[发明专利]一种风机叶片早期结冰故障预测方法

说明书

本发明涉及一种风机叶片早期结冰故障预测方法，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，与现有技术相比，本发明具有效率高、精度高等优点。

技术领域

本发明涉及风力发电设备领域，尤其是涉及一种风机叶片早期结冰故障预测方法。

背景技术

随着碳达峰、碳中和目标的提出，以风电、光伏为代表的新能源将呈现出爆发式的增长模态。风电作为清洁、绿色、环保的可再生能源，对降低碳排放具有显著作用，有利于实现碳达峰、碳中和的宏伟目标。目前，许多风机安装在湿度大、温度低的中南部高海拔地区，特殊的地理位置使得风机在运行过程中会受到不同程度的自然环境影响，其中，风机叶片结冰导致机组获取风能的能力下降，从而引起发电机输出功率减少，叶片性能改变以及机组自身设备发生损坏等。因此，快速有效地检测并去除叶片结冰对风电机组的安全运行和使用寿命至关重要。

在实际应用中，当外界环境变化较大时，检测装置可以准确地检测到结冰，并及时启动除冰系统自动除冰；当变化较小时，很难有效地检测到结冰状态。虽然早期叶片结冰对机组运行影响不明显，但随着环境的突变很容易演化成严重结冰。目前，对于叶片结冰，主要是在机组外部安装温度、湿度、振动等传感器，通过测量相应的数据变化来判断是否结冰，这样不仅增加了自身成本，还会影响叶片的空气动力学性能。中国专利CN201811296712.7公开了一种基于SCADA数据的机叶片结冰预测方法，包括获取归一化SCADA数据；获取影响风机叶片结冰的特征数据集；构建并训练风机叶片结冰预测模型；对训练后的风机结冰预测模型进行优化；对风机叶片是否结冰进行判断。但是该方法采集关键参数数据特征的过程复杂，且无法得到最佳特征属性，对于叶片结冰的早期预测结果精度和检测效率均不高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种提高检测精度和检测效率的风机叶片早期结冰故障预测方法。

本发明的目的可以通过以下技术方案来实现：

一种风机叶片早期结冰故障预测方法，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。

进一步地，所述的步骤S1中，通过SCADA系统采集获取预测参数数据，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。

进一步地，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。

更进一步地，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。