[发明专利]一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法

权利要求书

1.一种基于迁移成分分析的陆上风电机组结冰诊断方法，其特征在于，所述方法包括步骤：

步骤1：监测记录风电机组结冰状态，给SCADA系统对应的SCADA数据增加结冰标签及时间连续性标签进而形成模型训练数据集；

步骤2：计算SCADA数据的瞬态与时序特征，并使用贪心算法进行特征选择；

步骤3：利用迁移成分分析方法最小化训练集风电机组与待诊断风电机组特征数据集之间的差异，采用机器学习算法对迁移成分分析方法处理后的数据进行多次迭代训练风电机组叶片结冰状态诊断模型；

步骤4：部署以及应用在线叶片结冰状态诊断模型；

其中，步骤1包括：

步骤11：选取a台处于结冰期的运行状态良好的风电机组组成用于训练模型的参考机组集；

步骤12：观测记录结冰期内参考机组集中每台机组的结冰时段、正常时段；

步骤13：从原始SCADA数据中选取与叶片结冰相关性较大的b个特征变量，特征变量包括：风速、变桨电机温度、发电机转速、叶片速度、网侧有功功率、ng5温度、对风角、x方向加速度、y方向加速度、25秒平均风向角、偏航位置、环境温度、偏航速度、机舱温度、叶片角度、ng5充电器直流电流，并对结冰期内的上述变量及时间戳进行导出；

步骤14：根据步骤12得到的结冰时段及正常时段数据，给步骤13导出的SCADA增加结冰状态标签，结冰状态标签设置方式如下表所示：

步骤15：设定时间连续性阈值m秒，对经过步骤14处理后的数据进行时间连续性判断；判断方式如下：若连续两点之间的时间间隔小于m秒，则判断两点属于相同连续时间段；若连续两点之间的时间间隔大于m秒，则判断两点属于不同连续时间段；对于处于不同时间段的数据添加不同的时间连续性标签；

所述步骤2包括

步骤21：采用bin方法将正常状态的SCADA数据按照风速等间隔的划分成n个宽度相等的风速区间，计算每个风速区间内的平均风速及功率；

步骤22：采用Savitzky-Golay平滑算法对平均风速及平均功率数据进行拟合，形成理论功率曲线及函数；

步骤23：构建影响结冰的瞬态特征，新构建的瞬态特征及公式如下所示：

结冰严重程度W_β

式(1)中：P_real为实际功率，P_pred为根据拟合功率曲线得到的理论应发功率；

风速平方V²

式(2)中：V_∞为风速；

风能综合利用率C_total

式(3)中：P_real为实际功率，P_pred为根据拟合功率曲线得到的理论应发功率；

步骤24：采用滑窗方法计算连续时间段内结冰严重程度和风能综合利用率的最大值、标准差、平均变化率及总和等时序特征，设定滑窗窗口大小为h，步长为i；

步骤25：采用贪心算法通过多次迭代训练，剔除无效或不利于模型训练的特征，最终形成特征数据集；

所述步骤3包括：

步骤31：对训练集风电机组进行上述步骤1与步骤2的操作，根据步骤11得到的叶片结冰状态标签剔除数据中的无效数据，最终得到训练集风电机组的特征数据集及结冰状态标签；

步骤32：对待诊断风电机组进行步骤1中步骤12至15及步骤2所有操作，得到待诊断风电机组的特征数据集；

步骤33：对特征数据集内的数据进行归一化操作，归一化公式如下：

步骤34：利用迁移成分分析方法对步骤31和步骤32的特征数据集进行处理，建立特征映射φ，使得映射后的训练集风电机组与待诊断风电机组数据的边缘概率分布距离最小化；

步骤35：以特征数据集为输入，叶片结冰状态标签为输出，采用机器学习算法经过多次迭代训练风电机组叶片结冰状态诊断模型；

所述步骤4包括：

步骤41：设定时间灵敏度阈值k秒，当更新的SCADA数据持续时间超过k秒时，将更新的SCADA数据与历史SCADA数据合并，形成新的待诊断风电机组数据集；

步骤42：对新的待诊断风电机组数据集进行步骤11至15及步骤2所有操作，形成新的待诊断风电机组特征数据集；

步骤43：对训练集风电机组特征数据集与更新后的待诊断风电机组特征数据集进行步骤3所述操作；

步骤44：根据步骤43得到的训练模型诊断更新时段的叶片结冰状态，并根据结冰诊断状态发布预警。