CN114593020A - 风电机组叶片结冰监测预警方法、装置及电子设备 - Google Patents

风电机组叶片结冰监测预警方法、装置及电子设备 Download PDF

Info

Publication number
CN114593020A
CN114593020A CN202210082978.1A CN202210082978A CN114593020A CN 114593020 A CN114593020 A CN 114593020A CN 202210082978 A CN202210082978 A CN 202210082978A CN 114593020 A CN114593020 A CN 114593020A
Authority
CN
China
Prior art keywords
monitoring
power
rotating speed
sample
early warning
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.)
Pending
Application number
CN202210082978.1A
Other languages
English (en)
Inventor
郭鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guodian United Power Technology Co Ltd
North China Electric Power University
Original Assignee
Guodian United Power Technology Co Ltd
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guodian United Power Technology Co Ltd, North China Electric Power University filed Critical Guodian United Power Technology Co Ltd
Priority to CN202210082978.1A priority Critical patent/CN114593020A/zh
Publication of CN114593020A publication Critical patent/CN114593020A/zh
Pending legal-status Critical Current

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
    • 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
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/0204—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor for orientation in relation to wind direction
    • 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
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/022—Adjusting aerodynamic properties of the blades
    • F03D7/0224—Adjusting blade pitch
    • 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
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • 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
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/20—Wind motors characterised by the driven apparatus
    • F03D9/25—Wind motors characterised by the driven apparatus the apparatus being an electrical generator
    • 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)
  • Physics & Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Power Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供了风电机组叶片结冰监测预警方法、装置及电子设备；其中，该方法包括：首先监测模型根据监测样本集输出监测结果，并分别计算功率预测残差集合和叶轮转速预测残差集合；然后基于序贯概率比检验计算得到功率序贯概率比和叶轮转速序贯概率比；根据环境温度、功率序贯概率比和叶轮转速序贯概率比，以及预设预警条件，确定目标监测样本；以及，生成目标监测样本的预警信息。该方式中，通过环境温度、功率序贯概率比和叶轮转速序贯概率比，确定需生成预警信息的目标监测样本，并根据预警信息进行叶片结冰预警，不仅提高了风电机组叶片结冰监测和预警的精确度，还具有实用性和通用性，便于在实际应用中推广实施。

Description

风电机组叶片结冰监测预警方法、装置及电子设备
技术领域
本发明涉及风电机组叶片结冰监测技术领域，尤其是涉及风电机组叶片结冰监测预警方法、装置及电子设备。
背景技术
风力发电作为新能源的主要形式，近年来得到迅猛发展。在实际应用中，部分地区的风电场由于海拔高，当冬季气温低、空气湿度大、雨雪频繁时，机组极易出现叶片结冰。当叶片结冰严重时会使变桨、转速、功率控制失效，从而导致机组失速、叶片折断甚至倾覆倒塔等重大事故，以及，叶片抛冰还会带来潜在的安全威胁。因此，对叶片结冰状态进行实时监测，并在叶片结冰初期进行有效预警，及时停机或调整机组运行方式，对保证机组运行安全具有重要意义。
现有的叶片结冰监测与预警方法主要包括：(1)非接触红外测温法，当叶片表面结冰时，叶片表面发射的热辐射信号与非结冰时有显著不同，从而达到检测的目的；(2)定向超声波检测叶片结冰方法，通过叶片结冰与非结冰状态下超声波传播速率的不同实现叶片结冰监测。上述方法虽然可以实现叶片结冰的监测，但需额外增加传感器，且风电机组的实际环境和实验模拟环境存在差异，若在实际环境中应用，容易受环境因素的影响，降低了叶片结冰监测和预警的精度，不便于在实际中推广实施。
发明内容
有鉴于此，本发明的目的在于提供风电机组叶片结冰监测预警方法、装置及电子设备，不仅提高了风电机组叶片结冰监测和预警的精确度，还具有实用性和通用性，便于在实际应用中推广实施。
第一方面，本发明实施例提供了一种风电机组叶片结冰监测预警方法，该方法包括：获取风电机组的监测样本集和环境温度；其中，监测样本集包括多个监测样本，以及每个监测样本对应的监测参数，监测参数包括：风速、叶轮转速、桨距角、偏航误差、功率和发电机转矩；将监测样本集输入至预先训练好的监测模型，以使监测模型根据监测样本集输出监测结果；其中，监测结果包括：功率预测值集合和叶轮转速预测值集合，功率预测值集合包括每个监测样本对应的功率预测值，叶轮转速预测值集合包括每个监测样本对应的叶轮转速预测值；分别计算功率预测值集合对应的功率预测残差集合和叶轮转速预测值集合对应的叶轮转速预测残差集合；其中，功率预测残差集合包括每个监测样本对应的功率预测残差，叶轮转速预测残差集合包括每个监测样本对应的叶轮转速预测残差；基于序贯概率比检验分别对功率预测残差集合和叶轮转速预测残差集合进行计算，得到功率序贯概率比和叶轮转速序贯概率比；根据环境温度、功率序贯概率比和叶轮转速序贯概率比，以及预设预警条件，确定目标监测样本；生成目标监测样本的预警信息，并根据预警信息发出风电机组叶片结冰预警。
优选地，本发明实施例提供了第一方面的第一种可能的实施方式，其中，监测模型包括功率模型和叶轮转速模型，上述将监测样本集输入至预先训练好的监测模型，以使监测模型根据监测样本集输出监测结果的步骤，包括：将每个监测样本的风速、叶轮转速、桨距角和偏航误差输入至功率模型，以使功率模型输出该监测样本对应的功率预测值；将每个监测样本的风速、功率和发电机转矩输入至叶轮转速模型，以使叶轮转速模型输出该监测样本对应的叶轮转速预测值。
优选地，本发明实施例提供了第一方面的第二种可能的实施方式，其中，预设预警条件包括：报警上限值和预设环境温度；上述根据环境温度、功率序贯概率比和叶轮转速序贯概率比，以及预设预警条件，确定目标监测样本的步骤，包括：判断功率序贯概率比是否不小于报警上限值，且，叶轮转速序贯概率比是否不小于报警上限值，以及，环境温度是否小于预设环境温度；如果均是，则将对应的监测样本作为目标监测样本。
优选地，本发明实施例提供了第一方面的第三种可能的实施方式，其中，序贯概率比检验包括原假设和备选假设，其中，原假设用于表征风电机组叶片正常，备选假设用于表征风电机组叶片异常；上述基于序贯概率比检验分别对功率预测残差集合和叶轮转速预测残差集合进行计算的步骤，包括：分别计算功率预测残差集合在原假设下的第一随机序列联合概率密度和备选假设下的第二随机序列联合概率密度；以及，根据第一随机序列联合概率密度和第二随机序列联合概率密度，计算得到功率序贯概率比；分别计算叶轮转速预测残差集合在原假设下的第三随机序列联合概率密度和备选假设下的第四随机序列联合概率密度；以及，根据第三随机序列联合概率密度和第四随机序列联合概率密度，计算得到叶轮转速序贯概率比。
优选地，本发明实施例提供了第一方面的第四种可能的实施方式，其中，原假设包括第一残差均值和第一方差，备选假设包括第二残差均值和第二方差；上述分别计算功率预测残差集合在原假设下的第一随机序列联合概率密度和备选假设下的第二随机序列联合概率密度的步骤，包括：根据下式计算第一随机序列联合概率密度：
Figure BDA0003484632190000031
其中，P1表示第一随机序列联合概率密度，μ1表示第一残差均值，σ1表示第一方差，M表示监测样本的数量，εi表示第i个监测样本对应的功率预测残差；根据下式计算第二随机序列联合概率密度：
Figure BDA0003484632190000041
其中，P2表示第二随机序列联合概率密度，μ2表示第二残差均值，σ2表示第二方差，M表示监测样本的数量，εi表示第i个监测样本对应的功率预测残差。
优选地，本发明实施例提供了第一方面的第五种可能的实施方式，其中，上述根据第一随机序列联合概率密度和第二随机序列联合概率密度，计算得到功率序贯概率比的步骤，包括：根据下式计算功率序贯概率比：
Figure BDA0003484632190000042
其中，R功表示功率序贯概率比，P1表示第一随机序列联合概率密度，P2表示第二随机序列联合概率密度。
优选地，本发明实施例提供了第一方面的第六种可能的实施方式，其中，该方法还包括：获取训练样本集；其中，训练样本集包括多个训练样本，以及每个训练样本对应的训练参数；基于XGBoost算法和训练样本集，构建初始功率模型和初始叶轮转速模型；分别对初始功率模型和初始叶轮转速模型进行校验，得到训练好的功率模型和叶轮转速模型。
第二方面，本发明实施例还提供一种风电机组叶片结冰监测预警装置，该装置包括：获取模块，用于获取风电机组的监测样本集和环境温度；其中，监测样本集包括多个监测样本，以及每个监测样本对应的监测参数，监测参数包括：风速、叶轮转速、桨距角、偏航误差、功率和发电机转矩；第一计算模块，用于将监测样本集输入至预先训练好的监测模型，以使监测模型根据监测样本集输出监测结果；其中，监测结果包括：功率预测值集合和叶轮转速预测值集合，功率预测值集合包括每个监测样本对应的功率预测值，叶轮转速预测值集合包括每个监测样本对应的叶轮转速预测值；第二计算模块，用于分别计算功率预测值集合对应的功率预测残差集合和叶轮转速预测值集合对应的叶轮转速预测残差集合；其中，功率预测残差集合包括每个监测样本对应的功率预测残差，叶轮转速预测残差集合包括每个监测样本对应的叶轮转速预测残差；第三计算模块，用于基于序贯概率比检验分别对功率预测残差集合和叶轮转速预测残差集合进行计算，得到功率序贯概率比和叶轮转速序贯概率比；确定模块，用于根据环境温度、功率序贯概率比和叶轮转速序贯概率比，以及预设预警条件，确定目标监测样本；预警模块，用于生成目标监测样本的预警信息，并根据预警信息发出风电机组叶片结冰预警。
第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面的方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面方法的步骤。
本发明实施例带来了以下有益效果：
本发明实施例提供了风电机组叶片结冰监测预警方法、装置及电子设备，首先监测模型根据监测样本集输出监测结果，监测结果包括功率预测值集合和叶轮转速预测值集合，并分别计算功率预测残差集合和叶轮转速预测残差集合；然后基于序贯概率比检验得到功率序贯概率比和叶轮转速序贯概率比；根据环境温度、功率序贯概率比和叶轮转速序贯概率比，以及预设预警条件，确定需要预警的目标监测样本；以及，生成目标监测样本的预警信息，并根据预警信息发出风电机组叶片结冰预警。该方式中，通过环境温度、功率序贯概率比和叶轮转速序贯概率比，确定需生成预警信息的目标监测样本，并根据预警信息进行叶片结冰预警，不仅提高了风电机组叶片结冰监测和预警的精确度，还具有实用性和通用性，以及，无需增加传感器，节省了监测预警成本，便于在实际应用中推广实施。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种风电机组叶片结冰监测预警方法的流程图；
图2为本发明实施例提供的一种风电机组叶片结冰监测预警方法的原理图；
图3为本发明实施例提供的一种功率预测残差的曲线图；
图4为本发明实施例提供的一种叶轮转速预测残差的曲线图；
图5为本发明实施例提供的另一种功率预测残差的曲线图；
图6为本发明实施例提供的另一种叶轮转速预测残差的曲线图；
图7为本发明实施例提供的一种环境温度、功率序贯概率比和叶轮转速序贯概率比曲线图；
图8为本发明实施例提供的一种风电机组叶片结冰监测预警装置的示意图；
图9为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
为便于对本实施例进行理解，下面首先对本发明实施例提供的一种风电机组叶片结冰监测预警方法进行详细介绍。
本发明实施例提供了一种风电机组叶片结冰监测预警方法，如图1所示，该方法包括以下步骤：
步骤S102，获取风电机组的监测样本集和环境温度；其中，监测样本集包括多个监测样本，以及每个监测样本对应的监测参数；
具体地，现有的风电场中风电机组配置有SCADA(Supervisory Control And DataAcquisition，数据采集与监视控制)系统，用于对风电机组实时进行监测和管理。当风电机组叶片发生结冰时，获取风电机组预设时间段内的SCADA系统记录的运行数据，作为监测样本集，并将预设时间段内每个时刻对应的运行数据作为一个监测样本，因此，监测样本集包括多个监测样本，每个监测样本还对应有监测参数。
在实际应用中，根据风电机组的运行机理可知：(1)由于在风电机组最大风能追踪阶段，风电机组通过调整叶轮转速来使叶尖速比维持在最佳值附近，以保证叶片最佳的气动性能，故叶轮转速与功率密切相关；(2)在额定风速以下，叶片桨距角为零度，叶片捕获最大的风能；在额定风速以上，风电机组通过增大桨距角来减小叶片气动转矩，将机组的输出功率限制在额定功率附近；(3)当来流风向与风电机组机舱轴线的夹角即偏航误差超过设定阈值角度(如15度)且该状态持续时间超过设定时间阈值(如60秒)时，风电机组偏航系统会通过偏航电机带动机舱和叶轮向来流风向旋转对风，减小偏航误差，使风向与叶轮保持垂直，从而捕获更多的风能。由于风向时变，偏航系统对风存在很大的惯性，以及偏航系统阈值参数设置的合理性，会导致偏航误差无法完全消除。当偏航误差为10度左右时，功率损失可达到4％左右；(4)大型兆瓦级风电机组通常采用转速-转矩控制方式；在每一个控制周期，控制系统测量叶轮转速，并根据转速-转矩最优曲线确定发电机组转矩，从而保持机组运行和输出功率稳定。当风速增大时，气动转矩高于上一控制时刻的发电机组转矩，叶轮转速升高，控制系统根据升高的叶轮转速，增大发电机转矩，机组功率增大，进入新的运行平衡状态。因此，为了更好地对风电机组叶片结冰进行监测，上述每个监测样本的监测参数均包括：风速、叶轮转速、桨距角、偏航误差、功率和发电机转矩。需要说明的是，这里叶轮转速也可称为每个监测样本的实际叶轮转速，功率为每个监测样本对应的实际功率值。
步骤S104，将监测样本集输入至预先训练好的监测模型，以使监测模型根据监测样本集输出监测结果；其中，监测结果包括：功率预测值集合和叶轮转速预测值集合，功率预测值集合包括每个监测样本对应的功率预测值，叶轮转速预测值集合包括每个监测样本对应的叶轮转速预测值；
其中，上述监测模型包括功率模型和叶轮转速模型，通过对风电机组运行机理分析可知，功率模型的输入为风速、叶轮转速、桨距角和偏航误差，输出为功率预测值；叶轮转速模型的输入为风速、功率和发电机转矩，输出为对应的叶轮转速预测值。具体地，对于监测样本集中每个监测样本，均执行以下计算过程：将每个监测样本的风速、叶轮转速、桨距角和偏航误差输入至功率模型，以使功率模型输出该监测样本对应的功率预测值，从而根据多个监测样本对应的功率预测值得到功率预测值集合；以及，将每个监测样本的风速、功率和发电机转矩输入至叶轮转速模型，以使叶轮转速模型输出该监测样本对应的叶轮转速预测值，从而根据多个监测样本对应的叶轮转速预测值得到叶轮转速预测值集合。
步骤S106，分别计算功率预测值集合对应的功率预测残差集合和叶轮转速预测值集合对应的叶轮转速预测残差集合；其中，功率预测残差集合包括每个监测样本对应的功率预测残差，叶轮转速预测残差集合包括每个监测样本对应的叶轮转速预测残差；
具体地，对于功率预测值集合中每个监测样本对应的功率预测值，以及监测参数中该监测样本的功率(即实际功率值)，可以计算得到每个监测样本对应的功率预测残差，从而可以得到多个监测样本对应的功率预测残差集合。其中，功率预测残差集合可以根据下式计算：
Figure BDA0003484632190000091
其中，yi表示监测样本集中第i个监测样本的实际功率值，
Figure BDA0003484632190000092
表示监测样本集中第i个监测样本的功率预测值，即功率模型预测功率值，εi表示监测样本集中第i个监测样本的功率预测残差。
同理，根据每个监测样本对应的叶轮转速预测值，以及监测参数中该监测样本的叶轮转速(即实际叶轮转速)，可以计算得到每个监测样本对应的叶轮转速预测残差，从而可以得到多个监测样本对应的叶轮转速预测残差集合。
步骤S108，基于序贯概率比检验分别对功率预测残差集合和叶轮转速预测残差集合进行计算，得到功率序贯概率比和叶轮转速序贯概率比；
具体地，为了准确分析功率预测残差的异常变化，并准确发现功率异常，减少误报警率和漏报警率，本发明实施例通过SPRT(Sequential Probability Ratio Test，序贯概率比检验)对监测样本集对应的功率预测残差集合进行分析。同理，叶轮转速预测残差集合可以参考功率预测残差集合的分析计算过程，本发明实施例在此不再详细赘述。
在实际应用中，SPRT提出两种假设：原假设和备选假设；原假设用于表征风电机组叶片正常，备选假设用于表征风电机组叶片异常。具体地，分别计算功率预测残差集合在原假设下的第一随机序列联合概率密度和备选假设下的第二随机序列联合概率密度；以及，根据第一随机序列联合概率密度和第二随机序列联合概率密度，计算得到功率序贯概率比；分别计算叶轮转速预测残差集合在原假设下的第三随机序列联合概率密度和备选假设下的第四随机序列联合概率密度；以及，根据第三随机序列联合概率密度和第四随机序列联合概率密度，计算得到叶轮转速序贯概率比。
其中，原假设包括第一残差均值和第一方差，备选假设包括第二残差均值和第二方差；例如原假设和备选假设具体如下：
(1)原假设H1：当齿轮箱运行正常时，功率预测残差集合的均值为μ1，方差为
Figure BDA0003484632190000101
(2)备选假设H2：当齿轮箱运行异常时，功率预测残差集合的均值为μ2，方差为
Figure BDA0003484632190000102
在原假设H1成立条件下，可以根据下式计算第一随机序列联合概率密度：
Figure BDA0003484632190000103
其中，P1表示第一随机序列联合概率密度，μ1表示第一残差均值，σ1表示第一方差，M表示监测样本集中监测样本的数量，εi表示监测样本集中第i个监测样本的功率预测残差。
备选假设H2成立条件下，可以根据下式计算第二随机序列联合概率密度：
Figure BDA0003484632190000104
其中，P2表示第二随机序列联合概率密度，μ2表示第二残差均值，σ2表示第二方差，M表示监测样本集中监测样本的数量，εi表示监测样本集中第i个监测样本的功率预测残差。
基于第一随机序列联合概率密度和第二随机序列联合概率密度，可以根据下式计算功率序贯概率比：
Figure BDA0003484632190000111
其中，R功表示功率序贯概率比，P1表示第一随机序列联合概率密度，P2表示第二随机序列联合概率密度。同理，可以计算得到叶轮转速序贯概率比R叶，本发明实施例在此不再详细赘述。
步骤S110，根据环境温度、功率序贯概率比和叶轮转速序贯概率比，以及预设预警条件，确定目标监测样本；
具体地，设定功率异常监测的误报警率和漏报警率分别为α和β，则根据下式可以计算得到功率预测残差的报警下限值和报警上限值分别为：
Figure BDA0003484632190000112
其中，α表示误报警率，β表示漏报警率，A表示功率预测残差的报警下限值，B表示功率预测残差的报警上限值。
在实际应用中，对于功率序贯概率比R功：(1)如果R功≤A，则接收原假设H1，即功率正常；(2)如果R功≥B，则拒绝原假设H1，接收备选假设H2，即功率异常。
因此，上述预设预警条件包括：报警上限值和预设环境温度；具体确定目标监测样本的过程如下：判断功率序贯概率比是否不小于报警上限值，且，叶轮转速序贯概率比是否不小于报警上限值，以及，环境温度是否小于预设环境温度；如果均是，则将对应的监测样本作为目标监测样本。优选地，这里预设环境温度为零度，当即功率序贯概率比不小于报警上限值，且，叶轮转速序贯概率比不小于报警上限值，以及，环境温度小于预设环境温度时，即当同时监测到某个监测样本(或某个时刻)的功率异常、叶轮转速异常，同时，环境温度小于预设环境温度(如零度)时，判定风电机组叶片结冰异常，即该需预警的监测样本为目标监测样本，从而通过环境温度、功率序贯概率比和叶轮转速序贯概率比三个条件，确定需预警的目标监测样本，与单一的判断条件相比，提高了风电机组叶片结冰监测和预警的精确度。
步骤S112，生成目标监测样本的预警信息，并根据预警信息发出风电机组叶片结冰预警。
上述确定目标监测样本之后，在该目标监测样本处，生成报警信息，这里报警信息的形式包括但不仅限于文字形式和语音形式，如通过语音形式发出风电机组叶片结冰预警，和/或，通过文字形式发出风电机组叶片结冰预警，以便操作人员及时对风电机组叶片结冰进行处理，如及时停机或调整风电机组运行方式等，从而保证了风电机组的安全，提高了风电机组的使用寿命，具有重要的实用价值。
本发明实施例提供的风电机组叶片结冰监测预警方法，通过环境温度、功率序贯概率比和叶轮转速序贯概率比，确定需生成预警信息的目标监测样本，并根据预警信息进行叶片结冰预警，不仅提高了风电机组叶片结冰监测和预警的精确度，还具有实用性和通用性，以及，无需增加传感器，节省了监测预警成本，便于在实际应用中推广实施。
进一步，该方法还包括：获取训练样本集；其中，训练样本集包括多个训练样本，以及每个训练样本对应的训练参数；基于XGBoost算法和训练样本集，构建初始功率模型和初始叶轮转速模型；分别对初始功率模型和初始叶轮转速模型进行校验，得到训练好的功率模型和叶轮转速模型。其中，根据风电机组运行机理，分别确定功率模型和叶轮转速模型的输入建模变量，如功率模型的输入为风速、叶轮转速、桨距角和偏航误差，叶轮转速模型的输入为风速、功率和发电机转矩，因此，上述训练参数包括每个训练样本对应的风速、叶轮转速、桨距角、偏航误差、功率和发电机转矩。
具体地，上述功率模型和叶轮转速模型的构建训练过程如下：
(1)构造功率模型和叶轮转速模型的训练构建样本和验证样本；
具体地，通过风电机组运行机理的分析，功率模型的输入为风速、叶轮转速、桨距角和偏航误差，输出为功率预测值；叶轮转速模型的输入为风速、功率和发电机组转矩，输出为叶轮转速预测值。因此，从SCADA系统采集的SCADA数据中，获取风电机组未结冰正常时段的历史数据作为训练样本集，其中，每一条历史数据作为训练样本集中的一个训练样本，每个训练样本包括：风速、叶轮转速、桨距角、偏航误差、功率和发电机转矩，将每个训练样本的风速、叶轮转速、桨距角、偏航误差和功率五个变量作为功率模型的一个样本，并将风速、功率、发电机转矩和叶轮转速四个变量作为叶轮转速模型的一个样本，故功率模型和叶轮转速模型的样本个数相同。
此外，对于训练样本集中的多个训练样本，可以按照预设比例如按照3：1的比例分为训练构建样本集和验证样本集，其中，训练构建样本集用于构建初始功率模型和初始叶轮转速模型，验证样本集用于对初始功率模型和初始叶轮转速模型进行验证，以得到训练好的功率模型和叶轮转速模型。
(2)建立初始功率模型和初始叶轮转速模型
假设训练构建样本集中训练样本的数量为N，建模方法为XGBoost(ExtremeGradient Boosting，极端梯度提升)算法。具体地，XGBoost算法由若干个弱学习机组合为一个强学习机，每一个后续弱学习机用来拟合前一个弱学习机的残差并被加入到算法中，从而使得XGBoost算法具有很高的建模精度。其中，XGBoost算法的预测值可以根据下式计算：
Figure BDA0003484632190000141
其中，
Figure BDA0003484632190000142
表示预测值，xi表示模型输入，tk表示第k个弱学习机，K表示弱学习机个数。
XGBoost算法的目标函数可以根据下式计算：
Figure BDA0003484632190000143
其中，L表示目标函数，l表示损失函数，yi表示输出实际值，
Figure BDA0003484632190000149
表示预测值，Ω表示正则化函数，tk表示第k个弱学习机。
以及，XGBoost算法的超参数可以采用K折交叉验证方法和训练构建样本的数据，通过不断最小化目标函数的训练方法确定。因此，基于XGBoost算法和训练样本集中的训练构建样本集，可以构建初始功率模型和初始叶轮转速模型。
(3)对初始功率模型和初始叶轮转速模型进行校验
具体地，上述初始功率模型和初始叶轮转速模型构建完成后，基于训练样本集中的验证样本集，对初始功率模型和初始叶轮转速模型进行验证，得到训练好的功率模型和叶轮转速模型，并分别计算功率模型和叶轮转速模型验证数据的预测残差和均方根。例如，假设验证样本的数量为NV，功率模型对NV个验证样本的功率预测值序列为
Figure BDA0003484632190000144
验证样本的实际功率值为
Figure BDA0003484632190000145
则第i个验证样本的功率预测残差为
Figure BDA0003484632190000146
采用平均绝对值误差εRMSE来衡量功率模型的建模精度，可以根据下式计算：
Figure BDA0003484632190000147
其中，NV表示验证样本个数，yi表示第i个验证样本的实际功率值，
Figure BDA0003484632190000148
表示第i个验证样本的功率预测值。
对于NV个验证样本，功率模型可以得到NV个功率预测残差，可以根据下式计算验证样本集对应的功率预测残差均值：
Figure BDA0003484632190000151
其中，μ0表示验证样本集的功率预测残差均值，εi表示第i个验证样本的功率预测残差，NV表示验证样本个数。
以及，根据下式计算验证样本集对应的功率预测残差均方根：
Figure BDA0003484632190000152
其中，σ0表示验证样本集的功率预测残差，μ0表示验证样本集的功率预测残差均值，εi表示第i个验证样本的功率预测残差，NV表示验证样本个数。均方根
同理，对于叶轮转速模型，采用上述与功率模型相同的方法进行验证，并同时得到验证样本集对应的叶轮转速预测残差均值和叶轮转速预测残差均方根，本发明实施例在此不再详细赘述。
对于上述训练好的功率模型和叶轮转速模型，在风电机组叶片结冰监测阶段应用。当叶片出现结冰时，功率和叶轮转速会出现异常降低，导致功率模型和叶轮转速模型的预测精度降低。具体地，如图2所示，实时采集被监测风电机组的运行数据，构成监测样本序列(或监测样本集合)送入功率模型和叶轮转速模型进行计算，得到功率预测值集合和叶轮转速预测值集合；其中，功率预测值集合和叶轮转速预测值集合，功率预测值集合包括每个监测样本对应的功率预测值，叶轮转速预测值集合包括每个监测样本对应的叶轮转速预测值；然后，根据每个监测样本的功率预测值和实际功率值，计算得到该监测样本的功率预测残差，从而计算功率预测残差集合，同理计算得到叶轮转速预测残差集合；基于SPRT分别对功率预测残差集合和叶轮转速预测残差集合进行计算，得到功率序贯概率比和叶轮转速序贯概率比；以及，根据环境温度、功率序贯概率比和叶轮转速序贯概率比，确定需要预警的目标监测样本，并生成预警信息进行风电机组叶片结冰预警，具体可以参考前述实施例，本发明实施例在此不再详细赘述。
综上，本发明实施例提供的风电机组叶片结冰监测预警方法，具有以下优点：(1)将功率异常、叶轮转速异常和环境温度(或者齿轮箱温度)低于零度三个条件同时出现作为风电机组叶片结冰预警的条件，具有较高的准确性；(2)采用XGBoost算法分别建立功率模型和叶轮转速模型，建立的模型具有较高精度，从而提高了叶片结冰监测预警的精度；(3)为降低风电机组叶片结冰的误报警率和漏报警率，在功率模型和叶轮转速模型预测残差分析中，引入了能够分析微弱信号异常变化的序贯概率比方法，能够及时准确发现功率和叶轮转速异常，准确进行叶片结冰预警；(4)无需增加额外传感器，节省了成本，具有实用性和普适性，便于在实际应用中推广实施。
为了便于理解，这里以某风电场单台1.5MW风电机组的齿轮箱为例说明。选取风电机组1分钟级别的SCADA系统记录的运行数据，包括如下步骤：
(1)确定功率模型的输入为风速、叶轮转速、桨距角和偏航误差；确定叶轮转速模型的输入为风速、功率和发电机转矩；
(2)从风电机组历史运行数据中构造训练样本和验证样本；训练样本和验证样本的比例为3：1，采用XGBoost算法分别建立初始功率模型和初始叶轮转速模型，并采用K折验证确定两个模型的参数；
(3)对初始功率模型和初始叶轮转速模型进行验证，得到训练好的功率模型和叶轮转速模型，并分别计算两个模型验证数据预测残差的均值μ0和均方根σ0；具体地，将500验证样本分别送入功率模型和叶轮转速模型，得到的两个模型的预测值和预测残差，根据两个模型的预测值和实际值，可知功率模型和叶轮转速模型的预测精度较高。此外，如图3所示，功率模型的功率预测残差在5KW以下；如图4所示，叶轮转速模型的叶轮转速预测残差在0.05rpm(转每分钟)以下。计算500个验证样本的功率预测残差的均值和标准差：μP1＝-0.87，σP1＝2.6；以及叶轮转速预测残差均值和标准差分别为：μR1＝0，σR1＝0.01；需要说明的是，由于验证样本为风电机组正常状态下的样本数据，故上述计算得到的功率预测残差的均值和标准差，以及叶轮转速预测残差均值和标准差也可分别作为序贯概率比检验时原假设H1分别对应的均值和方差；
(4)在监测阶段，将发生叶片结冰后的400个样本分别送入功率模型和叶轮转速模型；计算叶片结冰后监测样本的功率预测值及功率预测残差，如图5所示的监测样本序列对应的功率预测残差曲线图；以及计算叶轮转速预测值及叶轮转速预测残差，如图6所示所示的监测样本序列对应的叶轮转速预测残差曲线图。
采用序贯概率比检验分别对图5和图6中的功率预测残差序列和叶轮转速预测残差序列进行分析，假设原假设H1和备选假设H2的均值和方差分别设置如下表1所示：
表1
Figure BDA0003484632190000171
设定误报警率和漏报警率均为0.05，则计算得到报警下限值和报警上限值分别为：A＝0.053，B＝19；如图7所示的环境温度、功率序贯概率比和叶轮转速序贯概率比曲线图；其中，a中功率序贯概率比在第123个监测样本发现功率异常，即在第123个监测样本处，功率序贯概率比大于报警上限值；b中叶轮转速序贯概率比在第111个监测样本发现叶轮转速异常，根据叶轮转速序贯概率比曲线可知，在第111个监测样本之后的监测样本，均出现叶轮转速异常；以及，结合c中在监测时段内，环境温度均低于零度的监测样本，可知同时满足功率异常、叶轮转速异常及环境温度低于零度的目标监测样本为第123个监测样本，故对第123个监测样本生成预警信息，并在第123个监测样本发出叶片结冰预警。
综上，本发明实施例提供的风电机组叶片结冰监测预警方法，在分析叶片结冰对风电机组运行状态和参数影响的基础上，采用功率异常变化、叶轮转速异常变化和环境温度低于零度三个条件作为叶片结冰的判断和预警依据。此外，为及时发现功率和叶轮转速异常，采用XGBoost算法建立了风电机组正常运行时的功率模型和叶轮转速模型，并采用这两个模型在监测阶段对功率和叶轮转速进行预测；为发现监测阶段的输出功率和叶轮转速的异常变化，采用序贯概率比检验分别分析功率模型和叶轮转速模型计算的功率预测值和叶轮转速预测值与对应的功率实际值和叶轮转速实际值之间的残差，得到功率序贯概率比和叶轮转速序贯概率比；以及，当序贯概率比大于设定阈值(即报警上限值)时，发出功率或叶轮转速异常报警。当监测阶段功率异常、叶轮转速异常和环境温度低于零度三个条件同时出现时，发出风电机组叶片结冰预警，从而不仅能够准确实现风电机组叶片结冰监测与预警的目的，还具有实用性和通用性，无需增加额外传感器，节省了监测预警成本，便于在实际应用中推广实施。
对应于上述方法实施例，本发明实施例还提供了一种风电机组叶片结冰监测预警装置，如图8所示，该装置包括：获取模块81、第一计算模块82、第二计算模块83、第三计算模块84、确定模块85和预警模块86；其中，各个模块的功能如下：
获取模块81，用于获取风电机组的监测样本集和环境温度；其中，监测样本集包括多个监测样本，以及每个监测样本对应的监测参数，监测参数包括：风速、叶轮转速、桨距角、偏航误差、功率和发电机转矩；
第一计算模块82，用于将监测样本集输入至预先训练好的监测模型，以使监测模型根据监测样本集输出监测结果；其中，监测结果包括：功率预测值集合和叶轮转速预测值集合，功率预测值集合包括每个监测样本对应的功率预测值，叶轮转速预测值集合包括每个监测样本对应的叶轮转速预测值；
第二计算模块83，用于分别计算功率预测值集合对应的功率预测残差集合和叶轮转速预测值集合对应的叶轮转速预测残差集合；其中，功率预测残差集合包括每个监测样本对应的功率预测残差，叶轮转速预测残差集合包括每个监测样本对应的叶轮转速预测残差；
第三计算模块84，用于基于序贯概率比检验分别对功率预测残差集合和叶轮转速预测残差集合进行计算，得到功率序贯概率比和叶轮转速序贯概率比；
确定模块85，用于根据环境温度、功率序贯概率比和叶轮转速序贯概率比，以及预设预警条件，确定目标监测样本；
预警模块86，用于生成目标监测样本的预警信息，并根据预警信息发出风电机组叶片结冰预警。
本发明实施例提供的风电机组叶片结冰监测预警装置，通过环境温度、功率序贯概率比和叶轮转速序贯概率比，确定需生成预警信息的目标监测样本，并根据预警信息进行叶片结冰预警，不仅提高了风电机组叶片结冰监测和预警的精确度，还具有实用性和通用性，以及，无需增加传感器，节省了监测预警成本，便于在实际应用中推广实施。
在其中一种可能的实施方式中，监测模型包括功率模型和叶轮转速模型，上述第一计算模块82还用于：将每个监测样本的风速、叶轮转速、桨距角和偏航误差输入至功率模型，以使功率模型输出该监测样本对应的功率预测值；将每个监测样本的风速、功率和发电机转矩输入至叶轮转速模型，以使叶轮转速模型输出该监测样本对应的叶轮转速预测值。
在另一种可能的实施方式中，预设预警条件包括：报警上限值和预设环境温度；上述确定模块85还用于：判断功率序贯概率比是否不小于报警上限值，且，叶轮转速序贯概率比是否不小于报警上限值，以及，环境温度是否小于预设环境温度；如果均是，则将对应的监测样本作为目标监测样本。
在另一种可能的实施方式中，序贯概率比检验包括原假设和备选假设，其中，原假设用于表征风电机组叶片正常，备选假设用于表征风电机组叶片异常；上述第三计算模块84还用于：分别计算功率预测残差集合在原假设下的第一随机序列联合概率密度和备选假设下的第二随机序列联合概率密度；以及，根据第一随机序列联合概率密度和第二随机序列联合概率密度，计算得到功率序贯概率比；分别计算叶轮转速预测残差集合在原假设下的第三随机序列联合概率密度和备选假设下的第四随机序列联合概率密度；以及，根据第三随机序列联合概率密度和第四随机序列联合概率密度，计算得到叶轮转速序贯概率比。
在另一种可能的实施方式中，原假设包括第一残差均值和第一方差，备选假设包括第二残差均值和第二方差；上述分别计算功率预测残差集合在原假设下的第一随机序列联合概率密度和备选假设下的第二随机序列联合概率密度，包括：根据下式计算第一随机序列联合概率密度：
Figure BDA0003484632190000201
其中，P1表示第一随机序列联合概率密度，μ1表示第一残差均值，σ1表示第一方差，M表示监测样本的数量，εi表示第i个监测样本对应的功率预测残差；根据下式计算第二随机序列联合概率密度：
Figure BDA0003484632190000211
其中，P2表示第二随机序列联合概率密度，μ2表示第二残差均值，σ2表示第二方差，M表示监测样本的数量，εi表示第i个监测样本对应的功率预测残差。
在另一种可能的实施方式中，上述根据第一随机序列联合概率密度和第二随机序列联合概率密度，计算得到功率序贯概率比，包括：根据下式计算功率序贯概率比：
Figure BDA0003484632190000212
其中，R功表示功率序贯概率比，P1表示第一随机序列联合概率密度，P2表示第二随机序列联合概率密度。
在另一种可能的实施方式中，该装置还包括：获取训练样本集；其中，训练样本集包括多个训练样本，以及每个训练样本对应的训练参数；基于XGBoost算法和训练样本集，构建初始功率模型和初始叶轮转速模型；分别对初始功率模型和初始叶轮转速模型进行校验，得到训练好的功率模型和叶轮转速模型。
本发明实施例提供的风电机组叶片结冰监测预警装置，与上述实施例提供的风电机组叶片结冰监测预警方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述风电机组叶片结冰监测预警方法。
参见图9所示，该电子设备包括处理器90和存储器91，该存储器91存储有能够被处理器90执行的机器可执行指令，该处理器90执行机器可执行指令以实现上述风电机组叶片结冰监测预警方法。
进一步地，图9所示的电子设备还包括总线92和通信接口93，处理器90、通信接口93和存储器91通过总线92连接。
其中，存储器91可能包含高速随机存取存储器(RAM，Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口93(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线92可以是ISA(IndustrialStandard Architecture，工业标准结构总线)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Enhanced Industry StandardArchitecture，扩展工业标准结构)总线等。上述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器90可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器90中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器90可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器91，处理器90读取存储器91中的信息，结合其硬件完成前述实施例的方法的步骤。
本实施例还提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述风电机组叶片结冰监测预警方法。
本发明实施例所提供的风电机组叶片结冰监测预警方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种风电机组叶片结冰监测预警方法，其特征在于，所述方法包括：
获取所述风电机组的监测样本集和环境温度；其中，所述监测样本集包括多个监测样本，以及每个所述监测样本对应的监测参数，所述监测参数包括：风速、叶轮转速、桨距角、偏航误差、功率和发电机转矩；
将所述监测样本集输入至预先训练好的监测模型，以使所述监测模型根据所述监测样本集输出监测结果；其中，所述监测结果包括：功率预测值集合和叶轮转速预测值集合，所述功率预测值集合包括每个所述监测样本对应的功率预测值，所述叶轮转速预测值集合包括每个所述监测样本对应的叶轮转速预测值；
分别计算所述功率预测值集合对应的功率预测残差集合和所述叶轮转速预测值集合对应的叶轮转速预测残差集合；其中，所述功率预测残差集合包括每个所述监测样本对应的功率预测残差，所述叶轮转速预测残差集合包括每个所述监测样本对应的叶轮转速预测残差；
基于序贯概率比检验分别对所述功率预测残差集合和所述叶轮转速预测残差集合进行计算，得到功率序贯概率比和叶轮转速序贯概率比；
根据所述环境温度、所述功率序贯概率比和所述叶轮转速序贯概率比，以及预设预警条件，确定目标监测样本；
生成所述目标监测样本的预警信息，并根据所述预警信息发出风电机组叶片结冰预警。
2.根据权利要求1所述的方法，其特征在于，所述监测模型包括功率模型和叶轮转速模型，所述将所述监测样本集输入至预先训练好的监测模型，以使所述监测模型根据所述监测样本集输出监测结果的步骤，包括：
将每个所述监测样本的所述风速、所述叶轮转速、所述桨距角和所述偏航误差输入至所述功率模型，以使所述功率模型输出该监测样本对应的功率预测值；
将每个所述监测样本的所述风速、所述功率和所述发电机转矩输入至所述叶轮转速模型，以使所述叶轮转速模型输出该监测样本对应的叶轮转速预测值。
3.根据权利要求1所述的方法，其特征在于，所述预设预警条件包括：报警上限值和预设环境温度；所述根据所述环境温度、所述功率序贯概率比和所述叶轮转速序贯概率比，以及预设预警条件，确定目标监测样本的步骤，包括：
判断所述功率序贯概率比是否不小于所述报警上限值，且，所述叶轮转速序贯概率比是否不小于所述报警上限值，以及，所述环境温度是否小于所述预设环境温度；
如果均是，则将对应的所述监测样本作为目标监测样本。
4.根据权利要求1所述的方法，其特征在于，所述序贯概率比检验包括原假设和备选假设，其中，所述原假设用于表征所述风电机组叶片正常，所述备选假设用于表征所述风电机组叶片异常；
所述基于序贯概率比检验分别对所述功率预测残差集合和所述叶轮转速预测残差集合进行计算的步骤，包括：
分别计算所述功率预测残差集合在所述原假设下的第一随机序列联合概率密度和所述备选假设下的第二随机序列联合概率密度；以及，根据所述第一随机序列联合概率密度和所述第二随机序列联合概率密度，计算得到所述功率序贯概率比；
分别计算所述叶轮转速预测残差集合在所述原假设下的第三随机序列联合概率密度和所述备选假设下的第四随机序列联合概率密度；以及，根据所述第三随机序列联合概率密度和所述第四随机序列联合概率密度，计算得到所述叶轮转速序贯概率比。
5.根据权利要求4所述的方法，其特征在于，所述原假设包括第一残差均值和第一方差，所述备选假设包括第二残差均值和第二方差；所述分别计算所述功率预测残差集合在所述原假设下的第一随机序列联合概率密度和所述备选假设下的第二随机序列联合概率密度的步骤，包括：
根据下式计算所述第一随机序列联合概率密度：
Figure FDA0003484632180000031
其中，P1表示所述第一随机序列联合概率密度，μ1表示所述第一残差均值，σ1表示所述第一方差，M表示所述监测样本的数量，εi表示第i个监测样本对应的功率预测残差；
根据下式计算所述第二随机序列联合概率密度：
Figure FDA0003484632180000032
其中，P2表示所述第二随机序列联合概率密度，μ2表示所述第二残差均值，σ2表示所述第二方差，M表示所述监测样本的数量，εi表示第i个监测样本对应的功率预测残差。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一随机序列联合概率密度和所述第二随机序列联合概率密度，计算得到所述功率序贯概率比的步骤，包括：
根据下式计算所述功率序贯概率比：
Figure FDA0003484632180000033
其中，R功表示所述功率序贯概率比，P1表示所述第一随机序列联合概率密度，P2表示所述第二随机序列联合概率密度。
7.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取训练样本集；其中，所述训练样本集包括多个训练样本，以及每个所述训练样本对应的训练参数；
基于XGBoost算法和所述训练样本集，构建初始功率模型和初始叶轮转速模型；
分别对所述初始功率模型和所述初始叶轮转速模型进行校验，得到训练好的所述功率模型和所述叶轮转速模型。
8.一种风电机组叶片结冰监测预警装置，其特征在于，所述装置包括：
获取模块，用于获取所述风电机组的监测样本集和环境温度；其中，所述监测样本集包括多个监测样本，以及每个所述监测样本对应的监测参数，所述监测参数包括：风速、叶轮转速、桨距角、偏航误差、功率和发电机转矩；
第一计算模块，用于将所述监测样本集输入至预先训练好的监测模型，以使所述监测模型根据所述监测样本集输出监测结果；其中，所述监测结果包括：功率预测值集合和叶轮转速预测值集合，所述功率预测值集合包括每个所述监测样本对应的功率预测值，所述叶轮转速预测值集合包括每个所述监测样本对应的叶轮转速预测值；
第二计算模块，用于分别计算所述功率预测值集合对应的功率预测残差集合和所述叶轮转速预测值集合对应的叶轮转速预测残差集合；其中，所述功率预测残差集合包括每个所述监测样本对应的功率预测残差，所述叶轮转速预测残差集合包括每个所述监测样本对应的叶轮转速预测残差；
第三计算模块，用于基于序贯概率比检验分别对所述功率预测残差集合和所述叶轮转速预测残差集合进行计算，得到功率序贯概率比和叶轮转速序贯概率比；
确定模块，用于根据所述环境温度、所述功率序贯概率比和所述叶轮转速序贯概率比，以及预设预警条件，确定目标监测样本；
预警模块，用于生成所述目标监测样本的预警信息，并根据所述预警信息发出风电机组叶片结冰预警。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的方法的步骤。
10.一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上存储有计算机程序，所述计算机程序被处理器运行时执行上述权利要求1-7任一项所述的方法的步骤。
CN202210082978.1A 2022-01-24 2022-01-24 风电机组叶片结冰监测预警方法、装置及电子设备 Pending CN114593020A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210082978.1A CN114593020A (zh) 2022-01-24 2022-01-24 风电机组叶片结冰监测预警方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210082978.1A CN114593020A (zh) 2022-01-24 2022-01-24 风电机组叶片结冰监测预警方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN114593020A true CN114593020A (zh) 2022-06-07

Family

ID=81806661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210082978.1A Pending CN114593020A (zh) 2022-01-24 2022-01-24 风电机组叶片结冰监测预警方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114593020A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117759487A (zh) * 2023-11-20 2024-03-26 国家电投集团湖北电力有限公司风电分公司 基于挂片测试的叶片防覆冰性能检测方法及系统
CN117911009A (zh) * 2024-03-19 2024-04-19 江苏金恒信息科技股份有限公司 一种基于XGBoost算法的设备故障预警方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117759487A (zh) * 2023-11-20 2024-03-26 国家电投集团湖北电力有限公司风电分公司 基于挂片测试的叶片防覆冰性能检测方法及系统
CN117759487B (zh) * 2023-11-20 2024-05-24 国家电投集团湖北电力有限公司风电分公司 基于挂片测试的叶片防覆冰性能检测方法及系统
CN117911009A (zh) * 2024-03-19 2024-04-19 江苏金恒信息科技股份有限公司 一种基于XGBoost算法的设备故障预警方法及系统

Similar Documents

Publication Publication Date Title
CN105464912B (zh) 一种风力发电机组叶片结冰检测的方法和装置
CN114593020A (zh) 风电机组叶片结冰监测预警方法、装置及电子设备
CN111400961B (zh) 风力发电机组叶片故障判断方法及装置
EP2520794A1 (en) Method of checking a wind turbine in a wind farm for a yaw misalignment, method of monitoring a wind turbine in a wind farm and monitoring apparatus
CN104066983A (zh) 风力涡轮机叶片积冰检测器
US10724499B2 (en) Controlling wind turbines according to reliability estimates
CN110006552B (zh) 一种机组设备温度异常检测方法
CN113847216B (zh) 风机叶片的状态预测方法、装置、设备及存储介质
US20190203699A1 (en) Method and device for monitoring a status of at least one wind turbine and computer program product
WO2022048228A1 (zh) 风电机组的载荷控制方法和装置
CN110761958B (zh) 风力发电机组的叶片失速诊断方法及装置
CN107725286A (zh) 一种基于反时限控制的风力发电机组结冰检测控制方法
US20210148336A1 (en) A method for determining wind turbine blade edgewise load recurrence
CN110162888B (zh) 一种基于半监督式学习的风机叶片结冰检测的方法
CN113027695A (zh) 风力发电机组的桨距角异常的检测方法及装置
CN110578659B (zh) 一种用于对风电机组scada数据进行处理的系统和方法
CN113565699B (zh) 风力发电机组的桨距角的检测方法、装置及系统
CN115450864A (zh) 一种基于合成少数类样本的风电机组叶片结冰诊断方法
WO2018006849A1 (en) Wind turbine and method of operating wind turbine
CN108825452B (zh) 确定风力发电机组叶片结冰的方法和装置
CN115374653B (zh) 基于nset模型的风力发电机温度预警方法及相关装置
CN114753980B (zh) 一种风机叶片结冰监测方法及系统
CN116756644B (zh) 一种风电机组风速风向仪覆冰故障的预警方法
CN115788803A (zh) 一种基于气动性能分析的风力机叶片结冰检测方法及系统
CN117514664A (zh) 基于Scada数据的风电机组叶片实时结冰预警方法及系统

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