[发明专利]基于图像处理的风电机组异常数据的检测方法

说明书

本发明公开了一种基于图像处理的风电机组异常数据的检测方法。该方法将风电机组异常数据分成负功率点、离散点和堆积点三类；然后采用图像处理中的数学形态学运算方法，利用Hu矩确定最佳参数，提取风电出力曲线的二值图像主要区域部分，并且标记正常点数据。本发明所述方法通过识别正常风电机组数据点，有效的检测出各异常数据点类型，为风电机组提供更有效的数据预处理方法以及风机运行状态分析提供更充足信息。

技术领域

本发明属于风力发电机异常数据检测技术，具体涉及一种基于图像处理的风电机组异常数据的检测方法。

背景技术

几十年来，风力涡轮机迅速安装在世界各地。随着风力发电机组设计和施工技术的成熟，风电场运行和维护逐渐受到越来越多的关注。风力曲线，反映风力涡轮机的性能，广泛用于风力发电机的条件监测，风力发电预测和其他应用。由于异常数据存在，实际风力曲线通常不同于理想风力曲线。

导致风电出力曲线异常的因素是多种多样的，包括风力涡轮机故障，风力限制，极端天气条件等。风力涡轮机故障也具有不同类型，例如俯仰故障，低齿轮箱油，偏航问题，磨损的发电机刷。不同类型的故障会带来不同的异常数据。在中国，限电已成为进一步发展风电的一个严重问题，2017年全国平均削减率为17.1％。风力削减命令使风力曲线的异常曲率，影响风力机的运行和维护计划。因此，检测和清除风力曲线的异常数据对于风力曲线应用是至关重要的。

发明内容

发明目的：针对上述问题，本发明提供一种基于图像处理的风电机组异常数据的检测方法。

技术方案：一种基于图像处理的风电机组异常数据的检测方法，包括以下步骤：

(1)异常数据点分类：将风电机组异常数据点分为三类，分别为负功率点，离散点和堆积点；

(2)负功率点检测：获取风电机组的数据采集与监视控制系统数据，设定负功率数据标记条件，将筛选出的点标记为负功率点；

(3)离散点区域检测：删除负功率点，将剩余数据绘制为风电出力曲线，并将其转化为二值图像，编码为图像I，利用边缘检测算法，基于图像像素值的一阶和二阶导数，识别图像I的最大边缘轮廓，并将边缘外的区域标记为离散点区域；

(4)堆积点区域检测：删除图像I中的离散点区域，删除后的图像编码为图像II，基于数学形态学运算算法，提取图像II的主要区域，标记为正常数据区域，剩余的区域标记为堆积点区域；

(5)实际数据映射标记：建立图像I和II像素点和实际数据点的映射关系，基于图像I和II中标记出的离散点区域和堆积点区域，在实际SCADA数据中标记出对应的离散点和堆积点异常数据。

进一步的，步骤(1)所述的异常数据点分类具体如下：

所述负功率点为风速大于切入速度且功率低于零的负异常数据；

所述离散点为离散分布的异常数据，其围绕正常风电机组曲线随机分布，包括传感器噪声和不受控制的随机因素所产生的异常数据；

所述堆积点为堆叠的异常数据，包括由风力削减命令或通信故障所产生的数据。

步骤(2)所述负功率点检测将数据筛选条件设定为输出功率小于零且风速大于风电机组切入速度，且将筛选出来的数据标记为负功率点。

步骤(4)中图像II的主要区域提取基于数学形态学运算中的开运算，利用Hu矩，确定最优的数学形态学运算参数，最小化提取部分与参考风电出力曲线的差异，将图像II提取的主要区域标记为正常数据区域，剩余的区域标记为堆积点区域。

更进一步的，步骤(4)通过Hu矩选择数学形态学运算中结构元素的最优大小，其计算过程如下：

(41)计算图像的p+q阶中心矩μ_pq，其计算表达式如下：