[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

说明书

本发明公开了一种基于迁移成分分析的陆上风电机组结冰诊断方法，包括步骤1：形成模型训练数据集；步骤2：进行特征选择；步骤3：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。本发明提供的一种基于迁移成分分析的陆上风电机组结冰诊断方法，采用迁移成分分析方法，最小化建模机组与目标机组之间的边缘概率分布，缩小数据之间的分布差距。本发明所提方法泛化能力强，可以有效的缩小不同机组结冰数据之间的差距，提高风电机组叶片结冰的诊断准确性。

技术领域：

本发明涉及陆上风电机组状态监测及故障诊断领域，具体涉及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。

背景技术：

风能因其具有储量丰富、清洁无污染、绿色可持续等特点，受到全世界范围内的广泛关注。在实际运行当中，风电机组发电效率往往受到环境因素的制约，其中在低温潮湿环境下的叶片结冰问题尤为突出。当叶片发生结冰时会导致不同程度的危害，轻则使得风电机组发电效率降低，影响风电场收益；重则诱发叶片断裂，危及风电机组及风电场运维人员安全。传统的风电机组状态监测系统及控制系统无法对叶片早期结冰状态进行诊断与预警，当机组由于结冰停机时，风电机组叶片往往已经发生大面积结冰现象，严重危及风电机组及运维人员安全。风电场亟需准确的叶片早期结冰状态诊断方法。现有的结冰诊断方法多使用机器学习算法以一台或多台风电机组的历史SCADA数据为输入，叶片结冰状态数据为输出通过反复迭代训练拟合最优结冰状态诊断模型。上述方法对于SCADA数据分布相同或相似的风电机组具有较为准确的诊断能力，能够准确识别叶片结冰故障，但是对于SCADA数据分布差异较大的风电机组则泛化能力较差，无法对叶片结冰故障进行准确识别。

发明内容：

针对现有技术的不足，本发明提供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，针对不同风电机组SCADA数据分布存在差异的问题，采用迁移成分分析方法对源域(训练集风电机组SCADA数据)与目标域(待诊断的风电机组SCADA数据)进行处理，最小化源域与目标域的边缘概率分布距离；基于迁移成分分析方法处理后的数据，使用机器学习方法进行模型训练与诊断。本发明提供的方法能够降低不同风电机组SCADA数据之间的分布差异进而实现对处于不同分布的风电机组进行准确的结冰诊断，为陆上风电机组运行维护、状态监测及故障诊断等领域的研究提供可靠的方法基础。

本发明由如下技术方案实施：一种基于迁移成分分析的陆上风电机组结冰诊断方法，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。

进一步的，所述步骤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：