[发明专利]一种风机叶片早期结冰故障预测方法

权利要求书

1.一种风机叶片早期结冰故障预测方法，其特征在于，包括以下步骤：

S1：获取预测参数数据，构建样本集并进行数据预处理；

S2：通过Relief-F算法进行特征选择，得到最优特征子集；

S3：对最优特征子集进行PCA特征变换，得到最佳特征；

S4：构建早期结冰故障预测模型并利用最佳特征进行模型训练；

S5：利用训练完成的结冰故障早期预测模型，判断风机叶片是否发生早期结冰故障。

2.根据权利要求1所述的一种风机叶片早期结冰故障预测方法，其特征在于，所述的步骤S1中，通过SCADA系统采集获取预测参数数据。

3.根据权利要求2所述的一种风机叶片早期结冰故障预测方法，其特征在于，所述的预测参数数据包括风速、环境温度、环境湿度、发电机转速、偏航速度、网侧有功功率和叶片角度等。

4.根据权利要求1所述的一种风机叶片早期结冰故障预测方法，其特征在于，所述的步骤S1中的数据预处理包括标签标记、数据补充、数据删除、数据均衡和数据过滤。

5.根据权利要求4所述的一种风机叶片早期结冰故障预测方法，其特征在于，所述的数据预处理具体包括以下步骤：

S11：对样本集中的预测参数数据进行标签标记，所述的标签包括正常数据、结冰数据和无效数据；

S12：对缺失或异常数据进行数据补充，并对无效数据进行数据删除；

S13：通过欠采样方式对正常数据进行压缩，使正常数据与结冰数据比例为1:1，实现数据均衡；

S14：通过强规则进行数据过滤，过滤掉正常数据中明显不结冰的数据。

6.根据权利要求5所述的一种风机叶片早期结冰故障预测方法，其特征在于，所述的步骤S1还包括：对预处理完成的预测参数数据进行数据分割，将样本集划分为训练集和测试集，所述的训练集中的预测参数数据用于模型训练，所述的测试集的预测参数数据用于模型验证。

7.根据权利要求1所述的一种风机叶片早期结冰故障预测方法，其特征在于，所述的步骤S2具体包括以下步骤：

S21：通过迭代法获取样本集中各预测参数数据样本的特征预测权值；

S22：根据权值大小，对各预测参数数据样本进行排序；

S23：获取设定阈值；

S24：将特征预测权值小于设定阈值的预测参数数据样本进行删除，得到最优特征子集。

8.根据权利要求7所述的一种风机叶片早期结冰故障预测方法，其特征在于，所述的步骤S21具体包括：

S211：初始化特征预测权值W(B)＝0,(B＝0,1,2,…,d)，其中，B为矩阵特征，d为权值序列；

S212：从样本集中随机选择一个预测参数数据样本R；

S213：寻找与预测参数数据样本R同类的k个最邻近同类样本H和不同类的k个最近邻异类样本M；

S214：计算该预测参数数据样本R对应的特征预测权值W(B)，并返回步骤S212，直至得到所有预测参数数据样本对应的特征预测权值，完成迭代。

9.根据权利要求8所述的一种风机叶片早期结冰故障预测方法，其特征在于，所述的步骤S214中，特征预测权值W(B)的计算公式为：

其中，A为矩阵特征，m为迭代次数，C为类别，P(C)为C类目标的概率，P(class(R_i))为样本R_i包含的类标签概率，M_j(C)为C类目标的第j个样本，k为选取的最邻近同类样本的最邻近异类样本的数量，R_i为第i个选择的预测参数数据样本，H_j为第j个最邻近同类样本，M_j为第j个最邻近异类样本。

10.根据权利要求1所述的一种风机叶片早期结冰故障预测方法，其特征在于，所述的步骤S3具体包括：将Relief-F特征选择得到的最优特征子集进行降维变换，将原特征空间中的信息集中至新特征空间中，得到最佳特征作为模型的输入，所述的新特征空间中各个维度互不相关。