[发明专利]一种改进RNN网络的风机结冰预测方法

说明书

本发明公开了一种改进RNN网络的风机结冰预测方法，包括以下步骤：首先进行数据预处理，随后采用MIV评价指标与t‑分布对SCADA特征进行降维，再输入RNN模型，用于对风力发电机的SCADA数据中的风速、功率、机舱温度进行时间序列上的有效预测，实现对叶片结冰故障机理进行评价。本发明提供的改进RNN网络的风机结冰预测方法，将工业数据与基于特征选择、数据预处理和分类算法的技术相结合，增强了风机结冰预测能力，相较于传统基于数据驱动的风机结冰故障预测，可以有效减小模型不确定性带来的影响，缩短计算时间、提升预测效率，可用于离线SCADA数据故障预测，也可融入在线实时SCADA数据采集系统进行预测。

技术领域

本发明属于风电故障预测技术领域，具体涉及一种改进RNN网络的风机结冰预测方法。

背景技术

低温环境下叶片结冰是风电设备维护中的一个全球性问题。叶片附着在大量冰块上，改变了风机叶片的共振频率，进而改变了叶片的动态响应，存在叶片断裂的风险，严重影响风机运行的安全性和效率。风机叶片SCADA(监控与采集)系统在实际功率和理论值与触发报警严重不一致时，一般会有结冰检测和除冰系统。然而，在大多数情况下，当系统触发报警时，冻结现象严重，风机叶片的运行已经处于极大的风险之中。为了提高除冰系统的效率、减少风机叶片容量损失和叶片运行风险，迫切需要一种风机叶片结冰故障预测算法。

随着计算机技术的不断发展，数据的采集和存储变得越来越便宜。通过对数据的挖掘和建模，可以预测和确定一定的后续缺陷，确保现有的顺从维修方式转化为主动预测维修方式，有效降低风电设备的人工成本和维修成本。与传统风机结冰故障检测方法相比，这种方法并不过分依赖专业知识。

风机SCADA数据必须考虑数据的真实性，在实际工业生产过程中，由于测量仪器或变送器的故障、测量数据与不真实数据、离群值、缺失点和异常样本的异常干扰和混合等原因，数据受到影响。此外，风力发电机叶片结冰故障需要及时预警，但是对于海量的高维风机SCADA系统数据，如果将收集到的大量数据不经分析就扔进学习模型中，无法充分发挥模型的作用，而且过多的冗余信息会造成预测结果的混乱和预测时间的增加。

发明内容

为解决现有技术中存在的技术问题，本发明的目的在于提供一种改进RNN网络的风机结冰预测方法。

为实现上述目的，达到上述技术效果，本发明采用的技术方案为：

一种改进RNN网络的风机结冰预测方法，包括以下步骤：

首先进行数据预处理，随后采用MIV评价指标与t-分布对SCADA特征进行降维，再输入RNN模型，用于对风力发电机的SCADA数据中的风速、功率、机舱温度进行时间序列上的有效预测，实现对叶片结冰故障机理进行评价。

进一步的，所述数据预处理的步骤包括：

对风机SCADA数据进行贴标签，结冰的标签为“1”，未冻结的标签为“0”，其余的被认为是标签为“2”的无效数据，剔除无效数据，采用SMOTE算法处理不平衡数据。

进一步的，采用SMOTE算法处理不平衡数据的公式为：

x_new＝x_i+rand(0，1)×|x_i-x_n|

式中，x_i为某一少类样本，即覆冰样本，x_n为x_i的一个邻近样本，最终生成新样本x_new，最终调整覆冰样本与正常样本比例为1∶1。

进一步的，所述MIV评价指标通过以下方法计算得到：