优选方案,所述步骤S6中未来结冰标签通过以下步骤获得:
S21:针对每一时刻,等时间间隔多次查询每一台训练集内风力发电机组在相对于该时刻的未来一段时间内的结冰状态;
S22:根据公式P=n/N得到未来结冰占比P,n为查询到的结冰次数,N为查询次数;
S23:根据P的值标注未来结冰标记,若P>0.5,则标记该台风力发电机组在查询的这段时间内结冰;若P≤0.5,则标记该台风力发电机组在查询的这段时间内不结冰。
作为上述方案的一种优选方案,所述的模型训练采用逻辑回归、随机森林、梯度提升决策树和最近邻中的一种机器学习算法进行二分类有监督学习训练。
作为上述方案的一种优选方案,所述步骤S8中机器学习性能指标包括精确率、召回率、F1、ROC和AUC。F1为统计学中用来衡量二分类模型精确度的一种指标,F1分数可以看作是模型准确率和召回率的一种加权平均,它的最大值是1,最小值是0。ROC为受试者工作特征曲线,是反映敏感性和特异性连续变量的综合指标,AUC为ROC曲线下的面积。
本发明的优点是:采用风力发电机组实时运行参数进行建模和预测,成本低、效率高、解释性强;以当前数据预测未来结冰状态,再根据当前数据和未来结冰状态推测当下结冰状态,增强了模型对于结冰变化趋势敏感程度。
附图说明
图1为本发明的一种流程示意图。
图2为本发明中数据预处理的一种流程示意图。
图3为本发明中获得功率残差特征的一种流程示意图。
图4为本发明中获得未来结冰标记的一种流程示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步的说明。
实施例:
本实施例一种基于数据建模的风电叶片结冰推测方法,如图1所,包括以下步骤:
S1:收集数据:收集多台风力发电机组的运行状态、风速、功率、机舱温度、环境温度、机舱前后和左右加速度信息及风电叶片结冰信息;
S2:数据预处理;
S3:结冰状态标注:根据各个时段内各个发电机组风电叶片的结冰信息标注结冰状态标签;结冰状态标注结冰状态标签为1,不结冰状态标注标签为0。
S4:训练集和验证集划分:在每台风力发电机组收集的数据中选取一个时间段内的数据作为的样本,将多个样本划分为训练集和验证集;选取数据时,每台风力发电机选取的时间不同。
S5:构建特征:根据每台风力发电机的实时运行参数获得功率残差特征、温度差值特征和加速度矢量合成特征;
S6:建立预测未来结冰模型:给训练集内各组数据标注未来结冰标签,以步骤S5中三个特征为输入,未来结冰标签为输出建立预测未来结冰模型并模型训练;
S7:建立推测当下结冰模型:以步骤S5中三个特征及预测未来结冰模型的输出为输入,当下结冰标签为输出建立推测当下结冰模型并模型训练
S8:模型验证:采用验证集对持久化推测模型进行验证并采用精确率、召回率、F1和ROC_AUC评价模型。
如图2所示,数据预处理包括以下步骤:
S01:根据风力发电机组的机组运行状态筛选出处于正常发电状态的风力发电机组;
S02:判断筛选出的风力发电机组的数据在各个时刻的值域范围;
S03:剔除离群数据;
S04:根据时间轴线性插补剔除的数据。
如图3所示,功率残差特征通过以下步骤获得:
S11:提取风力发电机组正常发电状态下的风速和功率;
S12:以bins法绘制功率曲线;
S13:根据每一时刻的风速和对应的功率曲线得出参考功率;
S14:每一时刻的功率减去参考功率获得功率残差特征。
温度差值特征为每一时刻机舱温度与环境温度的差值,加速度矢量合成特征为每一时刻机舱的前后加速度和左右加速度的矢量合成。
如图4所示,未来结冰标签通过以下步骤获得:
S21:针对每一时刻,等时间间隔多次查询每一台训练集内风力发电机组在相对于该时刻的未来一段时间内的结冰状态;
S22:根据公式P=n/N得到未来结冰占比P,n为查询到的结冰次数,N为查询次数;
S23:根据P的值标注未来结冰标记,若P>0.5,则标记该台风力发电机组在查询的这段时间内结冰,标记为1,;若P≤0.5,则标记该台风力发电机组在查询的这段时间内不结冰,标记为0。
本实施例中采用梯度提升决策树对预测未来结冰模型和推测当下结冰模型进行二分类有监督学习训练。
本实施例,通过对已知数据的处理,选择过去某一时刻为当前时刻,再选择相对于该时刻的未来时间段,即所采用的数据均为已知的产生在过去的,首先对当前时刻的数据进行收集数据、数据预处理、结冰状态标注、训练集和验证集划分及构建特征,构建的特征有三个,再标注未来时间段内每台风力发电机的未来结冰标签,之后以构建的三个特征为输入,以未来结冰状态为输出构建预测未来结冰模型,模型经过训练后成为一个二分类持久化模型,然后向模型中输入构建的三个特征获得模型预测出的未来结冰状态,将模型预测出的未来结冰状态作为第四个特征,以根据当前时刻数据获取的四个特征为输入,当前时间结冰状态为输出,构建推测当下结冰模型并训练,获得推测当下结冰模型的二分类持久化模型,最后验证该模型。模型验证后即可采用风力发电机实时运行数据预测未来结冰状态和推测当下结冰状态。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于数据建模的风电叶片结冰推测方法,其特征是:包括以下步骤:
S1:收集数据:收集多台风力发电机组的实时运行参数及风电叶片结冰信息;
S2:数据预处理;
S3:结冰状态标注:根据各个时段内各个发电机组风电叶片的结冰信息标注结冰状态标签;
S4:训练集和验证集划分:在每台风力发电机组收集的数据中选取一个时间段内数据作为的样本,将多个样本划分为训练集和验证集;
S5:构建特征:根据每台风力发电机的实时运行参数获得功率残差特征、温度差值特征和加速度矢量合成特征;
S6:建立预测未来结冰模型:给训练集内各组数据标注未来结冰标签,以步骤S5中三个特征为输入,未来结冰标签为输出建立预测未来结冰模型并模型训练;
S7:建立推测当下结冰模型:以步骤S5中三个特征及预测未来结冰模型的输出为输入,当下结冰标签为输出建立推测当下结冰模型并模型训练;
S8:模型验证:采用验证集对持久化推测模型进行验证并采用机器学习性能指标评价模型。
2.根据权利要求1所述的一种基于数据建模的风电叶片结冰推测方法,其特征是:所述的实时运行参数包括机组运行状态、风速、功率、机舱温度、环境温度、机舱前后和左右加速度信息。
3.根据权利要求2所述的一种基于数据建模的风电叶片结冰推测方法,其特征是:所述的步骤S2中的数据预处理包括以下步骤:
S01:根据风力发电机组的机组运行状态筛选出处于正常发电状态的风力发电机组;
S02:判断筛选出的风力发电机组的数据在各个时刻的值域范围;
S03:剔除离群数据;
S04:根据时间轴线性插补剔除的数据。
4.根据权利要求1所述的一种基于数据建模的风电叶片结冰推测方法,其特征是:所述的步骤S4中获取每个样本时选取的时间段不同。
5.根据权利要求2所述的一种基于数据建模的风电叶片结冰推测方法,其特征是:所述步骤S5中功率残差特征通过以下步骤获得:
S11:提取风力发电机组正常发电状态下的风速和功率;
S12:以bins法绘制功率曲线;
S13:根据每一时刻的风速和对应的功率曲线得出参考功率;
S14:每一时刻的功率减去参考功率获得功率残差特征。
6.根据权利要求2所述的一种基于数据建模的风电叶片结冰推测方法,其特征是:所述步骤S5中温度差值特征为每一时刻机舱温度与环境温度的差值。
7.根据权利要求2所述的一种基于数据建模的风电叶片结冰推测方法,其特征是:所述步骤S5中加速度矢量合成特征为每一时刻机舱的前后加速度和左右加速度的矢量合成。
8.根据权利要求1所述的一种基于数据建模的风电叶片结冰推测方法,其特征是:所述步骤S6中未来结冰标签通过以下步骤获得:
S21:针对每一时刻,等时间间隔多次查询每一台训练集内风力发电机组在相对于该时刻的未来一段时间内的结冰状态;
S22:根据公式P=n/N得到未来结冰占比P,n为查询到的结冰次数,N为查询次数;
S23:根据P的值标注未来结冰标记,若P>0.5,则标记该台风力发电机组在查询的这段时间内结冰;若P≤0.5,则标记该台风力发电机组在查询的这段时间内不结冰。
9.根据权利要求1所述的一种基于数据建模的风电叶片结冰推测方法,其特征是:所述的模型训练采用逻辑回归、随机森林、梯度提升决策树和最近邻中的一种机器学习算法进行二分类有监督学习训练。
10.根据权利要求1所述的一种基于数据建模的风电叶片结冰推测方法,其特征是:所述S8中机器学习性能指标包括精确率、召回率、F1、ROC和AUC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811174245.0A CN109209790B (zh) | 2018-10-09 | 2018-10-09 | 一种基于数据建模的风电叶片结冰推测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811174245.0A CN109209790B (zh) | 2018-10-09 | 2018-10-09 | 一种基于数据建模的风电叶片结冰推测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109209790A CN109209790A (zh) | 2019-01-15 |
CN109209790B true CN109209790B (zh) | 2019-12-20 |
Family
ID=64983279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811174245.0A Active CN109209790B (zh) | 2018-10-09 | 2018-10-09 | 一种基于数据建模的风电叶片结冰推测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109209790B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109751204A (zh) * | 2019-02-18 | 2019-05-14 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种风力机结冰数值模拟方法 |
CN110147811A (zh) * | 2019-04-02 | 2019-08-20 | 宜通世纪物联网研究院(广州)有限公司 | 基于时间窗口混合模型的风机叶片预测方法及系统 |
CN110985315A (zh) * | 2019-12-16 | 2020-04-10 | 南京松数科技有限公司 | 一种检测风机叶片结冰的早期预测方法 |
CN111737923A (zh) * | 2020-07-28 | 2020-10-02 | 湘电风能有限公司 | 一种风机叶片结冰预测方法 |
CN111878326B (zh) * | 2020-08-06 | 2021-11-26 | 上海电气风电集团股份有限公司 | 风机的结冰故障检测方法、系统、电子设备和介质 |
CN111794921B (zh) * | 2020-08-25 | 2023-04-18 | 大唐(赤峰)新能源有限公司 | 一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法 |
CN113719425B (zh) * | 2021-05-14 | 2022-11-22 | 北京智慧空间科技有限责任公司 | 一种风机叶片故障预测方法、系统及存储介质 |
CN113719433A (zh) * | 2021-06-15 | 2021-11-30 | 国家电投集团宁夏能源铝业中卫新能源有限公司 | 风电机组叶片结冰检测方法、装置、系统及存储介质 |
CN113847216B (zh) * | 2021-10-14 | 2023-09-26 | 远景智能国际私人投资有限公司 | 风机叶片的状态预测方法、装置、设备及存储介质 |
CN117408053B (zh) * | 2023-10-18 | 2024-05-07 | 中国空气动力研究与发展中心计算空气动力研究所 | 强对流条件下低温平板干模态结霜特征曲线的建立方法 |
CN117407773B (zh) * | 2023-12-14 | 2024-06-18 | 山东捷瑞数字科技股份有限公司 | 基于数字孪生的风机叶片结冰状态预测方法、系统及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7086834B2 (en) * | 2004-06-10 | 2006-08-08 | General Electric Company | Methods and apparatus for rotor blade ice detection |
US7895016B2 (en) * | 2009-08-31 | 2011-02-22 | General Electric Company | System and method for wind turbine health management |
DE102015122932A1 (de) * | 2015-12-29 | 2017-06-29 | fos4X GmbH | Verfahren zum Prognostizieren der Anlagerung von Eis an einem Rotorblatt einer Windkraftanlage und dessen Verwendung |
CN105508152B (zh) * | 2015-12-31 | 2018-10-23 | 北京金风科创风电设备有限公司 | 叶片结冰模型的构建方法、结冰状态的监测方法和装置 |
CN108343566B (zh) * | 2018-03-28 | 2019-07-09 | 长沙理工大学 | 一种基于风电机组运行状态的叶片覆冰故障在线监测方法及系统 |
-
2018
- 2018-10-09 CN CN201811174245.0A patent/CN109209790B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109209790A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109209790B (zh) | 一种基于数据建模的风电叶片结冰推测方法 | |
Marugán et al. | Reliability analysis of detecting false alarms that employ neural networks: A real case study on wind turbines | |
Chatterjee et al. | Deep learning with knowledge transfer for explainable anomaly prediction in wind turbines | |
Okumus et al. | Current status of wind energy forecasting and a hybrid method for hourly predictions | |
CN110298485A (zh) | 基于改进深度随机森林算法的变桨系统故障预测方法 | |
US8155820B2 (en) | Method, apparatus and computer program product for predicting and avoiding a fault | |
Teng et al. | DNN‐based approach for fault detection in a direct drive wind turbine<? show [AQ ID= Q1]?> | |
CN111144499A (zh) | 基于深度神经网络的风机叶片早期结冰故障检测方法 | |
CN111615589B (zh) | 用于协同控制风电场的风力涡轮机的方法和装置 | |
CN110375987B (zh) | 一种基于深度森林机械轴承故障检测方法 | |
Butler et al. | Exploiting SCADA system data for wind turbine performance monitoring | |
CN112832960A (zh) | 一种基于深度学习的风机叶片结冰检测方法和存储介质 | |
Dubey et al. | A review of intelligent systems for the prediction of wind energy using machine learning | |
Zhang et al. | Wind turbine ice assessment through inductive transfer learning | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
CN109595130A (zh) | 一种风机叶片结冰故障预测方法及系统 | |
CN110210641A (zh) | 用于风电场的风向预测方法及装置 | |
Gong et al. | Machine learning-enhanced loT and wireless sensor networks for predictive analysis and maintenance in wind turbine systems | |
Qian et al. | Condition monitoring of wind turbines based on extreme learning machine | |
KAV et al. | Hybrid Deep Learning Technique for Optimal Wind Mill Speed Estimation | |
CN113240156A (zh) | 一种架空输电线路舞动状态在线预测方法及系统 | |
Silva et al. | Air pressure forecasting for the Mutriku oscillating-water-column wave power plant: Review and case study | |
CN113049249A (zh) | 一种电机轴承故障诊断方法及系统 | |
CN116578908A (zh) | 一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备 | |
CN115712860A (zh) | 风机叶片振动报警方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Shi Xiaoming Inventor after: Huang Xiaoguang Inventor after: Pan Donghao Inventor after: Zhou Minqiang Inventor after: Zhou Shufeng Inventor before: Zhou Shufeng Inventor before: Huang Xiaoguang Inventor before: Shi Xiaoming Inventor before: Pan Donghao Inventor before: Zhou Minqiang |
|
CB03 | Change of inventor or designer information |