[发明专利]基于深度神经网络的风机叶片早期结冰故障检测方法

说明书

本发明涉及一种经过自编码器预训练的深度神经网络的风机叶片早期结冰故障检测方法，该神经网络中包括故障特征挖掘和分类网络，用于解决现有技术难以检测风机早期结冰状态的问题，具体技术方案为：步骤(1)获取风机结冰原始数据集；步骤(2)对原始数据集进行预处理，获取训练集和测试集；步骤(3)使用自编码器逐层对DNN进行预训练，步骤(4)确定网络结构，利用训练集训练深度神经网络模型并对模型进行优化和微调；步骤(5)利用训练好的模型进行风机叶片早期结冰故障检测。本发明充分考虑SCADA系统采集到的所有数据对风机叶片结冰的影响，实现对风机早期结冰的故障检测，并使检测正确率达到98％以上。

技术领域

本发明涉及一种基于深度神经网络的风机叶片早期结冰故障检测方法，属于工业系统故障检测领域。

背景技术

风力发电是目前最成熟、最具发展潜力的可再生能源技术。中国的风电发展举世瞩目。但风能获取的特殊性决定了大量风机需布置在高纬度、高海拔的寒冷地区。而工作在寒冷地区的风机受霜冰、雨凇和湿雪等气象条件影响，极易发生叶片结冰现象，进而引发一系列后果。导致风能捕获能力下降，发电功率损耗，风机叶片断裂，甚至造成安全事故。

所以，及时检测并消除叶片结冰故障对于延长风电设备使用寿命、预防重大安全事故具有重要意义。在实际运行中，严重的结冰一般能够被轻易检测到，并通过风机除冰系统自动除冰。然而，除冰系统却难以检测早期结冰状态。虽然叶片在结冰早期产生了一定的变形，但对机组的性能影响不明显，因此难以察觉，早期的叶片结冰在不处理的情况下一般都会演化成严重结冰。目前大多数还是用物理的方式来对叶片早期结冰进行检测，比如通过红外传感器采集叶片温度数据来判断叶片结冰与否，虽然方法准确率很高，但往往都需要额外布置传感器导致成本飞升，而本发明的方法利用SCADA系统采集到的大量检测变量通过自动编码器结合神经网络，对风机叶片早期结冰进行检测和诊断，在保证准确率的情况下，也能大大降低风场成本。

发明内容

本发明的目的在于提出一种基于深度神经网络的风机叶片早期结冰故障检测方法，用来解决传统的通过传感器采集风机叶片温度来检测结冰的方法中，成本过高的问题，利用工业系统中的SCADA系统采集到的大量检测变量通过自动编码器结合神经网络，对风机叶片早期结冰进行检测和诊断，在保证准确率的情况下，也能大大降低风场成本。本方法在原始的神经网络的基础上，首先使用自动编码器对DNN逐层进行无监督的预训练，预训练过程比随机初始化DNN产生更好的局部极小值，然后利用反向传播算法对DNN进行微调。本方法能够自适应地从SCADA系统采集的原始数据中提取故障特征，能够对风机叶片健康状况进行故障特征挖掘和智能诊断。

为实现上述目的，本发明采用的技术方案为基于深度神经网络的风机叶片早期结冰故障检测方法：如图1所示，该方法的实现步骤如下：

步骤(1)：获取风机结冰原始数据集

原始数据集来自《第一届中国工业大数据竞赛》风机结冰数据集，该数据采集自工业SCADA系统，总长度为2个月，包含了约58万条数据，每条数据包含28个维度，包含风速、发电机转速、网侧有功功率、风向角、各叶片角度、变桨电机温度等特征维度，数据经过标准化处理。

步骤(2)：对数据集进行预处理

根据数据中结冰和不结冰的时间段，把原始数据分为正常数据即正样本，标签为正常，故障数据即负样本，标签为故障，无效数据即无标签的数据；在构建训练集时，首先删除无标签的无效数据，然后为了平衡训练集的正负样本数量，从正常数据中删除了明显不结冰的样本，再利用smote算法对负样本进行过采样，将预处理之后的数据，一部分作为训练集，一部分作为测试集。

步骤(3)：使用自编码器逐层对DNN进行预训练，如流程图2所示