风力发电机叶片结冰检测算法研究

位于寒冷湿润气候区的风力涡轮机普遍存在的叶片结冰问题,但结冰过程时间关联性强、结冰过程缓慢,导致难以直接精确建模,数据驱动间接检测方法显示出了强大潜力。然而,结冰检测的时间窗口长度、时序特征的提取能力和数据信息冗余等问题,限制了数据驱动模型的性能。为解决这些问题,提出了一种基于斯皮尔曼相关系数的降维算法,对数据特征进行降维,减少数据输入冗余并保证时序特征信息的完整。将降维后的数据划分为15min,30min和60min的时间窗口,研究叶片结冰检测的最佳时间长度;最后将特征数据类型分为三类:温度、电流、其他,分别输入Attention-LSTM网络,利用注意力机制施加不同权重,增强模型对影响叶片结冰特征的提取能力。实验结果表明,与其他数据驱动模型对比,所构建的模型具有更优的性能。

基于SCADA数据的风机叶片结冰检测方法

针对工作在寒冷地区的风机易出现的叶片结冰现象,提出一种基于SCADA数据的风机叶片结冰检测方法。根据叶片结冰会增大发电机的功率损耗,选择风速与网侧有功功率2个变量,利用主成分分析技术构造对叶片结冰敏感的风速与网侧有功功率在非主成分方向投影特征,通过选择最优阈值使逻辑回归分类器适用于不平衡分类,可以实现风机叶片结冰检测自动化与智能化。通过中国工业大数据创新竞赛数据验证了该方法的有效性。

基于时序上采样卷积神经网络的风机叶片结冰检测

风电机组叶片结冰检测对风电机组的安全性、可靠性以及经济性具有非常重要的现实意义.针对风电机组运行观测数据的非平衡和单点无时序性问题,提出一种基于过采样和时序上采样卷积神经网络的风机叶片结冰检测方法.首先,采用数据自适应综合过采样算法对原始非平衡数据集进行重采样,实现对非平衡数据集的均衡;然后,提出并构建一种时序上采样卷积神经网络模型,将原始单点向量型数据进行重构并上采样为二维网格型数据,同时将其自动映射成为稀疏的特征表示,实现准确的风机叶片结冰检测功能;最后,将所提出方法在真实风场采集的数据集上进行验证.实验结果表明,所提出的风机叶片结冰检测方法在数据集非平衡且采集条件有限(单点无时序性数据)的情况下,具有一定的有效性、稳定性和可行性.

基于卷积神经网络的风机叶片结冰故障检测

发电机叶片结冰是风力发电中的常见问题,准确检测叶片结冰故障能有效提高风电场的安全性与发电效率。为了准确检测叶片结冰故障,提出一种基于卷积神经网络的检测模型。通过改变1×1卷积核数量,改变特征维度并增加卷积网络的非线性,检测真实运行的风力发电机Supervisory Control And Data Acquisition (SCADA)数据。在以上基础上,使用Swish激活函数和Synthetic minority oversampling technique (SMOTE)提高模型的检测效果,获得较高的检测准确率、召回率与F1分数。并且检测另一台风力发电机SCADA数据对比验证模型泛化性。检测结果表明,Swish激活函数和SMOTE均能有效提高泛化性,评价指标表明模型泛化性较强。最终检测结果为99.59%的准确率和96.80的故障样本F1分数,泛化性检测结果为93.42%的准确率和40.15的故障样本F1分数,代表着叶片结冰故障检测模型能准确检测结冰故障,具有较好的应用前景。

基于大数据分析的风机叶片结冰故障诊断

为了实现风力发电机叶片结冰故障诊断,及时进行风机叶片除冰,消除隐患。提出了基于大数据分析的人工智能算法识别风机叶片结冰的方法。首先,用结冰机理研究和数据探索的方法对风机运行数据进行分析,初步提取了24个特征量;然后,采用遗传算法对24个特征量、滑动窗口宽度和支持向量机参数进行联合优化,并据此建立叶片结冰故障诊断模型。诊断结果表明,用该模型诊断叶片结冰故障的准确率为86.2%,比采用SCADA采集所有数据或初步提取的24个特征量作为模型输入的准确率有大幅度的提高;并且,将该模型用于另一个#2风机时,故障诊断准确率也达到了78.5%,证明了该方法的有效性,并具有较好的泛化能力,为识别风机叶片结冰故障提供了新思路。