CN110985315A - 一种检测风机叶片结冰的早期预测方法 - Google Patents

Abstract

本发明公开了电力能源行业领域的一种检测风机叶片结冰的早期预测方法，具体包括以下步骤：S1：收集数据并对数据进行预处理：从风机管理系统中提取相关参数，包括时间，风速，运行效率，并对这些数据进行预处理；S2：特征物理变换：通过物理公式将原有的特征参数转换为新的特征；S3：采用物理+KNN算法进行预测，通过对风机叶片结冰的物理过程进行分析提取特征变量，收集数据对数据进行预处理，再采用物理+KNN分类的混合预测模型对风机叶片结冰的实验数据进行预测。

Description

一种检测风机叶片结冰的早期预测方法

技术领域

本发明涉及电力能源行业技术领域，具体为一种检测风机叶片结冰的早期预测方法。

背景技术

风机叶片结冰是一个缓慢推进的过程，与外界环境因素息息相关，如环境温度、风速、空气湿度等等，成因非常复杂，是风电领域的一个全球范围的难题。大量的运行经验表明，风机叶片结冰会导致叶片加重，容易造成叶片折断，存在很大安全隐患。此外，叶片结冰会改变叶片叶形，破坏叶片气动特性，从而导致风机效率下降和运行不稳定。在气候比较恶劣的地区年发电效率会减小20％至50％。因此，关于叶片结冰的研究具有非常重要的现实意义。

在实际运行中，严重的结冰一般能够被轻易检测到，并通过风机除冰系统自动除冰。然而，除冰系统却难以检测早期结冰状态。虽然叶片在结冰早期产生了一定的变形，但对机组的性能影响不明显，因此难以察觉。但是早期的叶片结冰在不处理的情况下一般都会演化成严重结冰，因此进行风机叶片结冰早期预测对于维护风机的稳定和高效具有重要的作用。

近些年，国内外在风机叶片结冰问题上取得许多可喜成果，研究主要分为三个方面：风洞试验研究、数值模拟研究、防冰除冰研究。但是针对风机叶片结冰预测的研究还比较少。目前国内关于叶片结冰故障的诊断仍然处于研究发展阶段，一般都是结冰状态比较严重后进行停机除冰，用于结冰探测的传感器也在发展之中，尚未普及。当前，对于风机结冰故障诊断的主要监测手段是比较风机实际运行功率与理论功率之间的偏差，当偏差达到一定值后触发风机的报警。但该手段的缺点是当触发报警时，往往是已经发生了叶片大面积结冰现象，叶片折断风险大大增加。即不能再结冰的早期及时诊断出来。此外，虽然很多新型风机都设计了自动除冰系统，但是很难预测到结冰初期。因此，应用大数据和数据挖掘技术，将是解决风机叶片结冰故障诊断这一难题的有利手段。

本发明提出的风机叶片结冰预测方法是新颖而独特的，因为它将物理原理与KNN分类数据分析算法相结合。不同于之前的检测方法直接比较风机实际功率与理论功率之间的偏差，考虑到风机叶片结冰是一个漫长的能量累积和转换过程，因而我们对结冰的物理过程和风机参数对结冰影响的特性进行分析，在此基础上提取叶片结冰特征，并且针对每一个特征物理量，对数据经过强过滤规则和分割，再采用泛化能力最强的KNN算法进行分类运算，从而达到对风机结冰早期预测的目的。

基于此，本发明设计了一种检测风机叶片结冰的早期预测方法，以解决上述提到的问题。

发明内容

本发明的目的在于提供一种检测风机叶片结冰的早期预测方法，基于风机结冰物理模型和KNN数据分析实现对于风机结冰的在线监控，进而达到对于风机叶片结冰的早期预测的目的，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种检测风机叶片结冰的早期预测方法，具体包括以下步骤：

S1：收集数据并对数据进行预处理：从风机管理系统中提取相关参数，包括时间，风速，运行效率，并对这些数据进行预处理；

S2：特征物理变换：通过物理公式将原有的特征参数转换为新的特征；

S3：采用物理+KNN算法进行预测。

优选的，所述步骤S1预处理步骤具体包括：

S1.1：数据合并：把不同数据源数据收集整理加载到一个新的数据源，形成一个数据集，进行综合分析；

S1.2：标记标签：数据集中包含了正常数据、故障数据以及无效数据，分别对其数据进行标记为0、1、-1；

S1.3：删除无效数据：对于无效数据，在实际训练中将其删除；

S1.4：移动平均：消除数据中的异常因素或除去数据中的周期变动成分。

优选的，所述步骤S2.1产生新变量的变量名包括温差、扭矩、功率系数、推力数据、速率比、叶片角均值、叶片角标准值。

优选的，所述步骤S3的具体步骤如下：

S3.1：计算测试数据与各个训练数据之间的距离；

S3.2：按照距离的递增关系进行排序；

S3.3：选取距离最小的k个点；

S3.4：确定前k个点所在类别的出现频率；

S3.5：返回前k个点中出现频率最高的类别作为测试数据的预测分类。

优选的，所述步骤S3.1中距离函数公式采用欧拉距离公式：

当存在多个参数，在多维空间中：

优选的，所述选取距离最小的k个点采用交叉验证方法来确定k的值。

与现有技术相比，本发明的有益效果是：

(1)算法泛化能力较强，能够在不同的风机上模型预测效果依然良好；

(2)简单易用，简洁明了，适用性强，易于被大众所理解和运用；

(3)模型训练时间很短，不需要对数据进行明确的数据训练过程；

(4)主动性强，通过实时数据的在线分析，主动发现风机叶片早期结冰的症状；

(5)针对性强，对数值进行在线监测，及时发现异常情况，采取相应措施，维护风机的稳定运转和高效运行；

(6)可信度高，预测模型更为准确、可靠、稳定，预测效果更佳。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法具体流程图。

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它实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种技术方案：一种检测风机叶片结冰的早期预测方法，具体包括以下步骤：

S1：收集数据并对数据进行预处理：从风机管理系统中提取相关参数，包括时间，风速，运行效率，并对这些数据进行预处理；

预处理步骤具体包括：

S1.1：数据合并：把不同数据源数据收集整理加载到一个新的数据源，形成一个数据集，进行综合分析；

S1.2：标记标签：数据集中包含了正常数据、故障数据以及无效数据，分别对其数据进行标记为0、1、-1；

S1.3：删除无效数据：对于无效数据，在实际训练中将其删除；

S1.4：移动平均：消除数据中的异常因素或除去数据中的周期变动成分。

S2：特征物理变换：通过物理公式将原有的特征参数转换为新的特征；

步骤S2的具体步骤如下：

S2.1：产生新变量，变量名包括温差、扭矩、功率系数、推力数据、速率比、叶片角均值、叶片角标准值；

S2.2：强规则过滤：通过强规则过滤明显不结冰的数据，避免模型的过度学习正常数据，提高模型的准确率和泛化能力；

S2.3：数据分割：按照切入风速把训练数据切割成两部分，对这两部分数据分别建模，把复杂的模型变成两个简单的模型，避免了单一模型的过度复杂。

S3：采用物理+KNN算法进行预测。

步骤S3的具体步骤如下：

S3.1：计算测试数据与各个训练数据之间的距离，

K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K

最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。思路是：如果一个样本在特征空间中的k个最邻近的样本中的大多数属于某一个类别，则该样本也划分为这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

步骤S3.1中距离函数公式采用欧拉距离公式：

当存在多个参数，在多维空间中：

通常使用的距离函数有：欧氏距离、余弦距离、汉明距离、曼哈顿距离等，本发明选欧氏距离作为距离度量。

S3.2：按照距离的递增关系进行排序；

S3.3：选取距离最小的k个点，选取距离最小的k个点采用交叉验证方法来确定k的值；

其中最关键的就在于k值的选择。如果当k的取值过小时，一旦有噪声得成分存在们将会对预

测产生比较大影响，例如取k值为1时，一旦最近的一个点是噪声，那么就会出现偏差，k值的减小就意味着整体模型变得复杂，容易发生过拟合；如果k的值取的过大时，就相当于用较大邻域中的训练实例进行预测，学习的近似误差会增大。这时与输入目标点较远实例也会对预测起作用，使预测发生错误。k值的增大就意味着整体的模型变得简单；如果k取样本总数的时候，那么就是取全部的实例，即为取实例中某分类下最多的点，就对预测没有什么实际的意义了；其次k的取值尽量要取奇数，以保证在计算结果最后会产生一个较多的类别，如果取偶数可能会产生相等的情况，不利于预测。

常用方法是通过交叉验证来确定k的值。将样本数据按照一定比例，拆分出训练用的数据和验证用的数据，从选取一个较小的k值开始，不断增加k的值，然后计算验证集合的方差，最终找到一个比较合适的k值。常用的方法是从k＝1开始，使用检验集估计分类器的误差率。重复该过程，每次k增值1，允许增加一个近邻。选取产生最小误差率的k。一般k的取值不超过20，上限是n的开方，随着数据集的增大，k的值也要增大。

S3.4：确定前k个点所在类别的出现频率；

S3.5：返回前k个点中出现频率最高的类别作为测试数据的预测分类。

如表1，为预测结果较好的机器学习分类算法有KNN、SVM、ANN预测得分表，并且表示了交叉验证、validate验证、Train_15、Train_21和Test_08等验证方法得分，在综合比较了预测结果较好的机器学习分类算法有KNN、SVM、ANN，表1比较了三种分类算法的预测得分结果。由表格数据综合来看，KNN算法总体预测得分较高，在该模型下比较适用。而且采用交叉验证来确定k的值预测得分也比较高，在该模型下比较适用。

表1：

本发明在线对风机叶片结冰进行监控和早期预测方法能够将风机叶片结冰这一物理过程转化为一组统计数据，然后通过物理模型与KNN算法相结合对叶片结冰进行较准确、稳定、可靠的预测。基于物理模型和KNN算法的预测泛化能力强，预测效果好，帮助管理人员及时发现问题并采取除冰措施，主动性强。且该方法易于理解和普遍实行。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种检测风机叶片结冰的早期预测方法，其特征在于：具体包括以下步骤：

S1：收集数据并对数据进行预处理：从风机管理系统中提取相关参数，包括时间，风速，运行效率，并对这些数据进行预处理；

S2：特征物理变换：通过物理公式将原有的特征参数转换为新的特征；

S3：采用物理+KNN算法进行预测。

2.根据权利要求1所述的一种检测风机叶片结冰的早期预测方法，其特征在于：所述步骤S1预处理步骤具体包括：

S1.1：数据合并：把不同数据源数据收集整理加载到一个新的数据源，形成一个数据集，进行综合分析；

S1.2：标记标签：数据集中包含了正常数据、故障数据以及无效数据，分别对其数据进行标记为0、1、-1；

S1.3：删除无效数据：对于无效数据，在实际训练中将其删除；

S1.4：移动平均：消除数据中的异常因素或除去数据中的周期变动成分。

3.根据权利要求1所述的一种检测风机叶片结冰的早期预测方法，其特征在于：所述步骤S2的具体步骤如下：

S2.1：产生新变量；

S2.2：强规则过滤：通过强规则过滤明显不结冰的数据，避免模型的过度学习正常数据，提高模型的准确率和泛化能力；

S2.3：数据分割：按照切入风速把训练数据切割成两部分，对这两部分数据分别建模，把复杂的模型变成两个简单的模型，避免了单一模型的过度复杂。

4.根据权利要求3所述的一种检测风机叶片结冰的早期预测方法，其特征在于：所述步骤S2.1产生新变量的变量名包括温差、扭矩、功率系数、推力数据、速率比、叶片角均值、叶片角标准值。

5.根据权利要求1所述的一种检测风机叶片结冰的早期预测方法，其特征在于：所述步骤S3的具体步骤如下：

S3.1：计算测试数据与各个训练数据之间的距离；

S3.2：按照距离的递增关系进行排序；

S3.3：选取距离最小的k个点；

S3.4：确定前k个点所在类别的出现频率；

S3.5：返回前k个点中出现频率最高的类别作为测试数据的预测分类。

6.根据权利要求5所述的一种检测风机叶片结冰的早期预测方法，其特征在于：所述步骤S3.1中距离函数公式采用欧拉距离公式：

当存在多个参数，在多维空间中：

7.根据权利要求5所述的一种检测风机叶片结冰的早期预测方法，其特征在于：所述步骤S3.3中选取距离最小的k个点采用交叉验证方法来确定k的值。

Images