CN113323823B - 基于awkelm的风机叶片结冰故障检测方法及系统 - Google Patents
基于awkelm的风机叶片结冰故障检测方法及系统 Download PDFInfo
- Publication number
- CN113323823B CN113323823B CN202110636509.5A CN202110636509A CN113323823B CN 113323823 B CN113323823 B CN 113323823B CN 202110636509 A CN202110636509 A CN 202110636509A CN 113323823 B CN113323823 B CN 113323823B
- Authority
- CN
- China
- Prior art keywords
- fault
- samples
- normal state
- sample
- state
- 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
Images
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
-
- 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
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
-
- 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)
- Control Of Positive-Displacement Air Blowers (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于AWKELM的风机叶片结冰故障检测方法及系统。该方法包括:分别采集风力发电机组处于正常状态以及叶片结冰故障状态运行时的SCADA数据并进行数据预处理,并将处理后的数据存入离线训练数据库;获取样本数量,基于样本数量计算所有样本的初始固定加权矩阵;分别建立描述样本分布信息的正常状态SVDD超球体模型和故障状态SVDD超球体模型,并计算考虑所有样本分布信息的自适应加权矩阵;结合初始固定加权矩阵以及自适应加权矩阵建立基于AWKELM的风机叶片结冰故障检测模型;将待测风力发电机组的SCADA数据输入到基于AWKELM的风机叶片结冰故障检测模型中检测风机叶片,确定检测结果,根据检测结果进行运维决策。本发明能够提高故障检测精度和降低计算开销。
Description
技术领域
本发明涉及新能源发电设备状态监测与健康维护领域,特别是涉及一种基于自适应加权核极限学习机(Adaptive weighted kernel extreme learning machine,AWKELM)的风机叶片结冰故障检测方法及系统。
背景技术
近年来,风力发电作为一种清洁无污染和资源丰富的可再生新能源发电技术,在全球范围内迅速发展。作为风力发电系统中的关键设备,风力发电机组叶片长期处于低温高湿的恶劣环境时容易发生结冰故障。如果不能及时检测结冰故障并尽早地开启除冰系统,则会影响风力发电机组的运行效率,进而造成经济损失。同时,结冰将增加叶片承重,从而导致叶片断裂和风机坍塌等严重安全事故。此外,风力发电厂通常位于偏远的高原山区或海上地区,这使得工作人员难以及时地在现场发现叶片结冰故障。因此,开发风力发电机组叶片结冰故障的远程智能实时检测方法及系统对风力发电系统的安全稳定运行变得越来越重要。
目前,风力发电场站普遍安装了数据采集与监视控制(Supervisory Control AndData Acquisition,SCADA)系统来全面监测风力发电机组的工作条件、运行状态以及外部环境等信息。因此,通过海量的SCADA系统监测数据基于机器学习算法以数据驱动的方式来进行故障检测已成为风机叶片结冰检测领域的主流方法。中国专利文献CN109026563B公开了一种基于特征选择和XGBoost的风机叶片结冰预测方法,该方法包括特征选择和分类器,通过Relief特征选择方法提取关键维度输入变量并代入XGBoost分类器中进行故障检测与预警,但是该方法没有考虑到数据不平衡对检测模型的不利影响;中国专利文献CN111144499A公开了一种基于深度神经网络的风机叶片早期结冰故障检测方法,该方法包括故障特征挖掘和分类网络,通过自编码器逐层对深度神经网络进行训练来建立故障检测模型,但该方法计算开销较大,不利于模型未来的更新和调整。
实际上,风机叶片结冰故障的发生仍然是一个小概率事件,这使得风电场站SCADA系统测量的故障状态样本远远小于正常状态样本,即存在数据不平衡问题。而对于具有数据不平衡特性的风力发电机叶片结冰故障检测来说,传统的一些将总体训练误差最小化为学习目标的机器学习方法存在故障检测精度低的弊端。此外,考虑到SCADA系统测量得到的数据规模是海量的,因此现有一些基于迭代机制训练的数据驱动型结冰故障检测方法存在计算开销大的弊端。
综上所述,现有的风机叶片结冰故障检测方法在面对数据不平衡和海量数据建模问题时仍然存在故障检测精度低和计算开销大的缺陷。产生上述缺陷的原因主要在于现有一些机器学习方法训练目标没有考虑数据不平衡特性以及由于迭代机制导致的训练过程复杂造成的。
发明内容
本发明的目的是提供一种基于AWKELM的风机叶片结冰故障检测方法及系统,以解决现有的风机叶片结冰故障检测方法存在的故障检测精度低和计算开销大的问题。
为实现上述目的,本发明提供了如下方案:
一种基于AWKELM的风机叶片结冰故障检测方法,包括:
分别采集风力发电机组处于正常状态以及叶片结冰故障状态运行时的SCADA数据并进行数据预处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库;
遍历所述离线训练数据库获取样本数量,并基于所述样本数量计算所有样本的初始固定加权矩阵;所述样本包括正常状态样本以及故障状态样本;所述样本数量包括正常状态样本数量和故障状态样本数量;
使用支持向量数据描述SVDD方法分别建立描述样本分布信息的正常状态SVDD超球体模型和故障状态SVDD超球体模型,并基于超球体半径和每个样本到所属状态SVDD超球体球心的距离计算考虑所有样本分布信息的自适应加权矩阵;
结合所述初始固定加权矩阵以及所述考虑所有样本分布信息的自适应加权矩阵建立基于AWKELM的风机叶片结冰故障检测模型;
将待测风力发电机组的SCADA数据输入到所述基于AWKELM的风机叶片结冰故障检测模型中检测风机叶片,确定检测结果,并根据所述检测结果进行运维决策;所述检测结果包括风机叶片发生结冰故障以及风机叶片未发生结冰故障。
可选的,所述分别采集风力发电机组处于正常状态以及叶片结冰故障状态运行时的SCADA数据并进行数据预处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库,具体包括:
采用离差标准化方法将所述SCADA数据进行归一化处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库。
可选的,所述遍历所述离线训练数据库获取样本数量,并基于所述样本数量计算所有样本的初始固定加权矩阵,具体包括:
根据所述正常状态样本数量,对所有正常状态下的样本赋予初始的固定训练权重,确定正常状态样本的初始固定权重矩阵;
根据所述故障状态样本数量,对所有故障状态下的样本赋予初始的固定训练权重,确定故障状态样本的初始固定权重矩阵;
根据所述正常状态样本的初始固定权重矩阵以及所述故障状态样本的初始固定权重矩阵确定所有样本的初始固定加权矩阵。
可选的,所述使用支持向量数据描述SVDD方法分别建立描述样本分布信息的正常状态SVDD超球体模型和故障状态SVDD超球体模型,并基于超球体半径和每个样本到所属状态SVDD超球体球心的距离计算考虑所有样本分布信息的自适应加权矩阵,具体包括:
使用支持向量数据描述SVDD方法建立描述正常状态样本分布的正常状态SVDD超球体模型Sn(an,Rn):
其中,an为正常状态SVDD超球体模型的球心;in为正常状态样本的序号;Nn为正常状态样本的总数量;为第in个正常状态样本的拉格朗日因子;xin为第in个正常状态样本,φ(xin)为xin的核映射;Rn为正常状态SVDD超球体模型的半径;nSVn为基于所有正常状态样本训练得到的支持向量总个数;sn为基于所有正常状态样本训练得到的支持向量的下标序号;SVn为基于所有正常状态样本训练得到的所有支持向量;xsn为基于所有正常状态样本训练得到的支持向量;φ(xsn)为支持向量xsn的核映射表示;K(xsn,xsn)为xsn与xsn的核映射;K(xsn,xin)为xsn与xin的核映射;jn为正常状态样本的序号;为第jn个正常状态样本的拉格朗日因子;xjn为第jn个正常状态样本;K(xin,xjn)为xin与xjn的核映射;
计算得到所有属于正常状态的样本到所述正常状态SVDD超球体模型Sn(an,Rn)球心an的距离集合:
其中,Dn为正常状态下的距离集合;xn为正常状态的样本;K(xn,xn)为xn与xn的核映射;K(xn,xin)为xn与xin的核映射;K(xin,xjn)为xin与xjn的核映射;
根据所述正常状态SVDD超球体模型以及所述正常状态下的距离集合确定正常状态样本自适应加权矩阵;
使用支持向量数据描述方法建立描述故障状态样本分布的故障状态SVDD超球体模型Sf(af,Rf):
其中,af为故障状态SVDD超球体模型的球心;if为故障状态样本的序号;Nf为故障状态样本的总数量;为第if个故障状态样本的拉格朗日因子;xif为第if个故障状态样本,φ(xif)为xif的核映射;Rf为故障状态SVDD超球体模型的半径;nSVf为基于所有故障状态样本训练得到的支持向量总个数;sf为基于所有故障状态样本训练得到的支持向量的下标序号;SVf为基于所有故障状态样本训练得到的所有支持向量;xsf为基于所有故障状态样本训练得到的支持向量;φ(xsf)为支持向量xsf的核映射表示;K(xsf,xsf)为xsf与xsf的核映射;K(xsf,xif)为xsf与xif的核映射;jf为故障状态样本的序号;为第jf个故障状态样本的拉格朗日因子;xjf为第jf个故障状态样本;K(xif,xjf)为xif与xjf的核映射;
计算得到所有故障状态样本到故障状态SVDD超球体模型Sf(af,Rf)球心af的距离集合:
其中,Df为故障状态下的距离集合;xf为故障状态的样本;K(xf,xf)为xf与xf的核映射;K(xf,xif)为xf与xif的核映射;K(xif,xjf)为xif与xjf的核映射;
根据所述故障状态SVDD超球体模型以及所述故障状态下的距离集合确定故障状态样本自适应加权矩阵;
根据所述正常状态样本自适应加权矩阵以及所述故障状态样本自适应加权矩阵确定考虑所有样本分布信息的自适应加权矩阵。
可选的,所述结合所述初始固定加权矩阵以及所述考虑所有样本分布信息的自适应加权矩阵建立基于AWKELM的风机叶片结冰故障检测模型,具体包括:
求解所述考虑所有样本分布信息的自适应加权矩阵,确定所述基于AWKELM的风机叶片结冰故障检测模型的输出函数;
定义所述输出函数的核映射矩阵;
利用高斯核函数确定所述核映射矩阵的核函数映射;
根据所述输出函数、所述核映射矩阵以及所述核函数映射确定所述基于AWKELM的风机叶片结冰故障检测模型的分类决策函数,并基于所述分类决策函数建立基于AWKELM的风机叶片结冰故障检测模型。
可选的,所述将待测风力发电机组的SCADA数据输入到所述基于AWKELM的风机叶片结冰故障检测模型中检测风机叶片,确定检测结果,并根据所述检测结果进行运维决策,具体包括:
将所述待测风力发电机组的SCADA数据输入到所述基于AWKELM的风机叶片结冰故障检测模型中检测风机叶片,基于所述分类决策函数输出检测结果;
若所述检测结果表示为风机叶片发生结冰故障,查看风机叶片是否存在结冰;
若是,立即开启除冰系统;若否,在线更新和调整所述基于AWKELM的风机叶片结冰故障检测模型;
若所述检测结果表示为风机叶片未发生结冰故障,继续采集新的待测风力发电机组的SCADA数据。
一种基于AWKELM的风机叶片结冰故障检测系统,包括:
SCADA数据采集及预处理模块,用于分别采集风力发电机组处于正常状态以及叶片结冰故障状态运行时的SCADA数据并进行数据预处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库;
初始固定加权矩阵计算模块,用于遍历所述离线训练数据库获取样本数量,并基于所述样本数量计算所有样本的初始固定加权矩阵;所述样本包括正常状态样本以及故障状态样本;所述样本数量包括正常状态样本数量和故障状态样本数量;
考虑所有样本分布信息的自适应加权矩阵计算模块,用于使用支持向量数据描述SVDD方法分别建立描述样本分布信息的正常状态SVDD超球体模型和故障状态SVDD超球体模型,并基于超球体半径和每个样本到所属状态SVDD超球体球心的距离计算考虑所有样本分布信息的自适应加权矩阵;
基于AWKELM的风机叶片结冰故障检测模型建立模块,用于结合所述初始固定加权矩阵以及所述考虑所有样本分布信息的自适应加权矩阵建立基于AWKELM的风机叶片结冰故障检测模型;
检测结果确定模块,用于将待测风力发电机组的SCADA数据输入到所述基于AWKELM的风机叶片结冰故障检测模型中检测风机叶片,确定检测结果,并根据所述检测结果进行运维决策;所述检测结果包括风机叶片发生结冰故障以及风机叶片未发生结冰故障。
可选的,所述SCADA数据采集及预处理模块,具体包括:
SCADA数据采集及预处理单元,用于采用离差标准化方法将所述SCADA数据进行归一化处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库。
可选的,所述初始固定加权矩阵计算模块,具体包括:
正常状态样本的初始固定权重矩阵确定单元,用于根据所述正常状态样本数量,对所有正常状态下的样本赋予初始的固定训练权重,确定正常状态样本的初始固定权重矩阵;
故障状态样本的初始固定权重矩阵确定单元,用于根据所述故障状态样本数量,对所有故障状态下的样本赋予初始的固定训练权重,确定故障状态样本的初始固定权重矩阵;
所有样本的初始固定加权矩阵确定单元,用于根据所述正常状态样本的初始固定权重矩阵以及所述故障状态样本的初始固定权重矩阵确定所有样本的初始固定加权矩阵。
可选的,所述考虑所有样本分布信息的自适应加权矩阵计算模块,具体包括:
正常状态SVDD超球体模型建立单元,用于使用支持向量数据描述SVDD方法建立描述正常状态样本分布的正常状态SVDD超球体模型Sn(an,Rn):
其中,an为正常状态SVDD超球体模型的球心;in为正常状态样本的序号;Nn为正常状态样本的总数量;为第in个正常状态样本的拉格朗日因子;xin为第in个正常状态样本,φ(xin)为xin的核映射;Rn为正常状态SVDD超球体模型的半径;nSVn为基于所有正常状态样本训练得到的支持向量总个数;sn为基于所有正常状态样本训练得到的支持向量的下标序号;SVn为基于所有正常状态样本训练得到的所有支持向量;xsn为基于所有正常状态样本训练得到的支持向量;φ(xsn)为支持向量xsn的核映射表示;K(xsn,xsn)为xsn与xsn的核映射;K(xsn,xin)为xsn与xin的核映射;jn为正常状态样本的序号;为第jn个正常状态样本的拉格朗日因子;xjn为第jn个正常状态样本;K(xin,xjn)为xin与xjn的核映射;
正常状态下的距离集合确定单元,用于计算得到所有属于正常状态的样本到所述正常状态SVDD超球体模型Sn(an,Rn)球心an的正常状态下的距离集合:
其中,Dn为正常状态下的距离集合;xn为正常状态的样本;K(xn,xn)为xn与xn的核映射;K(xn,xin)为xn与xin的核映射;K(xin,xjn)为xin与xjn的核映射;
正常状态样本自适应加权矩阵确定单元,用于根据所述正常状态SVDD超球体模型以及所述正常状态下的距离集合确定正常状态样本自适应加权矩阵;
故障状态SVDD超球体模型建立单元,用于使用支持向量数据描述方法建立描述故障状态样本分布的故障状态SVDD超球体模型Sf(af,Rf):
其中,af为故障状态SVDD超球体模型的球心;if为故障状态样本的序号;Nf为故障状态样本的总数量;为第if个故障状态样本的拉格朗日因子;xif为第if个故障状态样本,φ(xif)为xif的核映射;Rf为故障状态SVDD超球体模型的半径;nSVf为基于所有故障状态样本训练得到的支持向量总个数;sf为基于所有故障状态样本训练得到的支持向量的下标序号;SVf为基于所有故障状态样本训练得到的所有支持向量;xsf为基于所有故障状态样本训练得到的支持向量;φ(xsf)为支持向量xsf的核映射表示;K(xsf,xsf)为xsf与xsf的核映射;K(xsf,xif)为xsf与xif的核映射;jf为故障状态样本的序号;为第jf个故障状态样本的拉格朗日因子;xjf为第jf个故障状态样本;K(xif,xjf)为xif与xjf的核映射;
故障状态下的距离集合计算单元,用于计算得到所有故障状态样本到故障状态SVDD超球体模型Sf(af,Rf)球心af的距离集合:
其中,Df为故障状态下的距离集合;xf为故障状态的样本;K(xf,xf)为xf与xf的核映射;K(xf,xif)为xf与xif的核映射;K(xif,xjf)为xif与xjf的核映射;
故障状态样本自适应加权矩阵确定单元,用于根据所述故障状态SVDD超球体模型以及所述故障状态下的距离集合确定故障状态样本自适应加权矩阵;
考虑所有样本分布信息的自适应加权矩阵确定单元,用于根据所述正常状态样本自适应加权矩阵以及所述故障状态样本自适应加权矩阵确定考虑所有样本分布信息的自适应加权矩阵。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供了一种基于AWKELM的风机叶片结冰故障检测方法及系统,通过构造一种新颖的考虑样本分布信息的自适应加权策略来弥补初始固定加权策略的不足,进而能够使模型更好地适应数据不平衡特性,提高故障检测精度;且采取具有神经网络随机学习机制的加权核极限学习机算法框架建立基于AWKELM的风机叶片结冰故障检测模型,建模的计算开销较小,有利于基于AWKELM的风机叶片结冰故障检测模型未来的快速更新和调整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中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为本发明所提供的基于AWKELM的风机叶片结冰故障检测方法流程图;
图2为本发明所提供的基于AWKELM的风机叶片结冰故障检测系统结构图;
图3为本发明所提供的另一种基于AWKELM的风机叶片结冰故障检测方法流程图。
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做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。
本发明的目的是提供一种基于AWKELM的风机叶片结冰故障检测方法及系统,能够提高故障检测精度和降低计算开销。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的基于AWKELM的风机叶片结冰故障检测方法流程图,一种基于AWKELM的风机叶片结冰故障检测方法,包括:
步骤101:分别采集风力发电机组处于正常状态以及叶片结冰故障状态运行时的SCADA数据并进行数据预处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库。
所述步骤101具体包括:采用离差标准化方法将所述SCADA数据进行归一化处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库。
在实际应用中,所述步骤101具体包括:
步骤1.1:采集每一台风力发电机组处于正常运行状态下的SCADA数据和叶片结冰故障状态下的SCADA数据作为训练样本集x∈RN×m,其中N是训练样本总数,每个样本包含m种观测特征变量;并把获取的SCADA样本存入离线训练数据库。
具体的,所有SCADA数据均被贴上了训练标签,即正常状态表示为“0”,故障状态表示为“1”。SCADA系统是目前已经广泛部署于风力发电场站的数据采集与监视控制系统,无需额外增加成本进行安装。SCADA数据包括能够有效反映风电机组工作状况、运行参数以及内外部环境信息的26种观测特征变量,表1为SCADA数据中26种观测特征变量的具体信息示意表,具体如表1所示。
表1
序号 | 特征变量名称 | 序号 | 特征变量名称 |
1 | 风速 | 14 | 变桨电机1温度 |
2 | 发电机转速 | 15 | 变桨电机2温度 |
3 | 网侧有功功率(kw) | 16 | 变桨电机3温度 |
4 | 对风角(度) | 17 | x方向加速度 |
5 | 25秒平均风向角 | 18 | y方向加速度 |
6 | 偏航位置 | 19 | 环境温度 |
7 | 偏航速度 | 20 | 机舱温度 |
8 | 叶片1角度 | 21 | 叶片1ng5充电器温度 |
9 | 叶片2角度 | 22 | 叶片2ng5充电器温度 |
10 | 叶片3角度 | 23 | 叶片3ng5充电器温度 |
11 | 叶片1速度 | 24 | 叶片1ng5充电器直流电流 |
12 | 叶片2速度 | 25 | 叶片2ng5充电器直流电流 |
13 | 叶片3速度 | 26 | 叶片3ng5充电器直流电流 |
步骤1.2:为避免不同特征变量观测到的数值相差较大,导致建模时引起“大数吃小数”的现象,采用离差标准化的方法将样本集的取值范围归一化为0到1之间,进行归一化的公式如下所示:
式中,xn为归一化后的样本数据;x为样本集中的原始样本数据;xmin和xmax分别为原始样本数据x的最小值和最大值。
步骤102:遍历所述离线训练数据库获取样本数量,并基于所述样本数量计算所有样本的初始固定加权矩阵;所述样本包括正常状态样本以及故障状态样本;所述样本数量包括正常状态样本数量和故障状态样本数量。
所述步骤102具体包括:根据所述正常状态样本数量,对所有正常状态下的样本赋予初始的固定训练权重,确定正常状态样本的初始固定权重矩阵;根据所述故障状态样本数量,对所有故障状态下的样本赋予初始的固定训练权重,确定故障状态样本的初始固定权重矩阵;根据所述正常状态样本的初始固定权重矩阵以及所述故障状态样本的初始固定权重矩阵确定所有样本的初始固定加权矩阵。
所述步骤102具体包括:
步骤2.1:遍历步骤101的离线训练数据库,来获取正常状态的样本数量Nn和故障状态的样本数量Nf,此时存在Nf<Nn的数据不平衡问题。
步骤2.2:根据步骤2.1所获取的正常状态样本数量Nn为所有正常状态样本赋予初始的固定训练权重,计算得到正常状态样本初始固定权重矩阵Wn,如下所示:
具体的,正常状态样本初始固定权重矩阵Wn是一个Nn×Nn的对角方阵,即为每一个正常状态样本赋予基于正常状态样本总数的倒数的权重。此外,关于正常状态样本初始固定权重矩阵Wn其他可选的方案如下式所示:
式中,0.618为黄金比例系数。
步骤2.3:根据步骤2.1所获得的故障状态样本数量Nf为所有故障状态样本赋予初始的固定训练权重,计算得到故障状态样本初始固定权重矩阵Wf,如下所示:
具体的,故障状态样本初始固定权重矩阵Wf是一个Nf×Nf的对角方阵,即为每一个故障状态样本赋予基于故障状态样本总数的倒数的权重。
步骤2.4:根据步骤2.2和步骤2.3,计算得到所有样本的初始固定加权矩阵W,如如下所示:
具体的,加权矩阵的设置对应于具体的样本,即在进行步骤4训练时需要把所有正常状态样本排在所有故障状态样本的前面。此外,由于Nf<Nn,可得因此,初始固定加权矩阵W可以为数量较少的故障状态样本赋予固定的较大的训练权重并为数量较多的正常状态样本赋予固定的较小的训练权重从而可以初步解决数据不平衡问题以提高故障检测精度。
步骤103:使用支持向量数据描述(Supportvectordatadescription,SVDD)方法分别建立描述样本分布信息的正常状态SVDD超球体模型和故障状态SVDD超球体模型,并基于超球体半径和每个样本到所属状态SVDD超球体球心的距离计算考虑所有样本分布信息的自适应加权矩阵。
所述步骤103具体包括:使用支持向量数据描述SVDD方法建立描述正常状态样本分布的正常状态SVDD超球体模型Sn(an,Rn):
其中,an为正常状态SVDD超球体模型的球心;in为正常状态样本的序号;Nn为正常状态样本的总数量;为第in个正常状态样本的拉格朗日因子;xin为第in个正常状态样本,φ(xin)为xin的核映射;Rn为正常状态SVDD超球体模型的半径;nSVn为基于所有正常状态样本训练得到的支持向量总个数;sn为基于所有正常状态样本训练得到的支持向量的下标序号;SVn为基于所有正常状态样本训练得到的所有支持向量;xsn为基于所有正常状态样本训练得到的支持向量;φ(xsn)为支持向量xsn的核映射表示;K(xsn,xsn)为xsn与xsn的核映射;K(xsn,xin)为xsn与xin的核映射;jn为正常状态样本的序号;为第jn个正常状态样本的拉格朗日因子;xjn为第jn个正常状态样本;K(xin,xjn)为xin与xjn的核映射;计算得到所有属于正常状态的样本到所述正常状态SVDD超球体模型Sn(an,Rn)球心an的距离集合:其中,Dn为正常状态下的距离集合;xn为正常状态的样本;K(xn,xn)为xn与xn的核映射;K(xn,xin)为xn与xin的核映射;K(xin,xjn)为xin与xjn的核映射;根据所述正常状态SVDD超球体模型以及所述正常状态下的距离集合确定正常状态样本自适应加权矩阵;使用支持向量数据描述方法建立描述故障状态样本分布的故障状态SVDD超球体模型Sf(af,Rf):
其中,af为故障状态SVDD超球体模型的球心;if为故障状态样本的序号;Nf为故障状态样本的总数量;为第if个故障状态样本的拉格朗日因子;xif为第if个故障状态样本,φ(xif)为xif的核映射;Rf为故障状态SVDD超球体模型的半径;nSVf为基于所有故障状态样本训练得到的支持向量总个数;sf为基于所有故障状态样本训练得到的支持向量的下标序号;SVf为基于所有故障状态样本训练得到的所有支持向量;xsf为基于所有故障状态样本训练得到的支持向量;φ(xsf)为支持向量xsf的核映射表示;K(xsf,xsf)为xsf与xsf的核映射;K(xsf,xif)为xsf与xif的核映射;jf为故障状态样本的序号;为第jf个故障状态样本的拉格朗日因子;xjf为第jf个故障状态样本;K(xif,xjf)为xif与xjf的核映射;计算得到所有故障状态样本到故障状态SVDD超球体模型Sf(af,Rf)球心af的距离集合:其中,Df为故障状态下的距离集合;xf为故障状态的样本;K(xf,xf)为xf与xf的核映射;K(xf,xif)为xf与xif的核映射;K(xif,xjf)为xif与xjf的核映射;根据所述故障状态SVDD超球体模型以及所述故障状态下的距离集合确定故障状态样本自适应加权矩阵;根据所述正常状态样本自适应加权矩阵以及所述故障状态样本自适应加权矩阵确定考虑所有样本分布信息的自适应加权矩阵。
在实际应用中,所述步骤103具体包括:
步骤3.1:使用支持向量数据描述(SVDD)方法建立能够描述正常状态样本分布信息的正常状态SVDD超球体模型Sn(an,Rn),该模型可由下述公式计算得到:
式中,an为正常状态SVDD超球体模型的球心,Rn是正常状态SVDD超球体模型的半径,xs基于所有正常状态样本训练得到的支持向量。
具体的,φ(xi)表示核映射,即K(xi,xj)。核映射优选的方案为采用高斯核函数完成,如下式所示:
式中,δ是高斯核函数的核函数宽度,需要在实际建模时人为地设置合适的数值。
此外除高斯核函数外,其他优选的方案还有多项式核函数、线性核函数以及小波核函数等常用的核函数。
式中,xn是属于正常状态的样本。
步骤3.3:根据步骤3.1所获取的正常状态SVDD超球体模型的半径Rn和步骤3.2中所获取的距离集合来为所有正常状态样本赋予考虑样本分布信息的自适应训练权重,进而得到正常状态样本自适应加权矩阵的公式如下所示:
式中,e是自然数,h是调节常数为属于0到10之间的正整数。
具体的,故障状态样本初始固定权重矩阵An是一个Nn×Nn的对角方阵,即为每一个正常状态样本赋予基于样本分布信息的自适应训练权重,调节常数h需要在建模时人为地选择合适的参数。
步骤3.4:使用支持向量数据描述(SVDD)方法建立能够描述故障状态样本分布的故障状态SVDD超球体模型Sf(af,Rf),该模型可由下述公式计算得到:
其中,af为故障状态SVDD超球体模型的球心;if为故障状态样本的序号;Nf为故障状态样本的总数量;为第if个故障状态样本的拉格朗日因子;xif为第if个故障状态样本,φ(xif)为xif的核映射;Rf为故障状态SVDD超球体模型的半径;nSVf为基于所有故障状态样本训练得到的支持向量总个数;sf为基于所有故障状态样本训练得到的支持向量的下标序号;SVf为基于所有故障状态样本训练得到的所有支持向量;xsf为基于所有故障状态样本训练得到的支持向量;φ(xsf)为支持向量xsf的核映射表示;K(xsf,xsf)为xsf与xsf的核映射;K(xsf,xif)为xsf与xif的核映射;jf为故障状态样本的序号;为第jf个故障状态样本的拉格朗日因子;xjf为第jf个故障状态样本;K(xif,xjf)为xif与xjf的核映射。
具体的,φ(xi)表示核映射,即K(xi,xj)。核映射优选的方案为采用高斯核函数完成,如下式所示:
式中,δ是高斯核函数的核函数宽度,需要在实际建模时人为地设置合适的数值。
此外除高斯核函数外,其他优选的方案还有多项式核函数、线性核函数以及小波核函数等常用的核函数。
其中,Df为故障状态下的距离集合;xf为故障状态的样本;K(xf,xf)为xf与xf的核映射;K(xf,xif)为xf与xif的核映射;K(xif,xjf)为xif与xjf的核映射。
步骤3.6:根据步骤3.4所获取的故障SVDD超球体模型的半径Rf和步骤3.5中所获取的距离集合来为所有故障状态样本赋予考虑样本分布信息的自适应训练权重,进而得到故障状态样本自适应加权矩阵的公式如下所示:
式中,e是自然数,h是调节常数为属于0到10之间的正整数。
具体的,故障状态样本初始固定权重矩阵Af是一个Nf×Nf的对角方阵,即为每一个故障状态样本赋予基于样本分布信息的自适应训练权重,调节常数h需要在建模时人为地选择合适的参数。
步骤3.7:根据步骤3.3和步骤3.6,计算得到所有样本的自适应加权矩阵A,其公式如下所示:
具体的,加权矩阵的设置对应于具体的样本,即在进行步骤4训练时需要把所有正常状态样本排在所有故障状态样本的前面。此外,由公式(7)和(10)可知,公式(30)所述的自适应加权矩阵A可以为同一状态中不同分布位置的样本赋予不同的权重。其为距离样本分布中心越远的样本即边界样本赋予更大的权重并为距离样本分布中心越近的样本即内部样本赋予更小的权重,有利于进一步解决数据不平衡问题,使得权重的设置更加合理。
步骤104:结合所述初始固定加权矩阵以及所述考虑所有样本分布信息的自适应加权矩阵建立基于AWKELM的风机叶片结冰故障检测模型。
所述步骤104具体包括:求解所述考虑所有样本分布信息的自适应加权矩阵,确定所述基于AWKELM的风机叶片结冰故障检测模型的输出函数;定义所述输出函数的核映射矩阵;利用高斯核函数确定所述核映射矩阵的核函数映射;根据所述输出函数、所述核映射矩阵以及所述核函数映射确定所述基于AWKELM的风机叶片结冰故障检测模型的分类决策函数,并基于所述分类决策函数建立基于AWKELM的风机叶片结冰故障检测模型。
在实际应用中,所述步骤104具体包括:
步骤4.1:结合步骤2.4获取的初始固定加权矩阵W和步骤3.7获取的自适应加权矩阵A来建立基于自适应加权核极限学习机(AWKELM)的风机叶片结冰检测模型。模型的训练目标在于初始固定加权矩阵W和自适应加权矩阵A来进行数据不平衡场景的学习,其建模训练目标为最小化加权的训练误差和最小化网络输出权重,可表述为下式:
式中,β是AWKELM的网络输出权重;C是惩罚因子,N是样本总数,h(xi)是AWKELM的网络隐含层输出向量,ti是目标输出向量,ξi是训练误差。
具体的,AWKELM的网络隐含层输出向量h(xi)具体表达为下式:
h(xi)=g(wxi+b)
式中,w是AWKELM的网络输入权值,b是AWKELM的网络隐含层偏置,w,b均采用随机生成的方式。g(·)为激活函数,可选方案有sin、sig等激活函数。
具体的,如果第i个样本的状态为正常,即标签为“0”,则目标输出向量ti=[10];如果第i个样本的状态为结冰故障,即标签为“1”,则目标输出向量ti=[01]。
步骤4.2:对上述优化问题进行求解,进而得到基于自适应加权核极限学习机的风机叶片结冰检测模型的输出函数,输出函数f(x)AWKELM的公式可表达如下:
式中,h(x)是AWKELM的网络隐含层输出向量,H是AWKELM的网络隐含层输出矩阵,C是惩罚因子,Ω是核映射矩阵,T是目标输出矩阵;
步骤4.3:定义步骤4.2中核映射矩阵Ω的表达形式如下式所示:
Ω=HHT:Ωi,j=h(xi)×h(xj)=K(xi,xj)
式中,K(xi,xj)是核函数映射。
步骤4.4:使用高斯核函数完成步骤4.3所述的核函数映射K(xi,xj),其表达式如下所示:
式中,δ是高斯核函数的核函数宽度,需要在实际建模时人为地设置合适的数值。
此外除高斯核函数外,其他优选的方案还有多项式核函数、线性核函数以及小波核函数等常用的核函数。
步骤4.5:根据步骤4.2、步骤4.3以及步骤4.4,计算得到基于自适应加权核极限学习机(AWKELM)的风机叶片结冰检测模型的最终决策函数的表达式如下所示:
label(xi)AWKELM=argmaxfk(xi)AWKELM,k=1,2,...,m
式中,k表示类别数量,这里k=2表示仅有正常状态类别和故障状态类别这2种类别。
步骤105:将待测风力发电机组的SCADA数据输入到所述基于AWKELM的风机叶片结冰故障检测模型中检测风机叶片,确定检测结果,并根据所述检测结果进行运维决策;所述检测结果包括风机叶片发生结冰故障以及风机叶片未发生结冰故障。
所述步骤105具体包括:将所述待测风力发电机组的SCADA数据输入到所述基于AWKELM的风机叶片结冰故障检测模型中检测风机叶片,基于所述分类决策函数输出检测结果;若所述检测结果表示为风机叶片发生结冰故障,查看风机叶片是否存在结冰;若是,立即开启除冰系统;若否,在线更新和调整所述基于AWKELM的风机叶片结冰故障检测模型;若所述检测结果表示为风机叶片未发生结冰故障,继续采集新的待测风力发电机组的SCADA数据。
在实际应用中,所述步骤105具体包括:
步骤5.1:从风力发电机组SCADA系统中采集新的在线样本。
步骤5.2:采用步骤1.2所述的数据预处理方法将新采集的在线样本同样地归一化至0到1的区间范围内。
步骤5.3:将归一化后的在线样本输入步骤4所建立的基于自适应加权核极限学习机(AWKELM)的风机叶片结冰检测模型中并基于步骤4.5中的分类决策函数输出故障检测结果。
步骤5.4:根据步骤5.3中所获取的故障检测结果进行风电机组系统维护,如果输出结果显示故障状态,则立即开启除冰系统或进行模型在线更新和调整,否则返回步骤5.1,继续采集新的在线样本来进行风机叶片结冰故障在线检测。
图2为本发明所提供的基于AWKELM的风机叶片结冰故障检测系统结构图,如图2所示,一种基于AWKELM的风机叶片结冰故障检测系统,包括:
SCADA数据采集及预处理模块201,用于分别采集风力发电机组处于正常状态以及叶片结冰故障状态运行时的SCADA数据并进行数据预处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库。
所述SCADA数据采集及预处理模块201,具体包括:SCADA数据采集及预处理单元,用于采用离差标准化方法将所述SCADA数据进行归一化处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库。
初始固定加权矩阵计算模块202,用于遍历所述离线训练数据库获取样本数量,并基于所述样本数量计算所有样本的初始固定加权矩阵;所述样本包括正常状态样本以及故障状态样本;所述样本数量包括正常状态样本数量和故障状态样本数量。
所述初始固定加权矩阵计算模块202,具体包括:正常状态样本的初始固定权重矩阵确定单元,用于根据所述正常状态样本数量,对所有正常状态下的样本赋予初始的固定训练权重,确定正常状态样本的初始固定权重矩阵;故障状态样本的初始固定权重矩阵确定单元,用于根据所述故障状态样本数量,对所有故障状态下的样本赋予初始的固定训练权重,确定故障状态样本的初始固定权重矩阵;所有样本的初始固定加权矩阵确定单元,用于根据所述正常状态样本的初始固定权重矩阵以及所述故障状态样本的初始固定权重矩阵确定所有样本的初始固定加权矩阵。
考虑所有样本分布信息的自适应加权矩阵计算模块203,用于使用支持向量数据描述SVDD方法分别建立描述样本分布信息的正常状态SVDD超球体模型和故障状态SVDD超球体模型,并基于超球体半径和每个样本到所属状态SVDD超球体球心的距离计算考虑所有样本分布信息的自适应加权矩阵。
所述考虑所有样本分布信息的自适应加权矩阵计算模块203,具体包括:正常状态SVDD超球体模型建立单元,用于使用支持向量数据描述SVDD方法建立描述正常状态样本分布的正常状态SVDD超球体模型Sn(an,Rn):
其中,an为正常状态SVDD超球体模型的球心;in为正常状态样本的序号;Nn为正常状态样本的总数量;为第in个正常状态样本的拉格朗日因子;xin为第in个正常状态样本,φ(xin)为xin的核映射;Rn为正常状态SVDD超球体模型的半径;nSVn为基于所有正常状态样本训练得到的支持向量总个数;sn为基于所有正常状态样本训练得到的支持向量的下标序号;SVn为基于所有正常状态样本训练得到的所有支持向量;xsn为基于所有正常状态样本训练得到的支持向量;φ(xsn)为支持向量xsn的核映射表示;K(xsn,xsn)为xsn与xsn的核映射;K(xsn,xin)为xsn与xin的核映射;jn为正常状态样本的序号;为第jn个正常状态样本的拉格朗日因子;xjn为第jn个正常状态样本;K(xin,xjn)为xin与xjn的核映射;正常状态下的距离集合确定单元,用于计算得到所有属于正常状态的样本到所述正常状态SVDD超球体模型Sn(an,Rn)球心an的正常状态下的距离集合:其中,Dn为正常状态下的距离集合;xn为正常状态的样本;K(xn,xn)为xn与xn的核映射;K(xn,xin)为xn与xin的核映射;K(xin,xjn)为xin与xjn的核映射;正常状态样本自适应加权矩阵确定单元,用于根据所述正常状态SVDD超球体模型以及所述正常状态下的距离集合确定正常状态样本自适应加权矩阵;故障状态SVDD超球体模型建立单元,用于使用支持向量数据描述方法建立描述故障状态样本分布的故障状态SVDD超球体模型Sf(af,Rf):
其中,af为故障状态SVDD超球体模型的球心;if为故障状态样本的序号;Nf为故障状态样本的总数量;为第if个故障状态样本的拉格朗日因子;xif为第if个故障状态样本,φ(xif)为xif的核映射;Rf为故障状态SVDD超球体模型的半径;nSVf为基于所有故障状态样本训练得到的支持向量总个数;sf为基于所有故障状态样本训练得到的支持向量的下标序号;SVf为基于所有故障状态样本训练得到的所有支持向量;xsf为基于所有故障状态样本训练得到的支持向量;φ(xsf)为支持向量xsf的核映射表示;K(xsf,xsf)为xsf与xsf的核映射;K(xsf,xif)为xsf与xif的核映射;jf为故障状态样本的序号;为第jf个故障状态样本的拉格朗日因子;xjf为第jf个故障状态样本;K(xif,xjf)为xif与xjf的核映射;故障状态下的距离集合计算单元,用于计算得到所有故障状态样本到故障状态SVDD超球体模型Sf(af,Rf)球心af的距离集合:其中,Df为故障状态下的距离集合;xf为故障状态的样本;K(xf,xf)为xf与xf的核映射;K(xf,xif)为xf与xif的核映射;K(xif,xjf)为xif与xjf的核映射;故障状态样本自适应加权矩阵确定单元,用于根据所述故障状态SVDD超球体模型以及所述故障状态下的距离集合确定故障状态样本自适应加权矩阵;考虑所有样本分布信息的自适应加权矩阵确定单元,用于根据所述正常状态样本自适应加权矩阵以及所述故障状态样本自适应加权矩阵确定考虑所有样本分布信息的自适应加权矩阵。
基于AWKELM的风机叶片结冰故障检测模型建立模块204,用于结合所述初始固定加权矩阵以及所述考虑所有样本分布信息的自适应加权矩阵建立基于AWKELM的风机叶片结冰故障检测模型。
检测结果确定模块205,用于将待测风力发电机组的SCADA数据输入到所述基于AWKELM的风机叶片结冰故障检测模型中检测风机叶片,确定检测结果,并根据所述检测结果进行运维决策;所述检测结果包括风机叶片发生结冰故障以及风机叶片未发生结冰故障。
本发明公开了一种基于AWKELM的风机叶片结冰故障检测方法及系统,图3为本发明所提供的另一种基于AWKELM的风机叶片结冰故障检测方法流程图,如图3所示,首先分别离散采集风力发电机组正常状态和叶片结冰故障状态运行下的SCADA数据,并在进行数据归一化预处理后存入离线训练数据库;然后通过遍历离线样本数据库来分别获取正常状态的样本数量和故障状态的样本数量并计算初始固定加权矩阵;此外进一步使用支持向量数据描述(SVDD)方法分别建立能够描述样本分布信息的正常状态SVDD超球体模型和故障状态SVDD超球体模型并计算考虑样本分布信息的自适应加权矩阵;通过结合自适应加权矩阵和初始固定加权矩阵来建立基于AWKELM的风机叶片结冰故障检测模型,最后在线采集新的风力发电机组SCADA数据输入到所建立的基于AWKELM的风机叶片结冰故障检测模型中来进行结冰故障检测。本发明能够有效处理数据驱动型基于AWKELM的风机叶片结冰故障检测方法中存在的数据不平衡问题,可以在较小计算开销的前提下进一步提高风机叶片结冰故障的检测精度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于AWKELM的风机叶片结冰故障检测方法,其特征在于,包括:
分别采集风力发电机组处于正常状态以及叶片结冰故障状态运行时的SCADA数据并进行数据预处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库;
遍历所述离线训练数据库获取样本数量,并基于所述样本数量计算所有样本的初始固定加权矩阵;所述样本包括正常状态样本以及故障状态样本;所述样本数量包括正常状态样本数量和故障状态样本数量;
使用支持向量数据描述SVDD方法分别建立描述样本分布信息的正常状态SVDD超球体模型和故障状态SVDD超球体模型,并基于超球体半径和每个样本到所属状态SVDD超球体球心的距离计算考虑所有样本分布信息的自适应加权矩阵;
结合所述初始固定加权矩阵以及所述考虑所有样本分布信息的自适应加权矩阵建立基于AWKELM的风机叶片结冰故障检测模型;
将待测风力发电机组的SCADA数据输入到所述基于AWKELM的风机叶片结冰故障检测模型中检测风机叶片,确定检测结果,并根据所述检测结果进行运维决策;所述检测结果包括风机叶片发生结冰故障以及风机叶片未发生结冰故障。
2.根据权利要求1所述的基于AWKELM的风机叶片结冰故障检测方法,其特征在于,所述分别采集风力发电机组处于正常状态以及叶片结冰故障状态运行时的SCADA数据并进行数据预处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库,具体包括:
采用离差标准化方法将所述SCADA数据进行归一化处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库。
3.根据权利要求1所述的基于AWKELM的风机叶片结冰故障检测方法,其特征在于,所述遍历所述离线训练数据库获取样本数量,并基于所述样本数量计算所有样本的初始固定加权矩阵,具体包括:
根据所述正常状态样本数量,对所有正常状态下的样本赋予初始的固定训练权重,确定正常状态样本的初始固定权重矩阵;
根据所述故障状态样本数量,对所有故障状态下的样本赋予初始的固定训练权重,确定故障状态样本的初始固定权重矩阵;
根据所述正常状态样本的初始固定权重矩阵以及所述故障状态样本的初始固定权重矩阵确定所有样本的初始固定加权矩阵。
4.根据权利要求1所述的基于AWKELM的风机叶片结冰故障检测方法,其特征在于,所述使用支持向量数据描述SVDD方法分别建立描述样本分布信息的正常状态SVDD超球体模型和故障状态SVDD超球体模型,并基于超球体半径和每个样本到所属状态SVDD超球体球心的距离计算考虑所有样本分布信息的自适应加权矩阵,具体包括:
使用支持向量数据描述SVDD方法建立描述正常状态样本分布的正常状态SVDD超球体模型Sn(an,Rn):
其中,an为正常状态SVDD超球体模型的球心;in为正常状态样本的序号;Nn为正常状态样本的总数量;为第in个正常状态样本的拉格朗日因子;xin为第in个正常状态样本,φ(xin)为xin的核映射;Rn为正常状态SVDD超球体模型的半径;nSVn为基于所有正常状态样本训练得到的支持向量总个数;sn为基于所有正常状态样本训练得到的支持向量的下标序号;SVn为基于所有正常状态样本训练得到的所有支持向量;xsn为基于所有正常状态样本训练得到的支持向量;φ(xsn)为支持向量xsn的核映射表示;K(xsn,xsn)为xsn与xsn的核映射;K(xsn,xin)为xsn与xin的核映射;jn为正常状态样本的序号;为第jn个正常状态样本的拉格朗日因子;xjn为第jn个正常状态样本;K(xin,xjn)为xin与xjn的核映射;
计算得到所有属于正常状态的样本到所述正常状态SVDD超球体模型Sn(an,Rn)球心an的距离集合:
其中,Dn为正常状态下的距离集合;xn为正常状态的样本;K(xn,xn)为xn与xn的核映射;K(xn,xin)为xn与xin的核映射;K(xin,xjn)为xin与xjn的核映射;
根据所述正常状态SVDD超球体模型以及所述正常状态下的距离集合确定正常状态样本自适应加权矩阵;
使用支持向量数据描述方法建立描述故障状态样本分布的故障状态SVDD超球体模型Sf(af,Rf):
其中,af为故障状态SVDD超球体模型的球心;if为故障状态样本的序号;Nf为故障状态样本的总数量;为第if个故障状态样本的拉格朗日因子;xif为第if个故障状态样本,φ(xif)为xif的核映射;Rf为故障状态SVDD超球体模型的半径;nSVf为基于所有故障状态样本训练得到的支持向量总个数;sf为基于所有故障状态样本训练得到的支持向量的下标序号;SVf为基于所有故障状态样本训练得到的所有支持向量;xsf为基于所有故障状态样本训练得到的支持向量;φ(xsf)为支持向量xsf的核映射表示;K(xsf,xsf)为xsf与xsf的核映射;K(xsf,xif)为xsf与xif的核映射;jf为故障状态样本的序号;为第jf个故障状态样本的拉格朗日因子;xjf为第jf个故障状态样本;K(xif,xjf)为xif与xjf的核映射;
计算得到所有故障状态样本到故障状态SVDD超球体模型Sf(af,Rf)球心af的距离集合:
其中,Df为故障状态下的距离集合;xf为故障状态的样本;K(xf,xf)为xf与xf的核映射;K(xf,xif)为xf与xif的核映射;K(xif,xjf)为xif与xjf的核映射;
根据所述故障状态SVDD超球体模型以及所述故障状态下的距离集合确定故障状态样本自适应加权矩阵;
根据所述正常状态样本自适应加权矩阵以及所述故障状态样本自适应加权矩阵确定考虑所有样本分布信息的自适应加权矩阵。
5.根据权利要求1所述的基于AWKELM的风机叶片结冰故障检测方法,其特征在于,所述结合所述初始固定加权矩阵以及所述考虑所有样本分布信息的自适应加权矩阵建立基于AWKELM的风机叶片结冰故障检测模型,具体包括:
求解所述考虑所有样本分布信息的自适应加权矩阵,确定所述基于AWKELM的风机叶片结冰故障检测模型的输出函数;
定义所述输出函数的核映射矩阵;
利用高斯核函数确定所述核映射矩阵的核函数映射;
根据所述输出函数、所述核映射矩阵以及所述核函数映射确定所述基于AWKELM的风机叶片结冰故障检测模型的分类决策函数,并基于所述分类决策函数建立基于AWKELM的风机叶片结冰故障检测模型。
6.根据权利要求5所述的基于AWKELM的风机叶片结冰故障检测方法,其特征在于,所述将待测风力发电机组的SCADA数据输入到所述基于AWKELM的风机叶片结冰故障检测模型中检测风机叶片,确定检测结果,并根据所述检测结果进行运维决策,具体包括:
将所述待测风力发电机组的SCADA数据输入到所述基于AWKELM的风机叶片结冰故障检测模型中检测风机叶片,基于所述分类决策函数输出检测结果;
若所述检测结果表示为风机叶片发生结冰故障,查看风机叶片是否存在结冰;
若是,立即开启除冰系统;若否,在线更新和调整所述基于AWKELM的风机叶片结冰故障检测模型;
若所述检测结果表示为风机叶片未发生结冰故障,继续采集新的待测风力发电机组的SCADA数据。
7.一种基于AWKELM的风机叶片结冰故障检测系统,其特征在于,包括:
SCADA数据采集及预处理模块,用于分别采集风力发电机组处于正常状态以及叶片结冰故障状态运行时的SCADA数据并进行数据预处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库;
初始固定加权矩阵计算模块,用于遍历所述离线训练数据库获取样本数量,并基于所述样本数量计算所有样本的初始固定加权矩阵;所述样本包括正常状态样本以及故障状态样本;所述样本数量包括正常状态样本数量和故障状态样本数量;
考虑所有样本分布信息的自适应加权矩阵计算模块,用于使用支持向量数据描述SVDD方法分别建立描述样本分布信息的正常状态SVDD超球体模型和故障状态SVDD超球体模型,并基于超球体半径和每个样本到所属状态SVDD超球体球心的距离计算考虑所有样本分布信息的自适应加权矩阵;
基于AWKELM的风机叶片结冰故障检测模型建立模块,用于结合所述初始固定加权矩阵以及所述考虑所有样本分布信息的自适应加权矩阵建立基于AWKELM的风机叶片结冰故障检测模型;
检测结果确定模块,用于将待测风力发电机组的SCADA数据输入到所述基于AWKELM的风机叶片结冰故障检测模型中检测风机叶片,确定检测结果,并根据所述检测结果进行运维决策;所述检测结果包括风机叶片发生结冰故障以及风机叶片未发生结冰故障。
8.根据权利要求7所述的基于AWKELM的风机叶片结冰故障检测系统,其特征在于,所述SCADA数据采集及预处理模块,具体包括:
SCADA数据采集及预处理单元,用于采用离差标准化方法将所述SCADA数据进行归一化处理,使得处理后的数据在0到1的区间范围内,并将所述处理后的数据存入离线训练数据库。
9.根据权利要求7所述的基于AWKELM的风机叶片结冰故障检测系统,其特征在于,所述初始固定加权矩阵计算模块,具体包括:
正常状态样本的初始固定权重矩阵确定单元,用于根据所述正常状态样本数量,对所有正常状态下的样本赋予初始的固定训练权重,确定正常状态样本的初始固定权重矩阵;
故障状态样本的初始固定权重矩阵确定单元,用于根据所述故障状态样本数量,对所有故障状态下的样本赋予初始的固定训练权重,确定故障状态样本的初始固定权重矩阵;
所有样本的初始固定加权矩阵确定单元,用于根据所述正常状态样本的初始固定权重矩阵以及所述故障状态样本的初始固定权重矩阵确定所有样本的初始固定加权矩阵。
10.根据权利要求7所述的基于AWKELM的风机叶片结冰故障检测系统,其特征在于,所述考虑所有样本分布信息的自适应加权矩阵计算模块,具体包括:
正常状态SVDD超球体模型建立单元,用于使用支持向量数据描述SVDD方法建立描述正常状态样本分布的正常状态SVDD超球体模型Sn(an,Rn):
其中,an为正常状态SVDD超球体模型的球心;in为正常状态样本的序号;Nn为正常状态样本的总数量;为第in个正常状态样本的拉格朗日因子;xin为第in个正常状态样本,φ(xin)为xin的核映射;Rn为正常状态SVDD超球体模型的半径;nSVn为基于所有正常状态样本训练得到的支持向量总个数;sn为基于所有正常状态样本训练得到的支持向量的下标序号;SVn为基于所有正常状态样本训练得到的所有支持向量;xsn为基于所有正常状态样本训练得到的支持向量;φ(xsn)为支持向量xsn的核映射表示;K(xsn,xsn)为xsn与xsn的核映射;K(xsn,xin)为xsn与xin的核映射;jn为正常状态样本的序号;为第jn个正常状态样本的拉格朗日因子;xjn为第jn个正常状态样本;K(xin,xjn)为xin与xjn的核映射;
正常状态下的距离集合确定单元,用于计算得到所有属于正常状态的样本到所述正常状态SVDD超球体模型Sn(an,Rn)球心an的正常状态下的距离集合:
其中,Dn为正常状态下的距离集合;xn为正常状态的样本;K(xn,xn)为xn与xn的核映射;K(xn,xin)为xn与xin的核映射;K(xin,xjn)为xin与xjn的核映射;
正常状态样本自适应加权矩阵确定单元,用于根据所述正常状态SVDD超球体模型以及所述正常状态下的距离集合确定正常状态样本自适应加权矩阵;
故障状态SVDD超球体模型建立单元,用于使用支持向量数据描述方法建立描述故障状态样本分布的故障状态SVDD超球体模型Sf(af,Rf):
其中,af为故障状态SVDD超球体模型的球心;if为故障状态样本的序号;Nf为故障状态样本的总数量;为第if个故障状态样本的拉格朗日因子;xif为第if个故障状态样本,φ(xif)为xif的核映射;Rf为故障状态SVDD超球体模型的半径;nSVf为基于所有故障状态样本训练得到的支持向量总个数;sf为基于所有故障状态样本训练得到的支持向量的下标序号;SVf为基于所有故障状态样本训练得到的所有支持向量;xsf为基于所有故障状态样本训练得到的支持向量;φ(xsf)为支持向量xsf的核映射表示;K(xsf,xsf)为xsf与xsf的核映射;K(xsf,xif)为xsf与xif的核映射;jf为故障状态样本的序号;为第jf个故障状态样本的拉格朗日因子;xjf为第jf个故障状态样本;K(xif,xjf)为xif与xjf的核映射;
故障状态下的距离集合计算单元,用于计算得到所有故障状态样本到故障状态SVDD超球体模型Sf(af,Rf)球心af的距离集合:
其中,Df为故障状态下的距离集合;xf为故障状态的样本;K(xf,xf)为xf与xf的核映射;K(xf,xif)为xf与xif的核映射;K(xif,xjf)为xif与xjf的核映射;
故障状态样本自适应加权矩阵确定单元,用于根据所述故障状态SVDD超球体模型以及所述故障状态下的距离集合确定故障状态样本自适应加权矩阵;
考虑所有样本分布信息的自适应加权矩阵确定单元,用于根据所述正常状态样本自适应加权矩阵以及所述故障状态样本自适应加权矩阵确定考虑所有样本分布信息的自适应加权矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636509.5A CN113323823B (zh) | 2021-06-08 | 2021-06-08 | 基于awkelm的风机叶片结冰故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636509.5A CN113323823B (zh) | 2021-06-08 | 2021-06-08 | 基于awkelm的风机叶片结冰故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113323823A CN113323823A (zh) | 2021-08-31 |
CN113323823B true CN113323823B (zh) | 2022-10-25 |
Family
ID=77420088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110636509.5A Active CN113323823B (zh) | 2021-06-08 | 2021-06-08 | 基于awkelm的风机叶片结冰故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113323823B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK3180514T3 (da) * | 2014-08-15 | 2019-12-16 | Vestas Wind Sys As | Styring af en vindmølle med en fejltilstand |
CN105740619B (zh) * | 2016-01-28 | 2018-06-12 | 华南理工大学 | 基于核函数的加权极限学习机污水处理在线故障诊断方法 |
CN106597260B (zh) * | 2016-12-29 | 2020-04-03 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
CN106874934A (zh) * | 2017-01-12 | 2017-06-20 | 华南理工大学 | 基于加权极限学习机集成算法的污水处理故障诊断方法 |
CN107688825B (zh) * | 2017-08-03 | 2020-02-18 | 华南理工大学 | 一种改进型的集成加权极限学习机污水处理故障诊断方法 |
US20200293032A1 (en) * | 2019-03-13 | 2020-09-17 | General Electric Company | Extremely fast substation asset monitoring system and method |
US11751057B2 (en) * | 2019-09-19 | 2023-09-05 | Colorado State University Research Foundation | Security-enhanced deep learning fingerprint-based indoor localization |
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 |
CN112682273B (zh) * | 2020-12-31 | 2022-06-28 | 长沙理工大学 | 基于代价敏感轻量级梯度提升机的风电机组故障检测方法 |
-
2021
- 2021-06-08 CN CN202110636509.5A patent/CN113323823B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113323823A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
CN108551167B (zh) | 一种基于XGBoost算法的电力系统暂态稳定判别方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN107341349B (zh) | 风机健康评估的方法、系统、存储器及控制器 | |
CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
Ge et al. | A hybrid model for short-term PV output forecasting based on PCA-GWO-GRNN | |
CN108680358A (zh) | 一种基于轴承温度模型的风电机组故障预测方法 | |
CN106875033B (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN107728059B (zh) | 一种变桨系统状态评估方法 | |
CN111582392A (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
CN106875037A (zh) | 风力预测方法及装置 | |
CN115935215B (zh) | 极端天气下基于深度学习的输电线路覆冰预警方法及系统 | |
Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
CN113657662A (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN110428100A (zh) | 一种风机短期发电功率预测方法 | |
CN116050599A (zh) | 一种线路覆冰故障预测方法、系统、存储介质及设备 | |
CN114330881A (zh) | 一种数据驱动的风机叶片结冰预测方法及装置 | |
CN113323823B (zh) | 基于awkelm的风机叶片结冰故障检测方法及系统 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN116526478B (zh) | 基于改进的蛇群优化算法的短期风电功率预测方法及系统 | |
CN116896093A (zh) | 一种风电场并网振荡稳定性在线分析与优化方法 | |
CN116451608A (zh) | 一种复杂地形的混合风功率预测方法及装置 | |
CN111794921B (zh) | 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 |
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 |