CN109522627B - 基于scada数据的风机叶片结冰预测方法 - Google Patents

Abstract

本发明提出了一种基于SCADA数据的机叶片结冰预测方法，用于解决现有技术中存在的预测准确率较低，且在风机叶片结冰状况不明显时无法实现预测的局限性技术问题。实现步骤为：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。本发明充分考虑所有采集的数据对风机叶片结冰的影响，在提升风机叶片结冰状态预测准确度的前提下，实现了对风机叶片结冰的实时预测诊断。

Description

基于SCADA数据的风机叶片结冰预测方法

技术领域

本发明属于风力发动机结冰检测领域，涉及一种风机叶片结冰的预测方法，具体涉及一种基于SCADA数据的风机叶片结冰预测方法。

背景技术

风机通过叶片来获取风能，并将风能转化为机械能，从而驱动发电机发电，进而实现风能到电能的转化。因此，叶片是风机的核心组件，其获取风能的效率是保证风机高发电量的关键因素。

风机中的SCADA(Supervisory Control And Data Acquisition)***，即数据采集与监视控制***，是以计算机为基础的DCS与电力自动化监控***，可以对现场的运行设备进行监视和控制，以实现数据采集、设备控制、测量、参数调节等功能。

在不同地域中，风机所面对的不同环境例如较低的温度、较高的湿度、较大的风沙等都会对风机机组的正常工作造成一定影响，而在某些低温高湿环境中可能导致风机叶片结冰，由于叶片上冰块的不均匀分布，使得叶片所受载荷分布发生变化，从而影响叶片的启动效率，降低风机机组的发电量，还会改变风机叶片的共振频率，进而改变其动态响应行为，严重时会导致叶片断裂并对风机带来损害，所以低温高湿环境所导致的叶片结冰问题是风力发电设备维护面临的主要问题。由于风机机组结冰的引起的不仅仅是风机机组发电量下降的生产效率问题，还可能在冰层黏着力下降的情况下，出现冰块脱落，造成运营事故。此外，严重停机故障的发生往往是由于叶片结冰随着时间积累不断劣化，倘若能在结冰早期分析识别出冰片的存在，可大大减少严重故障的发生。所以对风机叶片结冰预测方法进行深入研究是十分必要的。

从目前公开的资料来看，风机叶片结冰检测的方法主要为：通过加装风机机载设备包括传感器、采集器、处理器和存储器等对风机叶片结冰与否进行检测。主要技术手段往往通过分析风机叶片结冰所产生的与正常状态不同的噪音来对叶片结冰状态进行识别检测，无法准确的识别诸如叶片载荷改变、砂石天气等其他情况所产生的噪音与结冰状态的噪音区别，从而不能达到对风机叶片结冰状态的准确检测。与此同时，通过识别噪音等手段无法在冰片刚出现时识别，往往只能在结冰已经出现且冰块较大时才能发现，并不能做到及时发现并处理。

目前对于风机叶片结冰预测数据挖掘方面的研究仍然较为匮乏，现阶段的研究主要集中于研究冰冻如何影响测风塔及风速仪，此外，如何将这种结冰情况量化为具体的发电量损失，建立结冰强度和发电量损失之间的定量关系也是其他学者的主要研究目标，对于风机机组结冰问题的关注点并不是准确预测风机机组叶片结冰条件和结冰程度，从而为人工或自动除冰打下良好的基础。例如，芬兰技术研究中心的Makkonen L在其发表的论文“Models for the growth of rime,glaze,icicles and wet snow on structures[J]”(Philosophical transactions of the royal society,2012(358):2913-2939)中开发了一种模拟叶片在风洞实验条件下，由干燥到湿润的环境下冰的增长过程的Turbice模型。该模型模拟除冰过程中所需的加热量，同时提供液滴轨迹、液体收集效率、能量和质量平衡、积冰的形状和厚度等信息，但是该模型模拟条件均是定常的外部环境，二维模型主要针对架空电力线路的冰冻仿真，三维模型则仅应用于飞机叶片积冰仿真。该种方法并未考虑到气象条件(如风速)或机械因素(如振动或弯曲对风电机组叶片的影响)，从而将积冰过程参数化并且能够模拟长期结冰过程，也就不能准确地预测风机叶片结冰程度。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提供了一种基于SCADA数据的风机叶片结冰预测方法，旨在实现对风机叶片结冰进行预测和诊断，从而使应激型的维护方式变为主动预测型的维护方式，用于解决现有技术中存在的预测准确率较低，且在风机叶片结冰状况不明显时无法实现预测的局限性技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取归一化SCADA数据：

对风机SCADA***过往采集的包括风机工况参数数据和运行参数数据的SCADA数据进行归一化，得到归一化SCADA数据；

(2)获取影响风机叶片结冰的特征数据集：

设定提取关键参数数据权重的阈值为δ，并将从归一化SCADA数据中筛选出的权重大于δ的工况参数数据和运行参数数据，作为影响风机叶片结冰的关键参数数据特征，组成特征数据集；

(3)构建并训练风机叶片结冰预测模型：

构建风机叶片结冰预测模型A，并通过特征数据集对A进行训练，得到训练后的风机叶片结冰预测模型B；

(4)对训练后的风机叶片结冰预测模型B进行优化：

(4a)沿训练后的风机叶片结冰预测模型B的权值θ的负梯度方向对θ进行迭代更新，分别计算更新后每一个权值所对应的损失函数，并将最小损失函数对应的权值作为最优权值，具有最优权值的风机叶片结冰预测模型即为权值优化的风机叶片结冰预测模型C；

(4b)对权值优化的风机结冰预测模型C的阈值β进行迭代更新，分别计算更新后每一个阈值所对应的结冰预测准确度，并将最高结冰预测准确度对应的阈值作为最优阈值，具有最优权值和最优阈值的风机叶片结冰预测模型即为优化后的风机叶片结冰预测模型D；

(5)对风机叶片是否结冰进行判断：

风机SCADA***实时采集关键参数数据特征对应的风机SCADA数据，并将其输入到优化后的风机叶片结冰预测模型D中，然后比较D的输出值与阈值大小，当D的输出值大于等于D的阈值时，判定风机叶片为结冰，当D的输出值小于D的阈值时，判定风机叶片为未结冰。

本发明与现有技术相比，具有如下优点：

1.本发明采用数据挖掘和建模方法，通过从风机SCADA***过往采集到的包括风机工况参数数据和运行参数数据的SCADA数据，充分考虑收集到的所有数据对风机叶片结冰问题所造成的影响，建立了经过大数据训练、权值和阈值进行过深度优化的风机叶片结冰预测模型，之后可通过将风机SCADA***实时采集关键参数数据特征对应的风机SCADA数据输入模型，对风机叶片结冰程度的进行检测判断，具有较高的准确度。

2.本发明的数据采集***可以充分采集并存储关于风机叶片的过往及实时数据，通过提取关键参数特征提高模型预测精度、去除数据噪音和降低运算量，将大数据方式的实时性与故障预测和诊断相结合，建立了一种主动预测性的维护方式，在满足结冰状态检测准确性的前提下，大幅降低检测所需时间、除冰所需成本以及结冰可能造成的故障危险程度。由于本发明将风机叶片结冰程度以模型输出值即一个量化指标的形式明确的表示出来，所以不仅可以当风机叶片结冰模型输出值大于等于结冰阈值时判定为叶片结冰，当风机叶片结冰模型输出值由小到大接近结冰阈值时做出预测有可能发生叶片结冰；且可以当模型输出值等于结冰阈值时判定为风机叶片存在冰水混合物，以模型输出值高出结冰阈值的大小程度表征风机叶片的结冰严重程度，从而解决了现有技术在风机叶片结冰状况不明显时无法实现预测的局限性技术问题。

附图说明

图1为本发明的实现流程图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步详细描述。

参照图1.一种基于SCADA数据的风机叶片结冰预测方法，包括如下步骤：

步骤1)获取归一化SCADA数据：

对风机SCADA***过往采集的包括风机工况参数数据和运行参数数据的SCADA数据进行归一化，得到归一化SCADA数据；

通过风机SCADA***共采集西部某风场单台风机2015年11月和12月两个月共四十万条数据及通过人工观测所得对应时刻结冰状态信息，包括26个不同参数，具体如下所示：

工况参数数据包括：风速、发电机转速、网侧有功功率、对风角、25秒平均风向角、环境温度和机舱温度；

运行参数数据包括：机舱偏航位置、机舱偏航速度、第1叶片角度和速度、第2叶片角度和速度、第3叶片角度和速度、第1变桨电机温度、第2变桨电机温度、第3变桨电机温度、三个叶片所处平面水平X方向加速度和垂直Y方向加速度、第1Ng5充电器温度和直流电流、第2Ng5充电器温度和直流电流、第3Ng5充电器温度和直流电流。

步骤2)获取影响风机叶片结冰的特征数据集：

设定提取关键参数数据权重的阈值为δ，并将从归一化SCADA数据中筛选出的权重大于δ的工况参数数据和运行参数数据，作为影响风机叶片结冰的关键参数数据特征，组成特征数据集；

为了缩减数据维度，去除无关数据对叶片结冰模型的影响，同时降低计算量提高计算速度，特采用Relief算法实现关键参数数据特征提取，实现步骤为：

步骤2a)定义SCADA***过往采集到的工况参数数据和运行参数数据向量为A，过往采集到的工况参数数据和运行参数数据组成的风机历史数据集为E，样本抽样次数为m，提取特征权重的阈值为δ，特征权重向量W(A)为0；

步骤2b)从历史数据集E中随机抽取一个样本R，并根据风机历史故障信息确定样本R是否处于结冰状态；

步骤2c)从历史数据集E中抽取出与样本R处于同一结冰状态的样本中欧氏距离最近的样本作为猜中近邻H，同时从历史数据集E中抽取出与样本R处于不同结冰状态的样本中欧氏距离最远的样本作为猜错近邻M；

步骤2d)根据猜中近邻H和猜错近邻M，计算特征权重向量为W(A)：

W(A)＝W(A)-diff(R,H)+diff(R,M)；

步骤2e)判断抽取样本数是否达到样本抽样次数m，若是，则从特征权重向量W(A)中选取高于提取特征权重阈值δ的特征向量作为提取关键参数数据特征T，否则，重复执行步骤(2b)～(2d)。

步骤3)构建并训练风机叶片结冰预测模型：

构建风机叶片结冰预测模型A，并通过特征数据集对A进行训练，得到训练后的风机叶片结冰预测模型B；

对风机叶片结冰进行检测归根到底是一个将风机状态分为结冰与未结冰两种不同状态的分类问题，为了将结冰状态更好的区分开，故选取logistic回归模型完成分类任务，为了解决结冰的数据量比未结冰的正常数据量少的多的问题，同时也更关注结冰状态的影响，需要赋予结冰状态的数据更大的权重，对logistic回归模型采用粒子群算法优化能很好地解决上述问题，实现步骤为：

步骤3a)设定粒子数量为p_N，搜索空间维度为dim，加速常数为c₁和c₂，迭代次数为I_Max，最大飞翔速度为v_Max；

步骤3b)初始化惯性因子为w，初始化每个粒子的位置为v_i，初始化每个粒子的速度为p_i；

步骤3c)根据适应度函数计算当前各个粒子的适应度值，并设置当前各个粒子的适应度为个体极值J_best；

步骤(3d)将各个粒子的个体极值J_best中最大的个体极值作为全局极值g_besti；

步骤3e)根据惯性因子

对每个粒子的速度和位置进行更新，并根据适应度函数计算更新速度和位置后的每个粒子的适应度值；

步骤3f)比较每个粒子的个体极值J_best与更新速度和位置后的适应度值的大小，如果适应度值大于个体极值J_best，则用适应度值替换个体极值J_best，否则，个体极值J_best不变；

步骤3g)比较每个粒子的全局极值

与更新后速度和位置后的适应度值的大小，如果适应度值大于于全局极值

则用适应度值替换全局极值

否则，全局极值

不变；

步骤3h)判断是否达到最大迭代更新次数I_Max，若是，则输出全局极值

作为Logistic回归模型的权值参数，否则，重复执行步骤(3c)～(3g)。

步骤4)对训练后的风机叶片结冰预测模型B进行优化：

步骤4a)沿训练后的风机叶片结冰预测模型B的权值θ的负梯度方向对θ进行迭代更新，分别计算更新后每一个权值所对应的损失函数，并将最小损失函数对应的权值作为最优权值，具有最优权值的风机叶片结冰预测模型即为权值优化的风机叶片结冰预测模型C；

为了找出数据空间中可以将结冰与未结冰数据尽量完美的划分为两边的超平面，对风机叶片结冰模型的权值进行优化，实现步骤为：

步骤4a1)设定梯度下降算法优化的风机叶片结冰预测模型的初始权值为Logistic回归模型的权值，并设定最大迭代次数；

步骤4a2)沿初始权值按负梯度方向根据迭代公式更新权值θ，迭代公式为：

θ:＝θ+ρ·datamatrix^T(Y-P)

其中,datamatrix是数据集对应的矩阵；Y＝(y₁,y₂,…,y_n)^T是历史数据集的样本分类标签向量；P＝(p₁,p₂,…,p_n)^T，其中

x_ij为历史数据集对应矩阵的第i行第j列元素；θ＝(α,β₁,β₂,…,β_k)是Logistic回归模型的权值向量,ρ是步长；

步骤4a3)输出最优权值。

步骤4b)对权值优化的风机叶片结冰预测模型C的阈值β进行迭代更新，分别计算更新后每一个阈值所对应的结冰预测准确度，并将最高结冰预测准确度对应的阈值作为最优阈值，具有最优权值和最优阈值的风机结冰预测模型即为优化后的风机叶片结冰预测模型D；

准确界定叶片结冰状态所处的阈值，使得冰水混合物状态刚好等于阈值，对阈值优化的实现步骤为：

步骤4b1)设置阈值β以及最大迭代步长i；

步骤4b2)根据公式β：＝β+0.05i计算当前迭代步长下的阈值β，并将该阈值作为叶片结冰预测模型的结冰阈值。

步骤5)对风机叶片是否结冰进行判断：

风机SCADA***实时采集关键参数数据特征对应的风机SCADA数据，并将其输入到优化后的风机叶片结冰预测模型D中，然后比较D的输出值与阈值大小，当D的输出值大于等于D的阈值时，判定风机叶片为结冰，当D的输出值小于D的阈值时，判定风机叶片为未结冰。

将风机叶片结冰程度以模型输出值即一个量化指标的形式明确的表示出来，所以不仅可以当风机叶片结冰模型输出值大于等于结冰阈值时判定为叶片结冰，当风机叶片结冰模型输出值由小到大接近结冰阈值时做出预测有可能发生叶片结冰；且可以当模型输出值等于结冰阈值时判定为风机叶片存在冰水混合物，以模型输出值高出结冰阈值的大小程度表征风机叶片的结冰严重程度。

以下结合仿真实验，对本发明的技术效果作进一步说明。

1、实验条件

本发明的数据仿真实验是在Intel(R)Core(TN)[email protected]的硬件环境下，Matlab2014b的软件环境下进行的。

2.实验内容及结果分析

通过SCADA***实时采集风力发电机的当前工况参数数据、运行参数数据，共有如下26种参数：

工况参数数据包括：风速、发电机转速、网侧有功功率、对风角、25秒平均风向角、环境温度和机舱温度；

运行参数数据包括：机舱偏航位置、机舱偏航速度、第1叶片角度和速度、第2叶片角度和速度、第3叶片角度和速度、第1变桨电机温度、第2变桨电机温度、第3变桨电机温度、三个叶片所处平面水平X方向加速度和垂直Y方向加速度、第1Ng5充电器温度和直流电流、第2Ng5充电器温度和直流电流、第3Ng5充电器温度和直流电流。

对风机SCADA数据做归一化及预处理，得到归一化SCADA数据。

根据风机的历史数据及结冰记录，使用Relief算法对采集到的工况参数数据和运行参数数据进行筛选，设定采样次数为1000次，权重阈值为3000，得到关键参数数据特征如下：

风速、发电机转速、网测有功功率、对风角、25秒平均风向角、机舱偏航位置、第3叶片角度、第2变桨电机温度、三个叶片所处平面水平X方向加速度和垂直Y方向加速度、环境温度。

根据风机的历史数据及结冰记录，利用提取的关键参数数据特征，通过基于粒子群算法的Logistic回归模型建立叶片结冰预测模型，设定粒子数量p_N为40，搜索空间的维度dim＝20，加速常数c₁＝c₂＝2，迭代次数I_Max＝20，最大飞翔速度v_Max＝0.9，约束因子α设置为1，粒子位置和速度都初始化为[0,1]之间的随机数。

利用梯度下降算法，将基于粒子群算法的Logistic回归模型中的权值系数作为初始权值，对叶片结冰预测模型的权值进行优化，设置最大迭代次数设置为1000，步长ρ设置为0.001，得到叶片结冰预测模型的最优权值。

利用网格搜索算法，在已得到最优权值的基础上，对叶片结冰预测模型的原阈值0.5进行优化，设置最大迭代步长为20，得到叶片结冰预测模型的最优阈值0.5918。

将实时采集的SCADA数据输入叶片结冰预测模型中，并利用提取的关键参数特征，进行叶片结冰的诊断和预测，得到当前叶片实时的结冰状态，预测和诊断效果以准确度评判，准确度可达到93.2，而现有的技术方法准确度一般在85左右。

准确度公式如下：

其中，α、β为不同结冰状态权重，N_normal为正常数据数量，N_fault为结冰数据数量，FN和FP的解释如下表所示：

Claims (6)

1.一种基于SCADA数据的风机叶片结冰预测方法，其特征在于，包括如下步骤：

(1)获取归一化SCADA数据：

对风机SCADA***过往采集的包括风机工况参数数据和运行参数数据的SCADA数据进行归一化，得到归一化SCADA数据；

(2)获取影响风机叶片结冰的特征数据集：

设定提取关键参数数据权重的阈值为δ，并将从归一化SCADA数据中筛选出的权重大于δ的工况参数数据和运行参数数据，作为影响风机叶片结冰的关键参数数据特征，组成特征数据集；

(3)构建并训练风机叶片结冰预测模型：

构建风机叶片结冰预测模型A，并通过特征数据集对A进行训练，得到训练后的风机叶片结冰预测模型B；

(4)对训练后的风机叶片结冰预测模型B进行优化：

(4a)沿训练后的风机结冰预测模型B的权值θ的负梯度方向对θ进行迭代更新，分别计算更新后每一个权值所对应的损失函数，并将最小损失函数对应的权值作为最优权值，具有最优权值的风机叶片结冰预测模型即为权值优化的风机叶片结冰预测模型C；

(4b)对权值优化的风机叶片结冰预测模型C的阈值β进行迭代更新，分别计算更新后每一个阈值所对应的结冰预测准确度，并将最高结冰预测准确度对应的阈值作为最优阈值，具有最优权值和最优阈值的风机叶片结冰预测模型即为优化后的风机叶片结冰预测模型D；

(5)对风机叶片是否结冰进行判断：

风机SCADA***实时采集关键参数数据特征对应的风机SCADA数据，并将其输入到优化后的风机叶片结冰预测模型D中，然后比较D的输出值与阈值大小，当D的输出值大于等于D的阈值时，判定风机叶片为结冰，当D的输出值小于D的阈值时，判定风机叶片为未结冰。

2.根据权利要求1所述的基于SCADA数据的风机叶片结冰预测方法，其特征在于，步骤(1)中所述的工况参数数据和运行参数数据，其中：

工况参数数据包括：风速、发电机转速、网侧有功功率、对风角、25秒平均风向角、环境温度和机舱温度；

运行参数数据包括：机舱偏航位置、机舱偏航速度、第1叶片角度和速度、第2叶片角度和速度、第3叶片角度和速度、第1变桨电机温度、第2变桨电机温度、第3变桨电机温度、三个叶片所处平面水平X方向加速度和垂直Y方向加速度、第1Ng5充电器温度和直流电流、第2Ng5充电器温度和直流电流、第3Ng5充电器温度和直流电流。

3.根据权利要求1所述的基于SCADA数据的风机叶片结冰预测方法，其特征在于，步骤(2)中所述的提取关键参数数据特征，采用Relief算法，实现步骤为：

(2a)定义SCADA***过往采集到的工况参数数据和运行参数数据向量为A，过往采集到的工况参数数据和运行参数数据组成的风机历史数据集为E，样本抽样次数为m，提取特征权重的阈值为δ，特征权重向量W(A)为0；

(2b)从历史数据集E中随机抽取一个样本R，并根据风机历史故障信息确定样本R是否处于结冰状态；

(2c)从历史数据集E中抽取出与样本R处于同一结冰状态的样本中欧氏距离最近的样本作为猜中近邻H，同时从历史数据集E中抽取出与样本R处于不同结冰状态的样本中欧氏距离最远的样本作为猜错近邻M；

(2d)根据猜中近邻H和猜错近邻M，计算特征权重向量为W(A)：

W(A)＝W(A)-diff(R,H)+diff(R,M)；

(2e)判断抽取样本数是否达到样本抽样次数m，若是，则从特征权重向量W(A)中选取高于提取特征权重阈值δ的特征向量作为提取关键参数数据特征T，否则，重复执行步骤(2b)～(2d)。

4.根据权利要求1所述的基于SCADA数据的风机叶片结冰预测方法，其特征在于，步骤(3)中所述的构建风机叶片结冰预测模型A，采用经粒子群算法优化的logistic回归模型，实现步骤为：

(3a)设定粒子数量为p_N，搜索空间维度为dim，加速常数为c₁和c₂，迭代次数为I_Max，最大飞翔速度为v_Max；

(3b)初始化惯性因子为w，初始化每个粒子的位置为v_i，初始化每个粒子的速度为p_i；

(3c)根据适应度函数计算当前各个粒子的适应度值，并将当前各个粒子的适应度值作为个体极值J_best；

(3d)将各个粒子的个体极值J_best中最大的个体极值作为全局极值

(3e)根据惯性因子

对每个粒子的速度和位置进行更新，并根据适应度函数计算更新速度和位置后的每个粒子的适应度值；

(3f)比较每个粒子的个体极值J_best与更新速度和位置后的适应度值的大小，如果适应度值大于个体极值J_best，则用适应度值替换个体极值J_best，否则，个体极值J_best不变；

(3g)比较每个粒子的全局极值

与更新后速度和位置后的适应度值的大小，如果适应度值大于于全局极值

则用适应度值替换全局极值

否则，全局极值

不变；

(3h)判断是否达到最大迭代更新次数I_Max，若是，则输出全局极值

作为Logistic回归模型的权值参数，否则，重复执行步骤(3c)～(3g)。

5.根据权利要求1所述的基于SCADA数据的风机叶片结冰预测方法，其特征在于，步骤(4a)中所述的沿风机叶片结冰预测模型B的权值θ的负梯度方向对θ进行迭代更新,实现步骤为：

(4a1)设定梯度下降算法优化的风机叶片结冰预测模型的初始权值为Logistic回归模型的权值，并设定最大迭代次数；

(4a2)沿初始权值按负梯度方向对权值θ进行更新，得到最优权值并输出，迭代公式为：

θ:＝θ+ρ·datamatrix^T(Y-P)

其中,datamatrix是数据集对应的矩阵；Y＝(y₁,y₂,…,y_n)^T是历史数据集的样本分类标签向量；P＝(p₁,p₂,…,p_n)^T，其中

x_ij为历史数据集对应矩阵的第i行第j列元素；θ＝(α,β₁,β₂,…,β_k)是Logistic回归模型的权值向量,ρ是步长。

6.根据权利要求1所述的基于SCADA数据的风机叶片结冰预测方法，其特征在于，步骤(4b)中所述的对权值优化的风机结冰预测模型C的阈值β进行迭代更新，实现步骤为：

(4b1)设置阈值β以及最大迭代步长i；

(4b2)根据公式β：＝β+0.05i计算当前迭代步长下的阈值β，并将β作为叶片结冰预测模型的结冰阈值。

Images