[发明专利]一种基于不平衡数据集情况下的风机叶片结冰预测方法

说明书

本发明公开了一种基于不平衡数据集情况的下风机叶片结冰预测方法，该方法使得不平衡数据集中数据样本的分布达到平衡，并结合随机森林算法(RF)对风机叶片结冰事件进行预测。该算法首先将原始少数类样本进行BIRCH层次聚类操作，并在每个聚类区根据样本点的密集度划分不同的浓度区。浓度越低的区域所要合成样本越多，与之相反的是浓度越高的区需要合成的样本越少。为了遵循少数类样本的原始分布情况，在每个聚类簇内的不同浓度区中分别合成新样本。其次BIRCH‑SMOTE算法改进了线性插值操作，在插值过程中加大了随机性，有效的避免了合成样本的重叠冗余问题。最后利用平衡化后的数据集对随机森林模型进行训练，并得到风机叶片结冰预测结果。

技术领域

本发明涉及短期风力发电技术领域，特别是一种基于不平衡数据集情况下的风力发电机叶片结冰预测方法。

背景技术

风能是一种典型的可再生清洁能源，由于其储量丰富，并且具备大规模开发的条件，因此在全世界范围内受到了广泛地关注。在全球可再生能源发电装机容量中，风力发电占有压倒性优势。在被利用的可再生能源中，风能占了一半以上，而且风力发电也是所有可再生资源利用技术最为成熟的一种。近年来，世界风力发电量高速增长，前景光明。截止到2012年12月，世界风力发电装机容量已经从2000年的60GW增加到了282.578GW。目前，中国是世界上风力发电装机容量最多且发展速度最快的国家。截止到2015年底，我国风力发电总装机容量达到 145.1GW，约占我国总装机容量的2.5％，年增长率达到了26.6％。

风能在快速发展的同时也面临着突出的问题。随着风力发电机高度的不断增加，风机叶片也由于所处严寒环境而变得根据容易结冰。叶片结冰是风力发电领域的一个全球性难题。低温环境所导致的叶片结冰、材料及结构性能改变、载荷改变的问题等，对风机的发电性能和安全运行造成较大的威胁。随着风机的设计功率不断提升，现在的风机高度也在不断增长，因此冬季里大量风机都会触碰到较低的云层，在低温和潮湿环境下非常容易结冰。目前风机运行的实时数据主要由SCADA系统进行存储，对叶片结冰故障的监测手段主要是比较风机实际功率与理论功率之间的偏差，当偏差达到一定值后会触发风机的报警和停机。然而，触发报警时往往已经出现叶片大面积结冰现象，此时运行风机会增加叶片折断损坏的可能性。虽然许多新型风机都设计了自动除冰系统，但实际应用中面临的挑战是，人们很难对结冰的早期过程进行精确预测，以便能够尽早开启除冰系统。由此可见，对结冰过程的预测准确度决定了风机能否正常、安全的运行。

发明内容

发明目的：本发明提出了一种基于不平衡数据集情况下的风力发电机叶片结冰预测方法，以解决不平衡数据及情况下对风机叶片结冰预测的准确度不足的问题。

技术方案：本发明提供了一种改进的SMOTE算法(BIRCH-SMOTE)，使得不平衡数据集中数据样本的分布达到平衡，并结合随机森林算法(RF)对风机叶片结冰事件进行预测。该算法首先将原始少数类样本进行BIRCH层次聚类操作，并在每个聚类区根据样本点的密集度划分不同的浓度区。浓度越低的区域所要合成样本越多，与之相反的是浓度越高的区需要合成的样本越少。为了遵循少数类样本的原始分布情况，在每个聚类簇内的不同浓度区中分别合成新样本。其次 BIRCH-SMOTE算法改进了线性插值操作，在插值过程中加大了随机性，有效的避免了合成样本的重叠冗余问题。最后利用平衡化后的数据集对随机森林模型进行训练，并得到风机叶片结冰预测结果。

具体来说，本发明提供的不平衡数据集下的风机结冰预测方法，包括以下步骤：

步骤1)对风电场的历史气象数据、风机运行状态数据进行搜集整理，最终将整理好的数据存储在数据库中，方便预测时使用；其中的风电场的历史气象数据以及风机运行状态数据和预测目标可以构成一个风机历史数据训练向量；该风机历史数据训练向量具体包括如下维度：风速、风力发电转速、风力发电转速、环境温度、发电机内部温度、风机叶片是否出现结冰现象，即可表示为：