CN116956132A - 一种确定风力涡轮机积冰情况的方法 - Google Patents
一种确定风力涡轮机积冰情况的方法 Download PDFInfo
- Publication number
- CN116956132A CN116956132A CN202310923765.1A CN202310923765A CN116956132A CN 116956132 A CN116956132 A CN 116956132A CN 202310923765 A CN202310923765 A CN 202310923765A CN 116956132 A CN116956132 A CN 116956132A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- data
- ice accumulation
- model
- determining ice
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000009825 accumulation Methods 0.000 title claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 238000012880 independent component analysis Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种确定风力涡轮机积冰情况的方法，涉及机械安全技术领域，包括收集风力涡轮机的数据；对数据进行预处理；进行数据预处理后，对数据进行特征工程；进行特征工程之后，使用机器学习算法来训练模型；完成机器学习模型的训练后，使用测试数据集来验证模型的准确程度。本发明通过对大量数据的学习和建模，能够识别和提取数据的规律和特征，并自动化地完成数据处理、分类、聚类等任务，无需人工干预，极大地提高了检测的效率和准确性，避免了人工干预带来的误差和不稳定性。
Description
技术领域
本发明涉及机械安全技术领域，特别是一种确定风力涡轮机积冰情况的方法。
背景技术
风力涡轮机在气候条件允许结冰地区的安装占全球风力涡轮机市场的很大一部分。然而，在这些地区，冰会在特定气候条件下积聚在风力涡轮机叶片上，这会导致许多问题。冰的存在会导致风力涡轮机的能量生产下降，还会缩短其主要部件的寿命。另外，不仅在寒冷气候下，冰的形成可能在很多不同的条件下发生，例如在海岸区域、高纬度地区以及山地地区。云底位于风力涡轮机中心或机舱以下的结冰现象是山地地区或接近山顶的主要问题，也称为云内结冰。在雪天，降雪也是一个已知的导致结冰的原因。在这些情况下，云层通常是共同的因素。
由于全球对气候变化的日益关注，减少温室气体排放的趋势使风能生产蓬勃发展，风力涡轮机也成为全球能源市场和工业研究的重要组成部分。
在这样的研究中，确定风力涡轮机积冰情况成为一项关键任务。确定是否存在冰，以及及时或及早检测到积冰状态显然非常有益，可以采取适当的措施来应对不同积冰情况。使用功率曲线和湿度计检测风力涡轮机结冰情况具有操作简洁、便于实现等优点，因此使用功率曲线和湿度计检测风力涡轮机积冰情况得到了广泛应用。
然而使用功率曲线检测风力涡轮机积冰情况的方法存在一定的局限性，需要综合考虑其他因素进行判断。常出现判断困难和误判概率极大的情况，此方法工业实施效率低下，难以满足风力涡轮机发电厂的系统要求。
近年来，随着硬件技术的发展，使用传感器预测湿度进而预测风力涡轮机积冰情况得到广泛应用。与使用功率曲线检测方法相比，使用湿度检测的方法可以大幅度减小误判概率。
然而使用湿度计检测风力涡轮机积冰情况的方法有时间延迟的效果，并不能准确预测结冰具体状态，难以获得满意的具体结果，对后续采取不同除冰措施没有太大的参考意义。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有的一种确定风力涡轮机积冰情况的方法中存在的问题，提出了本发明。
因此，本发明所要解决的问题在于如何提供一种确定风力涡轮机积冰情况的方法，可以确定风力涡轮机积冰情况的方法具有良好的准确性和及时性，可以大幅度提高风力涡轮机发电效率，并可视化减少维护和仪器成本。
为解决上述技术问题，本发明提供如下技术方案：一种确定风力涡轮机积冰情况的方法，其包括，
收集风力涡轮机的数据；
对数据进行预处理；
对预处理后的数据进行特征工程处理；
建立积冰情况检测模型；
通过机器学习算法来训练模型，并通过测试数据集验证模型的准确程度；
通过积冰情况检测模型判断风力涡轮机积冰情况。
作为本发明所述一种确定风力涡轮机积冰情况的方法的一种优选方案，其中：所述风力涡轮机的数据包括结冰恢复时间、测试时间和检测风力涡轮机部件的表面温度。
作为本发明所述一种确定风力涡轮机积冰情况的方法的一种优选方案，其中：所述预处理指的是对原始数据进行清洗、去噪、去除异常值、填补缺失值、特征选择操作。
作为本发明所述一种确定风力涡轮机积冰情况的方法的一种优选方案，其中：所述特征工程是通过使用算法来提取最相关和最具有预测能力的特征，其中包括特征选择和特征提取，特征提取选择独立成分分析算法来提取原始数据中的重要信息；
当每个未知源信号矢量都有概率密度p(E)时，给定时刻原信号的联合分布为
E为独立的n维未知源信号矢量，m是未知源截止点，Ei是第i维未知源信号矢量，PE是第i维未知源信号矢量概率密度。
作为本发明所述一种确定风力涡轮机积冰情况的方法的一种优选方案，其中：在进行特征工程后，使用机器学习算法来训练模型，采用聚类分类算法进行风力涡轮机积冰情况的判断和预测任务计算。
作为本发明所述一种确定风力涡轮机积冰情况的方法的一种优选方案，其中：所述聚类分类算法得出风力涡轮机预处理后数据矩阵量为
其中，矩阵的每一行代表一个数据类型，而每一列则代表样品的一项数据数值，对于测试结果满意度的指标Ce的计算方式是：
其中avg(Ci)表达簇Ci内样本间的平均距离，avg(Cj)表达簇Cj内样本间的平均距离，dcen(Ci，Cj)表达簇Ci与Cj中心点的距离，total(Cj)表达簇Cj中点的总数，num(Cj)表达簇Cj中属性为j的点的总数。
作为本发明所述一种确定风力涡轮机积冰情况的方法的一种优选方案，其中：在完成机器学习模型的训练后得出测试数据集，对于测试数据集进行验证，将验证成功后的测试数据集进行输出。
作为本发明所述一种确定风力涡轮机积冰情况的方法的一种优选方案，其中：所述测试数据集的验证方式是交叉验证。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明有益效果为
(一)本专利可以及时检测到风力涡轮机的结冰状态，从而可以采取适当的措施来应对不同的结冰情况，避免降低能源产量和损坏设备的问题，相比现有检测方法更有工业应用价值。
(二)本专利通过监测时间来达到检测风力涡轮机结冰状态的目的，与现有的基于相对湿度的检测方法相比，本方法不受相对湿度等环境因素的影响，具有更高的可靠性。
(三)本专利通过对大量数据的学习和建模，能够识别和提取数据的规律和特征，并自动化地完成数据处理、分类、聚类等任务，无需人工干预，极大地提高了检测的效率和准确性，避免了人工干预带来的误差和不稳定性。
(四)本专利解决了延时问题，与现有的检测方法相比，本方法具有高度的自动化程度，能够快速、准确地检测风力涡轮机的积冰情况，为风力涡轮机的运行安全提供可靠的保障。
(五)本方法所需的设备主要包括计算机、软件等基本设备，无需昂贵的检测仪器和传感器，因此成本低廉，提高了检测的可行性和普及性。因此，本方法具有较高的经济效益和社会效益，具有广泛的应用前景。
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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为实施例1中一种确定风力涡轮机积冰情况的方法的结构图。
图2为实施例3中一种确定风力涡轮机积冰情况的风力场的风力涡轮机内部结构图。
图3为实施例3中一种确定风力涡轮机积冰情况的方法的数据对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1，为本发明第一个实施例，该实施例提供了一种确定风力涡轮机积冰情况的方法，一种确定风力涡轮机积冰情况的方法包括
步骤1，在实际应用中，我们需要收集大量的风力涡轮机的数据，包括结冰恢复时间、测试时间和检测风力涡轮机的部件的表面温度等信息。这些数据将被用于训练和测试机器学习模型。对于风力涡轮机的监测，我们使用了多种传感器来检测风力涡轮机叶片和其他部件的状态。这些传感器包括温度传感器、湿度传感器、角速度传感器等，这些传感器可以通过无线网络与监测系统进行通信。监测系统会收集这些传感器的数据，并将其存储在数据库中作为备用信息储备。
步骤2，在执行风力涡轮机积冰情况的数据分析之前，需要对数据进行预处理。预处理的主要任务是使用适当的方法和技术对原始数据进行清洗、去噪、去除异常值、填补缺失值、特征选择等操作，以保证数据的质量和准确性。
预处理过程包括数据采集、数据清洗、数据变换等步骤，其中数据清洗是预处理的关键步骤。
在数据清洗过程中，使用各种技术和方法来处理数据中的缺失值、异常值、重复值等。
通过预处理数据，可以提高模型的精度和鲁棒性，从而更好地确定风力涡轮机积冰情况。
步骤3，在进行数据预处理后，需要对数据进行特征工程，这是从原始数据中提取有用信息的过程。特征工程可以通过使用各种技术和算法来提取最相关和最具有预测能力的特征，以帮助机器学习模型更好地识别和预测风力涡轮机积冰情况。
特征工程包括特征选择和特征提取等步骤，其中特征选择是根据特定的目标和模型选择最相关和最具有预测能力的特征的过程。
在特征选择过程中，本专利评估和选择最相关和最具有预测能力的特征，即结冰恢复时间、测试时间和检测风力涡轮机的部件的表面温度，以提高模型的准确性和性能。
在特征提取过程中，本专利使用各种算法和方法，例如主成分分析、独立成分分析等，来提取原始数据中的重要信息。
经过特征工程处理，提取出的特征将作为机器学习模型的输入，帮助模型更好地进行风力涡轮机积冰情况的判断和预测。
特征工程是通过使用算法来提取最相关和最具有预测能力的特征，其中包括特征选择和特征提取，特征提取选择独立成分分析算法来提取原始数据中的重要信息；
所述独立成分分析算法方式中y是m维观测信号矢量，E为独立的n(n≤m)维未知源信号矢量，矩阵B被称为混合矩阵，独立成分分析算法目的就是寻找B的逆矩阵，然后对y进行线性变换，得到输出向量X，这里使用最大似然估计来解释算法，我们假定每个Ei有概率密度p(E)，那么给定时刻原信号的联合分布就是
在成分分析中拥有一个前提是所有信号数据是独立的。
步骤4，在进行特征工程之后，我们需要使用机器学习算法来训练模型。在本方法中，我们采用使用聚类分类算法来进行风力涡轮机积冰情况的判断和预测任务计算。使用聚类分类算法来进行风力涡轮机积冰情况的判断和预测任务计算，假设风力涡轮机预处理后的数据是一个矩阵
其中，矩阵的每一行代表一个数据类型，而每一列则代表样品的一项数据数值，因此第i个数据类型与第j个数据类型之间的相关系数为：
ki即矩阵第k的第i行平均值。其中，矩阵的每一行代表一个数据类型，而每一列则代表样品的一项数据数值，对于测试结果满意度的指标Ce的计算方式是：
其中avg(Ci)表达簇Ci内样本间的平均距离，avg(Cj)表达簇Cj内样本间的平均距离，dcen(Ci，Cj)表达簇Ci与Cj中心点的距离，total(Cj)表达簇Cj中点的总数，num(Cj)表达簇Cj中属性为j的点的总数。
聚类分类算法是一种无监督学习方法，它能够将数据划分为不同的簇，并将每个簇分配到相应的类别中。该算法可以帮助我们在没有先验知识的情况下，对数据进行分析和分类，并找到数据之间的内在关系和规律。
步骤5，在完成机器学习模型的训练后，使用测试数据集来验证模型的准确程度。在本方法中，我们使用交叉验证的方法来评估模型的性能。
交叉验证是一种常用的模型评估方法，它可以在有限的数据集上，通过多次划分数据集，将数据集划分为训练集和测试集，用测试集来验证模型的泛化能力和性能。
在交叉验证中，我们可以使用各种评估指标来评估模型的性能，例如准确率、精确率、召回率、F1分数等。准确率是模型正确预测的样本数占总样本数的比例，精确率是模型预测为正的样本中，实际为正的比例，召回率是实际为正的样本中，被模型正确预测为正的比例，F1分数是精确率和召回率的加权调和平均数。
通过使用这些评估指标，我们可以更全面地评估模型的性能和准确性，从而提高模型的可靠性和泛化能力，为风力涡轮机积冰情况的预测和判断提供更加准确和可靠的依据。
实施例2
本发明第二个实施例，其不同于第一个实施例的是：还包括
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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
实施例3
参照图2和图3，为本发明第三个实施例，其不同于前两个实施例的是：
从图2可以明显看出，一台风电场的风力涡轮机由六条单机开机容量图最后汇总成Pact，即可以计算获取风力发电场线路实际功率值，对线路功率值求和，可计算出全场实际发电功率，从而进行风力涡轮机积冰情况检测与处理。
可以看出，此次实施例的AGC指令是B001上升沿触发，得到B002，限制功率指令得以开始，当AGC小于98并且小于理论值时，AGC的状态锁定。当B003的判断逻辑为非时，B001＝0不进行限电，B001＝1则进行限电。B001下降沿触发时可以得到B004，限功率指令得以接触。
如图3所示，因此本发明阐述一种确定风力涡轮机积冰情况的方法采用机器学习等自动化处理技术解决了时间延迟的问题，自动化程度高，无需人工干预可以实现全自动化检测。
表1：机器学习积冰判断方法与传统判断方法对比
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种确定风力涡轮机积冰情况的方法，其特征在于：
收集风力涡轮机的数据；
对数据进行预处理；
对预处理后的数据进行特征工程处理；
建立积冰情况检测模型；
通过机器学习算法来训练模型，并通过测试数据集验证模型的准确程度；
通过积冰情况检测模型判断风力涡轮机积冰情况。
2.如权利要求1所述的一种确定风力涡轮机积冰情况的方法，其特征在于：所述风力涡轮机的数据包括结冰恢复时间、测试时间和检测风力涡轮机部件的表面温度。
3.如权利要求1或2所述的一种确定风力涡轮机积冰情况的方法，其特征在于：所述预处理指的是对原始数据进行清洗、去噪、去除异常值、填补缺失值、特征选择操作。
4.如权利要求3所述的一种确定风力涡轮机积冰情况的方法，其特征在于：所述特征工程是通过使用算法来提取最相关和最具有预测能力的特征，其中包括特征选择和特征提取，特征提取选择独立成分分析算法来提取原始数据中的重要信息；
当每个未知源信号矢量都有概率密度p(E)时，给定时刻原信号的联合分布为
E为独立的n维未知源信号矢量，m是未知源截止点，Ei是第i维未知源信号矢量，PE是第i维未知源信号矢量概率密度。
5.如权利要求1、2和4任一所述的一种确定风力涡轮机积冰情况的方法，其特征在于：在进行特征工程后，使用机器学习算法来训练模型，采用聚类分类算法进行风力涡轮机积冰情况的判断和预测任务计算。
6.如权利要求1所述的一种确定风力涡轮机积冰情况的方法，其特征在于：所述聚类分类算法得出风力涡轮机预处理后数据矩阵量为
其中，矩阵的每一行代表一个数据类型，而每一列则代表样品的一项数据数值，对于测试结果满意度的指标Ce的计算方式是：
其中avg(Ci)表达簇Ci内样本间的平均距离，avg(Cj)表达簇Cj内样本间的平均距离，dcen(Ci，Cj)表达簇Ci与Cj中心点的距离，total(Cj)表达簇Cj中点的总数，num(Cj)表达簇Cj中属性为j的点的总数。
7.如权利要求6所述的一种确定风力涡轮机积冰情况的方法，其特征在于：在完成机器学习模型的训练后得出测试数据集，对于测试数据集进行验证，将验证成功后的测试数据集进行输出。
8.如权利要求7所述的一种确定风力涡轮机积冰情况的方法，其特征在于：所述测试数据集的验证方式是交叉验证。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310923765.1A CN116956132A (zh) | 2023-07-26 | 2023-07-26 | 一种确定风力涡轮机积冰情况的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310923765.1A CN116956132A (zh) | 2023-07-26 | 2023-07-26 | 一种确定风力涡轮机积冰情况的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116956132A true CN116956132A (zh) | 2023-10-27 |
Family
ID=88450861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310923765.1A Pending CN116956132A (zh) | 2023-07-26 | 2023-07-26 | 一种确定风力涡轮机积冰情况的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956132A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892213A (zh) * | 2024-03-18 | 2024-04-16 | 中国水利水电第十四工程局有限公司 | 一种风力发电机叶片覆冰侦测与预警的诊断方法 |
-
2023
- 2023-07-26 CN CN202310923765.1A patent/CN116956132A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892213A (zh) * | 2024-03-18 | 2024-04-16 | 中国水利水电第十四工程局有限公司 | 一种风力发电机叶片覆冰侦测与预警的诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN111444940A (zh) | 风机关键部位故障诊断方法 | |
| CN109751206B (zh) | 风机叶片结冰故障预测方法、装置及存储介质 | |
| CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
| CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
| CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
| Fu et al. | Correlation analysis and augmentation of samples for a bidirectional gate recurrent unit network for the remaining useful life prediction of bearings | |
| CN116956132A (zh) | 一种确定风力涡轮机积冰情况的方法 | |
| CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、系统及存储介质 | |
| CN109670549B (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
| CN117273489A (zh) | 光伏状态评估方法及装置 | |
| CN113918642A (zh) | 一种基于电力物联网设备的数据过滤监测预警方法 | |
| CN117081064B (zh) | 一种基于误差评估的风电功率组合预测方法和系统 | |
| CN117421616B (zh) | 一种矿山竖井井筒检测系统及方法 | |
| CN111931851A (zh) | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 | |
| CN116911806A (zh) | 基于互联网+的电力企业能源信息管理系统 | |
| CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
| CN115600753A (zh) | 一种复杂机电设备的混合寿命预测方法 | |
| CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
| CN114004059B (zh) | 一种水轮发电机组健康画像方法 | |
| Tao et al. | Wind turbine blade icing diagnosis using B-SMOTE-Bi-GRU and RFE combined with icing mechanism | |
| CN117927322A (zh) | 一种基于燃气-蒸汽联合循环效率优化方法及系统 | |
| CN117250449A (zh) | 变压器绝缘状态评估方法、装置、电子设备及存储介质 | |
| CN117272753A (zh) | 一种基于过程参数的输电线路覆冰舞动预警方法 | |
| CN110985315A (zh) | 一种检测风机叶片结冰的早期预测方法 |
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 |