CN109751206B - 风机叶片结冰故障预测方法、装置及存储介质 - Google Patents
风机叶片结冰故障预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109751206B CN109751206B CN201910137612.8A CN201910137612A CN109751206B CN 109751206 B CN109751206 B CN 109751206B CN 201910137612 A CN201910137612 A CN 201910137612A CN 109751206 B CN109751206 B CN 109751206B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- features
- fan
- fan blade
- characterization
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012512 characterization method Methods 0.000 claims abstract description 68
- 230000009467 reduction Effects 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 238000012847 principal component analysis method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000008014 freezing Effects 0.000 description 4
- 238000007710 freezing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了一种风机叶片结冰故障预测方法，包括：获取风机的表征运行特征和表征运行参数，进行预处理后得到有效运行参数；对表征运行特征进行相关性特征提取，得到时序特征和高相关性特征；对高相关性特征进行特征降维处理，得到降维特征；将降维特征对应的有效特征参数输入加权极限学习机，进行降维特征权重计算，生成故障预测模型；将新获取的风机的表征运行参数输入故障预测模型，得到故障预测结果。本发明公开的一种风机叶片结冰故障预测方法，能够对风机的表征运行特征和表征运行参数进行特征提取和有效运行参数筛选，生成考虑权重的预测模型，通过该预测模型进行故障预测，提高风机叶片结冰故障预测的准确性和实时性。
Description
技术领域
本发明涉及风机叶片结冰故障预测技术领域，尤其涉及一种风机叶片结冰故障预测方法。
背景技术
我国风能资源丰富，发展风力发电是突破传统能源瓶颈、构建可再生新能源生态的必然选择。随着风机的设计功率不断提升，我国风电场的建设已经逐步从北方平原和高原地区向南方气候复杂的山区地带发展，现有风机塔筒高度也在不断增长。然而，受冬季霜凇、冻雨、霜冻等环境条件的影响，风机叶片遭受结冰的威胁。风机叶片结冰会显著影响叶片的气动性能从而影响电能生产力，对地处高海拔湿寒地区机组的影响尤为严重，在叶片结冰状态下继续运行可能导致机组脱网停机，造成巨大的直接经济损失。此外，叶片结冰后，每片叶片结冰厚度不同，还会使得叶片翼型改变，进而影响机组使用寿命。随着温度的回升，叶片表面覆冰脱落也会对机组和风场工作人员造成极大的安全隐患。目前，风机叶片结冰的早期预检已成为一个全球性技术难题，吸引了越来越多的研究人员的关注。
现有技术中，对于风机叶片结冰故障预测的方法大致可以分为三类：基于传感器的方法，基于参数偏差分析的方法和基于环境信息的方法。
(1)基于传感器的方法是在风机叶片表面设置多个结冰传感器，当检测到叶片结冰时，发出结冰警报。例如：结冰检测叶片系统、风力发电机组以及叶片控制方法，公开了：通过将多个结冰传感器并联安置于叶片表面，并分别与控制器连接，根据接收到的结冰信号，生成报警信息的方案；
这种方法能够有效识别出结冰状态，但是结冰传感器设置困难，维护成本过大，另外传感器是否正常工作难以判断，极易出现结冰误检和漏检的情况。
(2)基于参数偏差分析的方法通过对比现场风机工作参数与正常工作参数，进行偏差分析判断叶片是否结冰。例如：一种变桨矩风力发电机组的风机叶片结冰自检测方法，公开了：通过调节风机运行状态变量的取值，将相同工况下叶片的检测扭矩值与扭矩值参考阈值比对，判断风机叶片有无结冰的方案。这种方法该方法不引入新的测量设备，依靠在风机主控策略中加入新的控制算法，完成数据分析，即可判定风机叶片有无结冰的方案；
这类基于参数偏差分析的方法对风机运行状态的描述较为理想，依赖风机自身运行参数偏差进行叶片结冰检测达不到预检的效果，往往叶片严重结冰后才会出现运行参数的明显偏差，严重影响了风机的输电效率，甚至引发机械故障导致风机停机。
(3)基于环境信息的方法通过分析环境因素与风机运作状态的关系，根据周围环境的变化，反推叶片当前工作状态，进行叶片结冰的检测。申请号为 CN201610053750.4的一种风力发电机组叶片结冰检测的方法和装置公开了：根据风速功率矩阵及风速桨距角矩阵获得实测风速下的功率和桨距角计算值，然后将发电机功率及桨距角实测值与计算值的差值与偏差设定值比对，修正设定值，获得偏差优化值，最后比较实时监测的与根据风速功率矩阵及风速桨距角矩阵计算的功率及桨距角之间的偏差，当偏差符合偏差优化值，判断叶片为结冰状态的方案；
这类方法利用环境信息进行叶片结冰检测，有助于控制器更新控制策略，提高发电量。但其采用风机状态变化的影响因素较为单一，并没有考虑由于风机自身故障或其它综合因素也会引发功率的变化，预测效果较不明显，不具较高的参考与研究价值。
发明内容
本发明实施例提供一种风机叶片结冰故障预测方法，能够从风机的表征运行特征和表征运行参数中进行特征提取和有效运行参数筛选，生成考虑权重的预测模型，通过该预测模型进行故障预测，提高风机叶片结冰故障预测的准确性和实时性。
本发明实施例提供了一种风机叶片结冰故障预测方法，包括：
获取风机的表征运行特征和所述表征运行特征对应的表征运行参数，进行预处理后得到有效运行参数；
对所述表征运行特征进行相关性特征提取，得到时序特征和高相关性特征；
对所述高相关性特征进行特征降维处理，得到降维特征；
将所述降维特征对应的有效特征参数输入加权极限学习机，进行降维特征权重计算，生成风机叶片结冰故障预测模型；
将新获取的所述风机的表征运行参数输入所述风机叶片结冰故障预测模型，得到风机叶片结冰故障预测结果。
作为上述方案的改进，所述获取风机的表征运行特征和所述表征运行特征对应的表征运行参数，进行预处理后得到有效运行参数，具体为：
获取风机的表征运行特征和所述表征运行特征对应的表征运行参数，将所述表征运行参数中，所述风机运行状态为无效运行状态时对应的表征运行参数进行剔除，得到所述有效运行参数。
作为上述方案的改进，所述表征运行特征包括：风速、发电机转速、网侧有功功率、对风角、风向角、偏航位置、偏航速度、叶片角度、叶片速度、电机温度、环境温度、机舱温度和充电器直流电流。
作为上述方案的改进，所述时序特征包括：时域特征和频域特征；
所述时域特征包括均值、方差、过零率和极值；所述频域特征包括直流分量、幅度和功率谱密度。
作为上述方案的改进，对所述高相关性特征对应的有效运行参数进行特征降维处理，得到降维特征，具体为：
通过主成分分析法对所述高相关性特征对应的有效运行参数进行特征降维处理，得到降维特征；
所述主成分分析法具体为：
设存在a维高相关性特征，所述高相关性特征分别对应b条有效运行参数；
将所述高相关性特征和对应的有效运行参数按列组成z行b列的矩阵X；
将所述矩阵X的每一行进行零均值化；
计算所述矩阵X的协方差矩阵；
将所述协方差矩阵的特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；
将前k行的高相关性特征作为所述降维特征。
作为上述方案的改进，将所述降维特征对应的有效特征参数输入加权极限学习机，生成风机叶片结冰故障预测模型，具体为：
根据所述降维特征对应的有效特征参数，通过随机指定隐含层参数，利用最小二乘法求解输出层权重的方式来训练单隐层前向神经网络；
极限学习机网络输出函数为f(x)＝h(x)β，其中，h(x)是特征映射函数，β是隐层节点输出函数，给定训练样本包含任意N个训练样例(xi,ti)∈Rn×Rm,(i＝ 1,…,N)，xi＝(xi1,…,xim)T表示n×1维的有效特征参数输入向量，ti＝(ti1,…,tim)T是一个m×1维的目标向量，表示第i个训练样本的期望输出；极限学习机的优化函数可以表述为公式(1)：
其中，ξ是一个m×N维的松弛变量，ξ:,表示ξ的第i列；
加权极限学习机在所述极限学习机的基础上引入了权重矩阵W，根据公式(1) 得到的目标优化函数如下公式(2)：
其中，W是一个N×N维的对角权重矩阵，Wii表示各个降维特征xi的权重；
根据所述权重生成所述风机叶片结冰故障预测模型。
本发明实施例二对应提供了一种基于用户关注度的短信推送装置，包括：
参数获取模块，用于获取风机的表征运行特征和所述表征运行特征对应的表征运行参数，进行预处理后得到有效运行参数；
特征提取模块，用于对所述表征运行特征进行相关性特征提取，得到时序特征和高相关性特征；
特征处理模块，用于对所述高相关性特征进行特征降维处理，得到降维特征；
模型生成模块，用于将所述降维特征对应的有效特征参数输入加权极限学习机，，进行降维特征权重计算，生成风机叶片结冰故障预测模型；
故障预测模块，用于将新获取的所述风机的表征运行参数输入所述风机叶片结冰故障预测模型，得到风机叶片结冰故障预测结果。
本发明实施例三对应提供了一种基于用户关注度的短信推送装置，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例一所述的种风机叶片结冰故障预测方法。
本发明实施例四对应提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明实施例一所述的种风机叶片结冰故障预测方法。
本发明实施例提供的一种风机叶片结冰故障预测方法，与现有技术相比，具有如下有益效果：
通过对风机的表征运行特征和表征运行参数进行预处理，剔除无效运行状态时的表征运行参数，提高了数据样本的准确性和合理性；通过对表征运行特征进行相关性特征提取得到时序特征和高相关性特征，对所述高相关性特征进行特征降维处理得到降维特征，使降维特征具有高针对性，避免了相关性较低的特征影响数据预测过程，提高了计算的效率和实时性；基于风机运行的正常数据与故障数据是一对典型的样本不均衡数据集，通过加权极限学习机对不均衡的有效运行参数数据集进行权重计算，从而生成考虑权重的故障预测模型，提高风机叶片结冰故障预测的准确性和实时性。
附图说明
图1是本发明实施例一提供的一种风机叶片结冰故障预测方法的流程示意图。
图2是本发明实施例一提供的一种风机叶片结冰故障预测方法的正常运行状态和故障运行状态具体数据量分布示意图。
图3是本发明实施例一提供的一种风机叶片结冰故障预测方法的各叶片角度与网侧有功功率数据分布直方图。
图4是本发明实施例一提供的一种风机叶片结冰故障预测方法的主成分分析结果。
图5是本发明实施例二提供的一种风机叶片结冰故障预测装置的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明实施例提供的一种风机叶片结冰故障预测方法的结构示意图，包括：
S101、获取风机的表征运行特征和表征运行特征对应的表征运行参数，进行预处理后得到有效运行参数；
S102、对表征运行特征进行相关性特征提取，得到时序特征和高相关性特征；
S103、对高相关性特征进行特征降维处理，得到降维特征；
S104、将降维特征对应的有效特征参数输入加权极限学习机，进行降维特征权重计算，生成风机叶片结冰故障预测模型；
S105、将新获取的风机的表征运行参数输入风机叶片结冰故障预测模型，得到风机叶片结冰故障预测结果。
进一步的，获取风机的表征运行特征和表征运行特征对应的表征运行参数，进行预处理后得到有效运行参数，具体为：
获取风机的表征运行特征和表征运行特征对应的表征运行参数，将表征运行参数中，风机运行状态为无效运行状态时对应的表征运行参数进行剔除，得到有效运行参数。
优选的，风机运行状态包括无效运行状态、正常运行状态和故障运行状态，剔除无效运行状态时对应的表征运行参数后，剩余的有效运行参数能够准确地体现风机的运行状态，防止了无关参数的干扰。
进一步的，表征运行特征包括：风速、发电机转速、网侧有功功率、对风角、风向角、偏航位置、偏航速度、叶片角度、叶片速度、电机温度、环境温度、机舱温度和充电器直流电流。
进一步的，时序特征包括：时域特征和频域特征；
时域特征包括均值、方差、过零率和极值；频域特征包括直流分量、幅度和功率谱密度。
进一步的，对高相关性特征对应的有效运行参数进行特征降维处理，得到降维特征，具体为：
通过主成分分析法对高相关性特征对应的有效运行参数进行特征降维处理，得到降维特征；
主成分分析法具体为：
设存在a维高相关性特征，高相关性特征分别对应b条有效运行参数；
将高相关性特征和对应的有效运行参数按列组成z行b列的矩阵X；
将矩阵X的每一行进行零均值化；
计算矩阵X的协方差矩阵；
将协方差矩阵的特征向量按对应特征值大小从上到下按行排列成矩阵，取前 k行组成矩阵P；
将前k行的高相关性特征作为降维特征。
进一步的，将降维特征对应的有效特征参数输入加权极限学习机，生成风机叶片结冰故障预测模型，具体为：
根据降维特征对应的有效特征参数，通过随机指定隐含层参数，利用最小二乘法求解输出层权重的方式来训练单隐层前向神经网络；
极限学习机网络输出函数为f(x)＝h(x)β，其中，h(x)是特征映射函数，β是隐层节点输出函数，给定训练样本包含任意N个训练样例(xi,ti)∈Rn×Rm,(i＝ 1,…,N)，xi＝(xi1,…,xim)T表示n×1维的有效特征参数输入向量，ti＝(ti1,…,tim)T是一个m×1维的目标向量，表示第i个训练样本的期望输出；极限学习机的优化函数可以表述为公式(1)：
其中，ξ是一个m×N维的松弛变量，ξ:,表示ξ的第i列；
加权极限学习机在极限学习机的基础上引入了权重矩阵W，根据公式(1) 得到的目标优化函数如下公式(2)：
其中，W是一个N×N维的对角权重矩阵，Wii表示各个降维特征xi的权重；
根据权重生成风机叶片结冰故障预测模型。
优选的，当降维特征xi属于一个小类别时，Wii相对较大；相反情况下，当样本xi属于一个大类别时，Wii的值则相对较小。此时的目标优化函数可以表述为最大化边缘距离以及最小化加权累计误差。
通过权重调整样本的对训练误差的贡献度，从而解决样本不均衡带来的小类别分类效果差的问题。训练速度快，具有较强的泛化能力。
在一个具体的实施例中，表征运行特征名称及含义具体如下表1所示。
表1
本发明的研究目的是预测风机叶片是否结冰，不考虑结冰的形状和程度，是一个二分类问题。选取的SCADA数据集为某风场两台风机(15号和21号)的工作状态数据，15号风机数据集主表中一共393886条数据，21号风机数据集主表中一共190494条数据，剔除因设备停机和人为删除等原因造成的无效运行状态时对应的表征运行参数，分为正常运行状态和故障运行状态，具体数据量如表 2所示，具体数据量分布如图2所示。
表2
可以发现故障运行状态的表征运行参数远远低于正常状态的表征运行参数，比例高达16:1，是一个典型的高度不均衡样本。在全部28维特征中，“time”为每条数据的唯一标识，“group”为方便使用者理解而对数据进行的分组，因此不可作为训练样本的特征,训练样本特征维数降为26维。最后给数据集添加类别标签，“0”表示风机运行正常状态，“1”表示风机运行故障状态。
通过观察3个叶片、变桨电机等各叶片相关数据与网侧有功功率的数据分布，以叶片1、2、3角度(pitch1_angle、pitch2_angle、pitch3_angle)为例绘制如图3 所示的数据分布直方图。由图3可得各叶片相关特征分布基本一致，故将其均值化处理融合为统一的特征，得到融合后的表征运行特征名称及含义，如表3所示。
表3
风机数据特征维数由最初的28维降至16维。之后再使用主成分分析方法对数据进行进一步的特征降维，选取有效特征。
主成分分析法(PCA)是一种线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性。且PCA是丢失原始数据信息最少的一种线性降维方式，它最接近原始数据但并不试图探索数据内部的结构。参见图4，是本发明实施例一提供的一种风机叶片结冰故障预测方法的主成分分析结果。此时，将风机数据特征维数由之前的16维降至k＝10 维。
将降维特征对应的有效特征参数输入加权极限学习机，进行降维特征权重计算，生成风机叶片结冰故障预测模型；
将新获取的风机的表征运行参数输入风机叶片结冰故障预测模型，得到风机叶片结冰故障预测结果。
本发明实施例提供的一种风机叶片结冰故障预测方法，与现有技术相比，具有如下有益效果：
通过对风机的表征运行特征和表征运行参数进行预处理，剔除无效运行状态时的表征运行参数，提高了数据样本的准确性和合理性；通过对表征运行特征进行相关性特征提取得到时序特征和高相关性特征，对所述高相关性特征进行特征降维处理得到降维特征，使降维特征具有高针对性，避免了相关性较低的特征影响数据预测过程，提高了计算的效率和实时性；基于风机运行的正常数据与故障数据是一对典型的样本不均衡数据集，通过加权极限学习机对不均衡的有效运行参数数据集进行权重计算，从而生成考虑权重的故障预测模型，提高风机叶片结冰故障预测的准确性和实时性。
参见图5，是本发明实施例二提供的一种风机叶片结冰故障预测装置的结构示意图，包括：
参数获取模块201，用于获取风机的表征运行特征和所述表征运行特征对应的表征运行参数，进行预处理后得到有效运行参数；
特征提取模块202，用于对所述表征运行特征进行相关性特征提取，得到时序特征和高相关性特征；
特征处理模块203，用于对所述高相关性特征进行特征降维处理，得到降维特征；
模型生成模块204，用于将所述降维特征对应的有效特征参数输入加权极限学习机，，进行降维特征权重计算，生成风机叶片结冰故障预测模型；
故障预测模块205，用于将新获取的所述风机的表征运行参数输入所述风机叶片结冰故障预测模型，得到风机叶片结冰故障预测结果。
本发明实施例三对应提供了一种风机叶片结冰故障预测装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例一所述的风机叶片结冰故障预测方法。所述风机叶片结冰故障预测装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述风机叶片结冰故障预测装置可包括，但不仅限于，处理器、存储器。
本发明实施例四对应提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明实施例一所述的风机叶片结冰故障预测方法。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述风机叶片结冰故障预测装置的控制中心，利用各种接口和线路连接整个风机叶片结冰故障预测装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述风机叶片结冰故障预测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述风机叶片结冰故障预测装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、 U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种风机叶片结冰故障预测方法，其特征在于，包括：
获取风机的表征运行特征和所述表征运行特征对应的表征运行参数，进行预处理后得到有效运行参数；
对所述表征运行特征进行相关性特征提取，得到时序特征和高相关性特征；
对所述高相关性特征进行特征降维处理，得到降维特征；
将所述降维特征对应的有效特征参数输入加权极限学习机，进行降维特征权重计算，生成风机叶片结冰故障预测模型；
将新获取的所述风机的表征运行参数输入所述风机叶片结冰故障预测模型，得到风机叶片结冰故障预测结果；
其中，对所述高相关性特征对应的有效运行参数进行特征降维处理，得到降维特征，具体为：
通过主成分分析法对所述高相关性特征对应的有效运行参数进行特征降维处理，得到降维特征；
所述主成分分析法具体为：
设存在a维高相关性特征，所述高相关性特征分别对应b条有效运行参数；
将所述高相关性特征和对应的有效运行参数按列组成z行b列的矩阵X；
将所述矩阵X的每一行进行零均值化；
计算所述矩阵X的协方差矩阵；
将所述协方差矩阵的特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；
将前k行的高相关性特征作为所述降维特征。
2.如权利要求1所述的一种风机叶片结冰故障预测方法，其特征在于，所述获取风机的表征运行特征和所述表征运行特征对应的表征运行参数，进行预处理后得到有效运行参数，具体为：
获取风机的表征运行特征和所述表征运行特征对应的表征运行参数，将所述表征运行参数中，风机运行状态为无效运行状态时对应的表征运行参数进行剔除，得到所述有效运行参数。
3.如权利要求2所述的一种风机叶片结冰故障预测方法，其特征在于，所述表征运行特征包括：风速、发电机转速、网侧有功功率、对风角、风向角、偏航位置、偏航速度、叶片角度、电机温度、环境温度、机舱温度和充电器直流电流。
4.如权利要求2所述的一种风机叶片结冰故障预测方法，其特征在于，所述时序特征包括：时域特征和频域特征；
所述时域特征包括均值、方差、过零率和极值；所述频域特征包括直流分量、幅度和功率谱密度。
5.如权利要求4所述的一种风机叶片结冰故障预测方法，其特征在于，将所述降维特征对应的有效特征参数输入加权极限学习机，生成风机叶片结冰故障预测模型，具体为：
根据所述降维特征对应的有效特征参数，通过随机指定隐含层参数，利用最小二乘法求解输出层权重的方式来训练单隐层前向神经网络；
极限学习机网络输出函数为f(x)＝h(x)β，其中，h(x)是特征映射函数，β是隐层节点输出函数，给定训练样本包含任意N个训练样例(xi，ti)∈Rn×Rm，i＝1，…，N，xi＝(xi1，…，xim)T表示n×1维的有效特征参数输入向量，ti＝(ti1，…，tim)T是一个m×1维的目标向量，表示第i个训练样本的期望输出，极限学习机的优化函数表述为公式(1)：
其中，ξ是一个m×N维的松弛变量，ξ：，i表示ξ的第i列；
加权极限学习机在所述极限学习机的基础上引入了权重矩阵W，根据公式(1)得到的目标优化函数如下公式(2)：
其中，W＝diag(W11，W22，...，Wii，...WNN)是一个N×N维的对角权重矩阵，Wii表示各个降维特征xi的权重；
根据所述权重生成所述风机叶片结冰故障预测模型。
6.一种风机叶片结冰故障预测装置，其特征在于，包括：
参数获取模块，用于获取风机的表征运行特征和所述表征运行特征对应的表征运行参数，进行预处理后得到有效运行参数；
特征提取模块，用于对所述表征运行特征进行相关性特征提取，得到时序特征和高相关性特征；
特征处理模块，用于对所述高相关性特征进行特征降维处理，得到降维特征；
模型生成模块，用于将所述降维特征对应的有效特征参数输入加权极限学习机，进行降维特征权重计算，生成风机叶片结冰故障预测模型；
故障预测模块，用于将新获取的所述风机的表征运行参数输入所述风机叶片结冰故障预测模型，得到风机叶片结冰故障预测结果；
其中，对所述高相关性特征对应的有效运行参数进行特征降维处理，得到降维特征，具体为：
通过主成分分析法对所述高相关性特征对应的有效运行参数进行特征降维处理，得到降维特征；
所述主成分分析法具体为：
设存在a维高相关性特征，所述高相关性特征分别对应b条有效运行参数；
将所述高相关性特征和对应的有效运行参数按列组成z行b列的矩阵X；
将所述矩阵X的每一行进行零均值化；
计算所述矩阵X的协方差矩阵；
将所述协方差矩阵的特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；
将前k行的高相关性特征作为所述降维特征。
7.一种风机叶片结冰故障预测装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的风机叶片结冰故障预测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的风机叶片结冰故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910137612.8A CN109751206B (zh) | 2019-02-25 | 2019-02-25 | 风机叶片结冰故障预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910137612.8A CN109751206B (zh) | 2019-02-25 | 2019-02-25 | 风机叶片结冰故障预测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109751206A CN109751206A (zh) | 2019-05-14 |
| CN109751206B true CN109751206B (zh) | 2020-08-28 |
Family
ID=66407701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910137612.8A Active CN109751206B (zh) | 2019-02-25 | 2019-02-25 | 风机叶片结冰故障预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109751206B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472684B (zh) * | 2019-08-14 | 2022-02-08 | 树根互联股份有限公司 | 一种风机叶片的结冰监测方法、其装置及可读存储介质 |
| CN110714881B (zh) * | 2019-08-19 | 2021-08-13 | 上海交通大学 | 一种风力机性能预测控制方法及装置 |
| CN111047121B (zh) * | 2020-03-17 | 2020-06-09 | 浙江上风高科专风实业有限公司 | 一种风机故障预测方法及系统 |
| CN111441920B (zh) * | 2020-04-21 | 2021-10-29 | 三一重能有限公司 | 风力发电机组叶片除冰装置和风力发电机组 |
| CN111625762B (zh) * | 2020-04-29 | 2023-07-25 | 广东省能源集团贵州有限公司 | 风机故障诊断方法 |
| CN111680454A (zh) * | 2020-06-16 | 2020-09-18 | 北京工业大学 | 基于双重注意力机制的风机叶片结冰故障预测方法 |
| 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 |
| CN112346893A (zh) * | 2020-11-10 | 2021-02-09 | 深圳市康必达控制技术有限公司 | 故障预测方法、装置、终端及存储介质 |
| CN112832960A (zh) * | 2020-12-23 | 2021-05-25 | 国电南瑞南京控制系统有限公司 | 一种基于深度学习的风机叶片结冰检测方法和存储介质 |
| CN112836424A (zh) * | 2021-01-08 | 2021-05-25 | 上海电机学院 | 一种风机叶片早期结冰故障预测方法 |
| CN113803223B (zh) * | 2021-08-11 | 2022-12-20 | 明阳智慧能源集团股份公司 | 一种风机叶片结冰状态实时监测方法、系统、介质及设备 |
| CN114165392A (zh) * | 2021-11-03 | 2022-03-11 | 华能射阳新能源发电有限公司 | 一种风电机组功率异常诊断方法、装置及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090130235A1 (en) * | 2007-11-20 | 2009-05-21 | Ilan Azouri | Method for marketing vibration medicine products |
| CN102141543B (zh) * | 2010-12-28 | 2012-10-24 | 天津大学 | 基于传声器阵列的激光焊接质量检测的方法和装置 |
| CN107016233A (zh) * | 2017-03-14 | 2017-08-04 | 中国科学院计算技术研究所 | 运动行为和认知能力的关联分析方法及系统 |
| CN108228716B (zh) * | 2017-12-05 | 2020-01-14 | 华南理工大学 | 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法 |
| CN109026563B (zh) * | 2018-07-24 | 2019-12-27 | 上海电力学院 | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 |
-
2019
- 2019-02-25 CN CN201910137612.8A patent/CN109751206B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109751206A (zh) | 2019-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109751206B (zh) | 风机叶片结冰故障预测方法、装置及存储介质 | |
| Yang et al. | Day-ahead wind power forecasting based on the clustering of equivalent power curves | |
| Sohoni et al. | A critical review on wind turbine power curve modelling techniques and their applications in wind based energy systems | |
| EP3524813B1 (en) | Method and apparatus for predicting ice formation | |
| CN107341349B (zh) | 风机健康评估的方法、系统、存储器及控制器 | |
| CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
| Xu et al. | Predicting fan blade icing by using particle swarm optimization and support vector machine algorithm | |
| CN107909211B (zh) | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 | |
| CN112818604A (zh) | 一种基于风功率预测的风电机组风险度评估方法 | |
| Yang et al. | Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining | |
| CN104299044A (zh) | 基于聚类分析的风功率短期预测系统及预测方法 | |
| CN105825002B (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
| CN109978039B (zh) | 一种基于不平衡数据集情况下的风机叶片结冰预测方法 | |
| CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
| Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| Chen et al. | Learning deep representation for blades icing fault detection of wind turbines | |
| CN109272258B (zh) | 基于K-means聚类的区域风光发电资源评估方法 | |
| CN113007041A (zh) | 一种风电机组叶片结冰检测系统及检测方法 | |
| CN110674864A (zh) | 一种含同步相量量测装置的风电异常数据辨识方法 | |
| CN116050599A (zh) | 一种线路覆冰故障预测方法、系统、存储介质及设备 | |
| CN113689053B (zh) | 一种基于随机森林的强对流天气架空线停电预测方法 | |
| CN109494716A (zh) | 基于Bootstrap的风电输出功率置信区间预测方法 | |
| CN110273818B (zh) | 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法 | |
| CN112215281A (zh) | 一种风机叶片结冰故障检测方法 |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: No. 16 Keyun Road, Tianhe District, Guangzhou City, Guangdong Province, 510665, Self made Building 1, 1101, Self made Building 2 Patentee after: Guangdong Yitong Lianyun Intelligent Information Co.,Ltd. Address before: No. 16 Keyun Road, Tianhe District, Guangzhou City, Guangdong Province, 510665, Self made Building 1, 1101, Self made Building 2 Patentee before: YITONG CENTURY INTERNET OF THINGS RESEARCH INSTITUTE (GUANGZHOU) Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |