[发明专利]一种风电机组叶片结冰检测方法

说明书

本发明属于新能源领域，具体涉及一种风电机组叶片结冰检测方法。构建基于自适应增强学习的叶片结冰检测模型。首先，获取风机的SCADA监测数据，对时间序列数据进行采样，剔除异常数据，进行数据特征筛选，并对数据进行标准化处理。然后，选择关键特征进行弱分类器训练预测，并根据迭代分配弱分类器权重，最终加权得到自适应增强学习后的强分类器模型，最终得到叶片结冰检测结果。

技术领域

本发明属于新能源领域，具体涉及一种风电机组叶片结冰检测方法。

背景技术

风力发电机组作为使用可再生能源、发展清洁电力的重要途径，已在全世界范围内广泛应用。随着国内风电的不断发展，风电机组的装机容量、装机台数不断攀升，但是我国风资源主要分布于三北等高纬度、高海拔地区，风电机组工作的环境温度较低，而这些风电机组在工作中面临霜雪、冰冻的考验，极易发生风电机组叶片结冰现象，致使风电机组面临风能捕捉效率降低、叶片断裂、冰凌掉落影响人身安全等问题。如何准确识别风电机组的叶片结冰状态，及时消除叶片结冰成为了当前风电行业中的研究难点与研究热点。

针对如何识别风电机组是否处于叶片结冰故障状态，现有方法主要集中在使用硬件识别和算法识别两个方向。在硬件识别方向，须要在风电机组中安装硬件设备对叶片进行检测，以有效识别叶片是否处于结冰故障状态。如安装红外传感器识别温度是否超过设定阈值、通过超声检测仪辨别叶片状态、利用其它传感技术判断叶片是否发生结冰等。这些研究须要借助外接设备实现，安装复杂且增加成本。

发明内容

本发明提出一种风电机组叶片结冰检测方法，以解决现有技术中需要通过外设判断风电机组是否叶片结冰的问题。

为达上述目的，本发明提出技术方案如下：

一种风电机组叶片结冰检测方法，包括如下步骤：

S101：获取风机SCADA监测数据中的时间序列数据；

S102：对S101获取到的时间序列数据进行采样；对采样获得的数据进行数据清洗，获得清洗后数据；

S103：对清洗后数据进行相关性分析，抛弃掉清洗后数据中特征相关性低于预设阈值的特征数据，获得最终保留数据；

S104：对最终保留数据进行标准化和归一化处理，获得训练数据；

S105：利用训练数据进行深度神经网络模型的自适应增强学习训练，得到若干弱分类器；

S106：由弱分类器整合得到强分类器；

S107：利用所述强分类器对S103中最终保留数据进行预测，得到并输出叶片结冰状态检测结果。

优选的，S102中，采样间隔为10s。

优选的，S103中，最终保留数据包括发电机转速、发电机驱动端轴承温度、发电机有功功率、发电机无功功率、发电机实际扭矩、有功功率、网侧无功功率、发电机冷风温度、发电机冷却水温度、叶轮转速、每个叶片的电机温度、实时风速、实时风向、环境温度、10分钟平均风速、主轴转速、齿轮箱油池温度、大气压力。

优选的，S105包括如下步骤：数据选择和网络初始化；弱分类器预测；计算预测序列权重；调整测试数据权重。

优选的，数据选择和网络初始化具体为：

从样本空间中随机选择m组训练数据，初始化测试数据的分布权值D_i(i)＝1/m，根据样本输入输出维数确定神经网络结构，初始化深度神经网络权值和阈值。

优选的，弱分类器预测具体步骤为：

训练第t个弱分类器时，用训练数据训练BP神经网络并且预测训练数据输出，得到预测序列g(t)的预测误差和e_t，误差和e_t的计算公式为：