[发明专利]风机叶片结冰故障预测方法、装置及存储介质

权利要求书

1.一种风机叶片结冰故障预测方法，其特征在于，包括：

获取风机的表征运行特征和所述表征运行特征对应的表征运行参数，进行预处理后得到有效运行参数；

对所述表征运行特征进行相关性特征提取，得到时序特征和高相关性特征；

对所述高相关性特征进行特征降维处理，得到降维特征；

将所述降维特征对应的有效特征参数输入加权极限学习机，进行降维特征权重计算，生成风机叶片结冰故障预测模型；

将新获取的所述风机的表征运行参数输入所述风机叶片结冰故障预测模型，得到风机叶片结冰故障预测结果；

其中，对所述高相关性特征对应的有效运行参数进行特征降维处理，得到降维特征，具体为：

通过主成分分析法对所述高相关性特征对应的有效运行参数进行特征降维处理，得到降维特征；

所述主成分分析法具体为：

设存在a维高相关性特征，所述高相关性特征分别对应b条有效运行参数；

将所述高相关性特征和对应的有效运行参数按列组成z行b列的矩阵X；

将所述矩阵X的每一行进行零均值化；

计算所述矩阵X的协方差矩阵；

将所述协方差矩阵的特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；

将前k行的高相关性特征作为所述降维特征。

2.如权利要求1所述的一种风机叶片结冰故障预测方法，其特征在于，所述获取风机的表征运行特征和所述表征运行特征对应的表征运行参数，进行预处理后得到有效运行参数，具体为：

获取风机的表征运行特征和所述表征运行特征对应的表征运行参数，将所述表征运行参数中，风机运行状态为无效运行状态时对应的表征运行参数进行剔除，得到所述有效运行参数。

3.如权利要求2所述的一种风机叶片结冰故障预测方法，其特征在于，所述表征运行特征包括：风速、发电机转速、网侧有功功率、对风角、风向角、偏航位置、偏航速度、叶片角度、电机温度、环境温度、机舱温度和充电器直流电流。

4.如权利要求2所述的一种风机叶片结冰故障预测方法，其特征在于，所述时序特征包括：时域特征和频域特征；

所述时域特征包括均值、方差、过零率和极值；所述频域特征包括直流分量、幅度和功率谱密度。

5.如权利要求4所述的一种风机叶片结冰故障预测方法，其特征在于，将所述降维特征对应的有效特征参数输入加权极限学习机，生成风机叶片结冰故障预测模型，具体为：

根据所述降维特征对应的有效特征参数，通过随机指定隐含层参数，利用最小二乘法求解输出层权重的方式来训练单隐层前向神经网络；

极限学习机网络输出函数为f(x)＝h(x)β，其中，h(x)是特征映射函数，β是隐层节点输出函数，给定训练样本包含任意N个训练样例(x_i，t_i)∈Rⁿ×R^m，i＝1，…，N，x_i＝(x_i1，…，x_im)^T表示n×1维的有效特征参数输入向量，t_i＝(t_i1，…，t_im)^T是一个m×1维的目标向量，表示第i个训练样本的期望输出，极限学习机的优化函数表述为公式(1)：

其中，ξ是一个m×N维的松弛变量，ξ_：，i表示ξ的第i列；

加权极限学习机在所述极限学习机的基础上引入了权重矩阵W，根据公式(1)得到的目标优化函数如下公式(2)：

其中，W＝diag(W₁₁，W₂₂，...，W_ii，...W_NN)是一个N×N维的对角权重矩阵，W_ii表示各个降维特征x_i的权重；

根据所述权重生成所述风机叶片结冰故障预测模型。