CN116717440A - 一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法 - Google Patents
一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法 Download PDFInfo
- Publication number
- CN116717440A CN116717440A CN202310860487.XA CN202310860487A CN116717440A CN 116717440 A CN116717440 A CN 116717440A CN 202310860487 A CN202310860487 A CN 202310860487A CN 116717440 A CN116717440 A CN 116717440A
- Authority
- CN
- China
- Prior art keywords
- function
- network
- dhdp
- pid
- xgboost
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 20
- 239000011248 coating agent Substances 0.000 claims abstract description 16
- 238000000576 coating method Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 110
- 210000002569 neuron Anatomy 0.000 claims description 25
- 230000002787 reinforcement Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Sustainable Energy (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Sustainable Development (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及风机叶片覆冰检测技术领域，具体为一种基于XGBoost和PID‑DHDP的风机叶片覆冰检测方法，包括以下步骤：将SCADA系统中的原始数据进行归一化处理，使数据落在[0，1]之间。该基于XGBoost和PID‑DHDP的风机叶片覆冰检测方法，通过采用XGBoost对与叶片覆冰故障关联度较高的特征参数如：机舱温度、环境温度、风速、风向、风机的功率、叶片角度等进行排序，对排序后的影响因素进行组合，将不同组合作为PID‑DHDP的输入信号，通过基于混淆矩阵的性能评价指标筛选出与风机叶片覆冰关联度最优特征并采用PID‑DHDP进行叶片覆冰检测，实现叶片覆冰故障自动检测，及时排除故障以确保风机在冬季正常运行。
Description
技术领域
本发明涉及风机叶片覆冰检测技术领域，具体为一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法。
背景技术
风力发电具有安全清洁、取之不尽、噪音小以及环境友好等特性，风能与太阳能已经成为可再生能源使用最重要的形式。我国国土面积幅员辽阔，有些风电场建立在北方，在秋季和冬季气温降到零摄氏度以下，风机叶片会结冰。当风机组产生覆冰现象后，因叶片覆冰后，使得负载增加而降低风电场发电效率。覆冰严重时，因叶片之间载荷不平衡而导致产生共振现象，进一步会损坏风机组的后果，如此，提出了一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法来解决上述问题。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，具备叶片覆冰故障预测等优点，解决了因叶片覆冰后，使得负载增加而降低风电场发电效率，覆冰严重时，因叶片之间载荷不平衡而导致产生共振现象，进一步会损坏风机组的问题。
(二)技术方案
为实现上述叶片覆冰故障预测的目的，本发明提供如下技术方案：一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，包括以下步骤：
1)将SCADA数据采集与监控系统中的原始数据进行归一化处理，使数据落在[0，1]之间；
2)采用XGBoost极限梯度提升算法对原始数据进行学习和训练，进而对叶片覆冰故障特征因素进行排序，对能够判断风机叶片是否结冰特征因素，进行组合得到9种信号组合，将9种组合信号作为PID-DHDP的输入；
3)9种组合信号作为PID-DHDP的输入，会得到9个输出结果，采用混淆矩阵法对9种结果对比分析，判断风机叶片覆冰的结果，输出叶片是否覆冰的判断。
优选的，所述XGBoost使用基本的回归树模型，表达式如下所示：
其中，n为树的数目；ft为函数空间R的一个函数；为回归树预测值；xi为输入的第i个数据；R为所有可能的回归树模型集合，
每一次迭代不影响模型，即原来的模型保持不变，将一个新的函数添加到模型里，一个函数对应一棵树，新生成的树拟合上次预测的残差，迭代过程如下式所示：
XGBoost的目标函数表达式如下式所示：
其中，为模型预测值与真实值差异；/>为目标函数正则化项，采用正则化惩罚函数用于控制模型复杂度，防止模型在训练过程中发生过拟合，正则化函数定义为：
其中，T为叶子节点个数；γ和λ为惩罚函数系数；ω为节点权重系数；
XGBoost模型采用Aditive training的方式进行迭代来寻求最小化目标函数，每次迭代更新为：
将每个数据的损失函数值加起来，目标函数计算如下式所示：
其中，为一阶导数；/>为二阶导数。
优选的，所述PID-DHDP由执行网络-ANN网络、评价网络-CNN网络和强化网络-RNN网络组成；
所述ANN网络模块接收的是输入变量X(t)，所述ANN网络模块输出的是控制变量U(t)，所述控制变量U(t)返回被控系统对被控系统控制；
所述RNN网络模块接收被控系统的输入变量X(t)和网络模块的控制变量U(t)，所述RNN网络模块得到内部强化学习函数R(t)；
所述CNN网络模块接收被控系统的输入变量X(t)、ANN网络模块的控制变量U(t)和RNN网络模块的内部强化学习函数R(t)，所述CNN网络模块得到性能指标函数J(t)；
所述性能指标函数J(t)与目标期望函数Uc(t)相结合，得到第一时序差分信号ea(t)，ea(t)＝J(t)-Uc(t)；
所述性能指标函数J(t)经过乘法器α与性能指标函数J(t-1)以及外部强化学习函数r(t)相结合，得到第二时序差分信号ea(t)，ea(t)＝αJ(t)-[J(t-1)-r(t)]；
所述性能指标函数J(t)经过乘法器α与性能指标函数J(t-1)以及内部强化学习函数R(t)相结合，得到第三时序差分信号δTD(t)，δTD(t)＝αJ(t)-[J(t-1)-R(t)]；
所述ANN网络、RNN网络以及CNN网络通过对应的第一时序差分信号、第二时序差分信号以及第三时序差分信号分别在线更新ANN网络、RNN网络以及CNN网络对应的权值系数。
优选的，所述CNN网络的输入Xc(t)为：
xc(t)＝[x1(t),x2(t)…,xn(t),U(t),R(t)]T (7)
定义CNN网络误差函数如下式所示：
其中λ为折扣系数，0<λ<1，
CNN网络隐含层神经元的转移函数采用双极性sigmoid函数，如下式所示：定稿时，
输出为性能指标函数J(t)，其隐含层采sigmoid激活函数，输出层则采用线性激活函数，易知CNN网络的隐含层和输出层神经元的输入和输出如下式所示：
其中n为系统输入变量X(t)的维数，Nco为控制向量U(t)的维数，Nc为评价网络隐含层神经元的个数，qk、pk和pck分别为隐含层第k个神经元的输入值、中间状态值和输出值，ωc (1)、ωcr (1)和ωcu (1)分别表示系统输入变量X(t)、R(t)和U(t)从输入层到隐含层的权值，ωc (2)为隐含层到输出层的权值；CNN网络权值更新计算公式：
其中，ηc(t)是CNN网络的学习速率；
根据反向梯度下降法则可得从隐含层到输出层梯度计算公式：
从输入层到隐含层梯度计算公式：
其中，
优选的，所述ANN网络通过网络权值的调整使得性能指标函数J(t)逼近目标期望函数Uc(t)的数值，定义执行网络的误差函数如下式所示：
执行网络的输入为：
X(t)＝[x1(t),x2(t)…,xn(t)]T (20)
隐含层包含3种类型的节点，即比例(P)节点、积分(I)节点和微分(D)节点，ANN网络隐含层和输出层神经元的输入和输出如下式所示：
其中Nco为执行网络输出控制信号的个数，N为执行网络隐含层神经元的个数，hi、gi和gai分别为隐含层第i个神经元的输入、中间状态值和输出，ωa (1)和ωa (2)分别表示输入层到隐含层与隐含层到输出层的权值，ANN网络权值更新公式如式所示：
ηa(t)是ANN网络的学习速率。
从隐含层到输出层以及输入层到隐含层的梯度计算式如下式所示。
其中，
优选的，所述RNN网络定义误差函数Eg(t)的计算公式，如下式所示：
其中，r(t)是外部强化学习函数，定义为：
其中，ε为大于0的常数。
优选的，所述XGBoost对叶片覆冰故障特征因素包括：机舱温度、环境温度、风速、风向、风机的功率、叶片角度、发电机转速、叶片充电器直流电流、叶片直流充电电源温度、机舱温度、偏航速度以及偏航位置等。
(三)有益效果
与现有技术相比，本发明提供了一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，具备以下有益效果：
该基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，通过采用XGBoost对与叶片覆冰故障关联度较高的特征参数如：机舱温度、环境温度、风速、风向、风机的功率、叶片角度、发电机转速、叶片充电器直流电流、叶片直流充电电源温度、机舱温度、偏航速度以及偏航位置等进行排序，对排序后的影响因素进行组合，将不同组合作为PID-DHDP的输入信号，通过基于混淆矩阵的性能评价指标筛选出与风机叶片覆冰关联度最优特征并采用PID-DHDP进行叶片覆冰检测，实现叶片覆冰故障自动检测，及时排除故障以确保风机在冬季正常运行。
附图说明
图1为本发明提出的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法的XGBoost算法图；
图2为本发明提出的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法的基于BP神经网的PID-DHDP原理图；
图3为本发明提出的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法的CNN网络结构原理图；
图4为本发明提出的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法的ANN网络结构原理图；
图5为本发明提出的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法的RNN网络结构原理图；
图6为本发明提出的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法的基于XGBoost的叶片覆冰特征因素重要性排序图；
图7为本发明提出的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法的混淆矩阵图；
图8为本发明提出的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法流程图。
具体实施方式
下面将结合本发明的实施例，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。
一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，包括以下步骤：
1)将SCADA数据采集与监控系统中的原始数据进行归一化处理，使数据落在[0，1]之间；
2)采用XGBoost极限梯度提升算法对原始数据进行学习和训练，进而对叶片覆冰故障特征因素进行排序，对能够判断风机叶片是否结冰特征因素，进行组合得到9种信号组合，将9种组合信号作为PID-DHDP的输入；
3)9种组合信号作为PID-DHDP的输入，会得到9个输出结果，采用混淆矩阵法对9种结果对比分析，判断风机叶片覆冰的结果，输出叶片是否覆冰的判断。
本实施例中，XGBoost使用基本的回归树模型，表达式如下所示：
其中，n为树的数目；ft为函数空间R的一个函数；为回归树预测值；xi为输入的第i个数据；R为所有可能的回归树模型集合，
每一次迭代不影响模型，即原来的模型保持不变，将一个新的函数添加到模型里，一个函数对应一棵树，新生成的树拟合上次预测的残差，迭代过程如下式所示：
XGBoost的目标函数表达式如下式所示：
其中，为模型预测值与真实值差异；/>为目标函数正则化项，采用正则化惩罚函数用于控制模型复杂度，防止模型在训练过程中发生过拟合，正则化函数定义为：
其中，T为叶子节点个数；γ和λ为惩罚函数系数；ω为节点权重系数；
XGBoost模型采用Aditive training的方式进行迭代来寻求最小化目标函数，每次迭代更新为：
将每个数据的损失函数值加起来，目标函数计算如下式所示：
其中，为一阶导数；/>为二阶导数。
根据XGBoost算法原理，再结合光伏发电功率数据的特征，形成的算法流程图如图1所示。
本实施例中，PID-DHDP由执行网络-ANN(Actor)网络、评价网络-CNN(Critic)网络和强化网络-RNN(Reinforcement)网络组成，其结构如图2所示。
ANN网络模块接收的是输入变量X(t)，ANN网络模块输出的是控制变量U(t)，控制变量U(t)返回被控系统对被控系统控制；
RNN网络模块接收被控系统的输入变量X(t)和网络模块的控制变量U(t)，RNN网络模块得到内部强化学习函数R(t)；
CNN网络模块接收被控系统的输入变量X(t)、ANN网络模块的控制变量U(t)和RNN网络模块的内部强化学习函数R(t)，CNN网络模块得到性能指标函数J(t)；
性能指标函数J(t)与目标期望函数Uc(t)相结合，得到第一时序差分信号ea(t)，ea(t)＝J(t)-Uc(t)；
性能指标函数J(t)经过乘法器α与性能指标函数J(t-1)以及外部强化学习函数r(t)相结合，得到第二时序差分信号ea(t)，ea(t)＝αJ(t)-[J(t-1)-r(t)]；
性能指标函数J(t)经过乘法器α与性能指标函数J(t-1)以及内部强化学习函数R(t)相结合，得到第三时序差分信号δTD(t)，δTD(t)＝αJ(t)-[J(t-1)-R(t)]；
ANN网络、RNN网络以及CNN网络通过对应的第一时序差分信号、第二时序差分信号以及第三时序差分信号分别在线更新ANN网络、RNN网络以及CNN网络对应的权值系数。
本实施例中，CNN网络的结构原理图如图3所示，CNN网络的输入xc(t)为：
xc(t)＝[x1(t),x2(t)…,xn(t),U(t),R(t)]T (7)
定义CNN网络误差函数如下式所示：
其中λ为折扣系数，0<λ<1，
CNN网络隐含层神经元的转移函数采用双极性sigmoid函数，如下式所示：
输出为性能指标函数J(t)，其隐含层采sigmoid激活函数，输出层则采用线性激活函数，易知CNN网络的隐含层和输出层神经元的输入和输出如下式所示：
其中n为系统输入变量X(t)的维数，Nco为控制向量U(t)的维数，Nc为评价网络隐含层神经元的个数，qk、pk和pck分别为隐含层第k个神经元的输入值、中间状态值和输出值，ωc (1)、ωcr (1)和ωcu (1)分别表示系统输入变量X(t)、R(t)和U(t)从输入层到隐含层的权值，ωc (2)为隐含层到输出层的权值；CNN网络权值更新计算公式：
其中，ηc(t)是CNN网络的学习速率；
根据反向梯度下降法则可得从隐含层到输出层梯度计算公式：
从输入层到隐含层梯度计算公式：
其中，
本实施例中，ANN网络通过网络权值的调整使得性能指标函数J(t)逼近目标期望函数Uc(t)的数值，定义执行网络的误差函数如下式所示：
执行网络的输入为：
X(t)＝[x1(t),x2(t)…,xn(t)]T (20)
隐含层包含3种类型的节点，即比例(P)节点、积分(I)节点和微分(D)节点，参照图4可得ANN隐含层和输出层神经元的输入和输出如下式所示：
其中Nco为执行网络输出控制信号的个数，N为执行网络隐含层神经元的个数，hi、gi和gai分别为隐含层第i个神经元的输入、中间状态值和输出，ωa (1)和ωa (2)分别表示输入层到隐含层与隐含层到输出层的权值。ANN网络权值更新公式如式所示：
ηa(t)是ANN网络的学习速率。
从隐含层到输出层以及输入层到隐含层的梯度计算式如下式所示。
其中，
本实施例中，RNN网络定义误差函数Er(t)的计算公式，如下式所示：
其中，r(t)是外部强化学习函数，定义为：
其中，ε为大于0的常数。
RNN网络的多层神经元结构如图5所示。其输入向量为xr＝[x1，x2，…，xn，U(t)]，输出为内部PID-DHDP函数R(t)。RNN网络中隐含层和输出层神经元的转移函数采用双极性sigmoid函数。
RNN网络输出层和隐含层神经元的输入和输出表达式如下
其中Nr为隐含层神经元的个数，zv、yv和yfv分别为隐含层第i个神经元的输入、中间状态值和输出，ωfv (1)和ωfv (2)分别表示输入层到隐含层、隐含层到输出层的权值。采用梯度下降法来使式中的误差函数Er(t)最小，下式为RNN网络权值更新的公式
其中ηg(t)是RNN网络的学习速率。根据反向传播(Back propagation，BP)法则可得，从隐含层到输出层的梯度计算如下式所示
从输入层到隐含层的梯度计算如下式
其中，
本实施例中，XGBoost对叶片覆冰故障特征因素包括：机舱温度、环境温度、风速、风向、风机的功率、叶片角度、发电机转速、叶片充电器直流电流、叶片直流充电电源温度、机舱温度、偏航速度以及偏航位置等。结果如图6所示。
从图6可见，风机输出功率、机舱温度、环境温度和风速等是最主要影响检测叶片覆冰的特征因素，变桨电机转速、发电机转速、叶片角度、偏航位置、风向是次要特征因素。对上述影响叶片覆冰检测结果的因素进行组合，获得9种不同的PID-DHDP输入信号组合，具体如下所示。
输入1：风机输出功率
输入2：风机输出功率+机舱温度
输入3：风机输出功率+机舱温度+环境温度
输入4：风机输出功率+机舱温度+环境温度+风速
输入5：风机输出功率+机舱温度+环境温度+风速+变桨电机转速
输入6：风机输出功率+机舱温度+环境温度+风速+变桨电机转速+发电机转速
输入7：风机输出功率+机舱温度+环境温度+风速+变桨电机转速+发电机转速+叶片角度
输入8：风机输出功率+机舱温度+环境温度+风速+变桨电机转速+发电机转速+叶片角度+偏航位置
输入9：风机输出功率+机舱温度+环境温度+风速+变桨电机转速+发电机转速+叶片角度+偏航位置+风向。
混淆矩阵如图7所示，其中，正样本为风机叶片覆冰数据，负样本表示风机叶片正常数据；TP表示正确识别出叶片覆冰的情况；FN表示将风叶覆冰误判为风叶正常的情况；FP将风叶正常判断为风叶覆冰的情况；TN表示正确识别出叶片正常的情况。其中，真阳性和真阴性之和为分类器正确识别样本的总数，
假阴性与假阳性之和为分类器错误识别样本的总数，四种情况总和为样本的总数量。
1.准确度
准确度是指正确预测风机叶片状态的次数占总的预测次数的比例。准确率的表达式如下：
2.精确率
精确率表示预测为正样本的样本中包含多少真正的正样本，即风机实际覆冰与预测
为覆冰情况之比。精确率的表达式如下
3.召回率
召回率表示原始数据集中的正样本有多少被准确预测，即预测为覆冰的情况与实际覆冰情况之比。召回率的表达式如下：
/>
实验例：
选取300组数据进行叶片覆冰故障预测实验，结果如下表所示。
判断标准：从上表可见，输入5作为叶片覆冰故障检测的效果最佳。需要说明的是，对数据进行归一化处理的具体函数为：
对比例：
采用SVM进行了风机叶片覆冰检测的实验，实验结果如下表所示，
需要说明的是，XGBoost模型的参数配置如下表所示，
SCADA数据集的参数及含义如下表所示，
/>
本发明的有益效果是：该基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，通过采用XGBoost对与叶片覆冰故障关联度较高的特征参数如：机舱温度、环境温度、风速、风向、风机的功率、叶片角度、发电机转速、叶片充电器直流电流、叶片直流充电电源温度、机舱温度、偏航速度以及偏航位置等进行排序，对排序后的影响因素进行组合，将不同组合作为PID-DHDP的输入信号，通过基于混淆矩阵的性能评价指标筛选出与风机叶片覆冰关联度最优特征并采用PID-DHDP进行叶片覆冰检测，实现叶片覆冰故障自动检测，及时排除故障以确保风机在冬季正常运行。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，其特征在于，包括以下步骤：
1)将SCADA数据采集与监控系统中的原始数据进行归一化处理，使数据落在[0，1]之间；
2)采用XGBoost极限梯度提升算法对原始数据进行学习和训练，进而对叶片覆冰故障特征因素进行排序，对能够判断风机叶片是否结冰特征因素，进行组合得到9种信号组合，将9种组合信号作为PID-DHDP的输入；
3)9种组合信号作为PID-DHDP的输入，会得到9个输出结果，采用混淆矩阵法对9种结果对比分析，判断风机叶片覆冰的结果，输出叶片是否覆冰的判断。
2.根据权利要求1所述的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，其特征在于，所述XGBoost使用基本的回归树模型，表达式如下所示：
其中，n为树的数目；ft为函数空间R的一个函数；为回归树预测值；xi为输入的第i个数据；R为所有可能的回归树模型集合，
每一次迭代不影响模型，即原来的模型保持不变，将一个新的函数添加到模型里，一个函数对应一棵树，新生成的树拟合上次预测的残差，迭代过程如下式所示：
XGBoost的目标函数表达式如下式所示：
其中，为模型预测值与真实值差异；/>为目标函数正则化项，采用正则化惩罚函数用于控制模型复杂度，防止模型在训练过程中发生过拟合，正则化函数定义为：
其中，T为叶子节点个数；γ和λ为惩罚函数系数；ω为节点权重系数；
XGBoost模型采用Aditive training的方式进行迭代来寻求最小化目标函数，每次迭代更新为：
将每个数据的损失函数值加起来，目标函数计算如下式所示：
其中，为一阶导数；/>为二阶导数。
3.根据权利要求1所述的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，其特征在于，所述PID-DHDP由执行网络-ANN网络、评价网络-CNN网络和强化网络-RNN网络组成；
所述ANN网络模块接收的是输入变量X(t)，所述ANN网络模块输出的是控制变量U(t)，所述控制变量U(t)返回被控系统对被控系统控制；
所述RNN网络模块接收被控系统的输入变量X(t)和网络模块的控制变量U(t)，所述RNN网络模块得到内部强化学习函数R(t)；
所述CNN网络模块接收被控系统的输入变量X(t)、ANN网络模块的控制变量U(t)和RNN网络模块的内部强化学习函数R(t)，所述CNN网络模块得到性能指标函数J(t)；
所述性能指标函数J(t)与目标期望函数Uc(t)相结合，得到第一时序差分信号ea(t)，ea(t)＝J(t)-Uc(t)；
所述性能指标函数J(t)经过乘法器α与性能指标函数J(t-1)以及外部强化学习函数r(t)相结合，得到第二时序差分信号ea(t)，ea(t)＝αJ(t)-[J(t-1)-r(t)]；
所述性能指标函数J(t)经过乘法器α与性能指标函数J(t-1)以及内部强化学习函数R(t)相结合，得到第三时序差分信号δTD(t)，δTD(t)＝αJ(t)-[J(t-1)-R(t)]；
所述ANN网络、RNN网络以及CNN网络通过对应的第一时序差分信号、第二时序差分信号以及第三时序差分信号分别在线更新ANN网络、RNN网络以及CNN网络对应的权值系数。
4.根据权利要求3所述的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，其特征在于，所述CNN网络的输入Xc(t)为：
xc(t)＝[x1(t),x2(t)…,xn(t),U(t),R(t)]T (7)
定义CNN网络误差函数如下式所示：
其中λ为折扣系数，0<λ<1，
CNN网络隐含层神经元的转移函数采用双极性sigmoid函数，如下式所示：
输出为性能指标函数J(t)，其隐含层采sigmoid激活函数，输出层则采用线性激活函数，易知CNN网络的隐含层和输出层神经元的输入和输出如下式所示：
其中n为系统输入变量X(t)的维数，Nco为控制向量U(t)的维数，Nc为评价网络隐含层神经元的个数，qk、pk和pck分别为隐含层第k个神经元的输入值、中间状态值和输出值，ωc (1)、ωcr (1)和ωcu (1)分别表示系统输入变量X(t)、R(t)和U(t)从输入层到隐含层的权值，ωc (2)为隐含层到输出层的权值；CNN网络权值更新计算公式：
其中，ηc(t)是CNN网络的学习速率；
根据反向梯度下降法则可得从隐含层到输出层梯度计算公式：
从输入层到隐含层梯度计算公式：
其中，
5.根据权利要求3所述的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，其特征在于，所述ANN网络通过网络权值的调整使得性能指标函数J(t)逼近目标期望函数Uc(t)的数值，定义执行网络的误差函数如下式所示：
执行网络的输入为：
隐含层包含3种类型的节点，即比例(P)节点、积分(I)节点和微分(D)节点，ANN网络隐含层和输出层神经元的输入和输出如下式所示：
其中Nco为执行网络输出控制信号的个数，N为执行网络隐含层神经元的个数，hi、gi和gai分别为隐含层第i个神经元的输入、中间状态值和输出，ωa (1)和ωa (2)分别表示输入层到隐含层与隐含层到输出层的权值，ANN网络权值更新公式如式所示：
ηa(t)是ANN网络的学习速率。
从隐含层到输出层以及输入层到隐含层的梯度计算式如下式所示。
其中，
6.根据权利要求3所述的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，其特征在于，所述RNN网络定义误差函数Er(t)的计算公式，如下式所示：
其中，r(t)是外部强化学习函数，定义为：
其中，ε为大于0的常数。
7.根据权利要求1所述的一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法，其特征在于，所述XGBoost对叶片覆冰故障特征因素包括：机舱温度、环境温度、风速、风向、风机的功率、叶片角度、发电机转速、叶片充电器直流电流、叶片直流充电电源温度、机舱温度、偏航速度以及偏航位置等。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310860487.XA CN116717440A (zh) | 2023-07-13 | 2023-07-13 | 一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310860487.XA CN116717440A (zh) | 2023-07-13 | 2023-07-13 | 一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116717440A true CN116717440A (zh) | 2023-09-08 |
Family
ID=87864601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310860487.XA Pending CN116717440A (zh) | 2023-07-13 | 2023-07-13 | 一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116717440A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117742135A (zh) * | 2024-02-09 | 2024-03-22 | 石家庄学院 | 一种用于通信机房的光伏节能控制方法及系统 |
-
2023
- 2023-07-13 CN CN202310860487.XA patent/CN116717440A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117742135A (zh) * | 2024-02-09 | 2024-03-22 | 石家庄学院 | 一种用于通信机房的光伏节能控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733462B (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
| CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
| CN114997051A (zh) | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 | |
| CN111697621B (zh) | 基于ewt-pdbn组合的短期风电功率预测方法 | |
| CN112380765A (zh) | 一种基于改进平衡优化器算法的光伏电池参数识别方法 | |
| CN116717440A (zh) | 一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法 | |
| CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
| CN114219181A (zh) | 基于迁移学习的风电功率概率预测方法 | |
| CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
| CN113705922A (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| CN115964923A (zh) | 一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法 | |
| CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
| CN108832623B (zh) | 一种物理-统计混合两阶段风电功率预测方法 | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| CN113095547A (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
| CN109146007B (zh) | 一种基于动态深度置信网络的固体废弃物智能处理方法 | |
| CN116186586A (zh) | 基于改进经验模态分解算法与优化深度置信网络的滚动轴承故障诊断方法 | |
| CN115271242A (zh) | 光伏发电功率预测模型的训练方法、预测方法、装置 | |
| CN112416913B (zh) | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 | |
| CN115579858A (zh) | 基于分时门控循环单元的光伏发电功率预测方法 | |
| CN113420492A (zh) | 一种基于gan与gru神经网络的风光火耦合系统频率响应模型建模方法 | |
| CN111178601A (zh) | 一种基于气象数据后处理的风电机组功率预测方法 | |
| CN111797987A (zh) | 一种动态机器学习方法 | |
| Yin et al. | Research on wind farm power forecasting based on IGWO-CNN |
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 |