[发明专利]一种风机叶片结冰故障检测方法

说明书

本发明提供了一种风机叶片结冰故障检测方法，该方法旨在不引入其他测量设备的前提下，使用宽度学习的方法快速准确的对风机叶片结冰故障进行检测。相较于深度神经网络，宽度学习系统是一种高效增量式浅层神经网络，宽度学习系统的建模不是通过堆叠更多的层数，而是通过横向增加更多的神经元节点提高自身的性能。由于宽度神经网络没有隐含层，因此网络结构简明，网络权值计算速度快，整个模型的建立快捷，能够满足工业需求。此外，当数据增加时，宽度学习系统也并不需要将整个模型进行重新训练，其采用增量式的方式进行学习，只需要针对新增的数据进行训练就能够取得良好的效果，充分利用数据保证了模型的有效性与稳定性。

技术领域

本发明属于风力发电过程检测领域，特别是涉及一种风机叶片结冰故障检测方法。

背景技术

风电是目前最成熟、最具发展潜力且基本实现商业化的新兴可再生能源技术。在全球各国中，中国的风电发展举世瞩目，年新增风电装机占全球的比例从2006年的不足10％上升到2010年的49％，且保持着不断增高的趋势。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，进而引发一系列严重后果。

目前国内关于叶片结冰故障的诊断仍然处于研究发展阶段，一般都是结冰状态比较严重后进行停机除冰，用于结冰探测的传感器也在发展之中，尚未普及。当前，对于风机叶片结冰故障的诊断主要技术手段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触发风机的报警，但该方法的缺点是当触发报警时，往往是已经发生了叶片大面积结冰现象，即不能在结冰的早期就及时诊断出来。

通过查阅资料发现，现有使用深度神经网络的技术进行风机叶片结冰故障检测，但是风机数据采集系统SCADA采集的数据量巨大且数据特征维度多，给深度神经网络模型的训练带来了实质性的困难。哪怕通过一定的手段例如主成分分析进行数据降维处理，通过长时间训练出来的模型泛化能力较差，这是由于不同风机所在地域环境的不同造成风机之间存在显著差异性。通过深度神经网络进行诊断的另一问题是，随着风机的持续运行数据不断的积累，通过历史数据训练出的模型可能早已不适合当前风机运行状况，因此也无法进行准确判断，而想要重新训练模型又需要较长的时间及完善的硬件设备。以上两个缺陷导致使用深度神经网络来进行风机叶片结冰故障检测仍未得到大面积推广。

发明内容

本发明的目的在于针对现有技术的不足，提供一种风机叶片结冰故障检测方法。该方法旨在不引入其他测量设备的前提下，使用宽度学习的方法快速准确的对风机叶片结冰故障进行检测。相较于深度神经网络，宽度学习系统是一种高效增量式浅层神经网络，宽度学习系统的建模不是通过堆叠更多的层数，而是通过横向增加更多的神经元节点提高自身的性能。由于宽度神经网络没有隐含层，因此网络结构简明，网络权值计算速度快，整个模型的建立快捷，能够满足工业需求。此外，当数据增加时，宽度学习系统也并不需要将整个模型进行重新训练，其采用增量式的方式进行学习，只需要针对新增的数据进行训练就能够取得良好的效果，充分利用数据保证了模型的有效性与稳定性。

具体地，该方法包括以下步骤：

一种风机叶片结冰故障检测方法，所述风机叶片结冰故障检测方法包括以下步骤：

步骤(1)，获取风机运行数据并进行预处理，最终获取能够用于宽度学习系统输入的数据集，该步骤主要由以下子步骤实现：

步骤(1.1)，获取风机I个可用的历史数据，每个历史数据具有J个特征变量，将I个历史数据描述为一个二维矩阵V(I×J)；

步骤(1.2)，将二维矩阵V中相关性较强的数据特征进行合并处理以减小特征维度；

步骤(1.3)，将处理好的数据集划分为训练集和测试集，将划分后的训练集描述为一个具有N个样本，每个样本具有M个特征变量的二维矩阵X(N×M)；