一种风机叶片结冰故障检测方法与流程

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。

技术实现要素：

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)；

步骤(2)，使用步骤(1)处理好的数据来训练宽度学习系统得到的诊断模型，模型训练完成后是一个二分类模型，两种分类代表结冰与不结冰两种状态，该步骤主要由以下子步骤实现：

步骤(2.1)，随机生成权重矩阵wei和偏置矩阵βei，映射生成特征节点(mappedfeature)zi，其中zi＝φ(xwei+βei)，φ是激活函数，i＝1......n，使用zⁿ≡[z1,...,zn]表示n个特征节点组成的特征节点集合；

步骤(2.2)，随机生成权重矩阵whj和偏置矩阵βhj，映射生成增强节点(mappednode)hj，其中hj＝ξ(zwhj+βhj)，ξ是激活函数，j＝1......m，使用h^m≡[h1,...,hm]表示m个增强节点组成的增强节点集合；

步骤(2.3)，将zⁿ和h^m进行矩阵拼接得到作为最终的网络输入层，网络输出其中使用a⁺＝[zⁿ|h^m]⁺代表矩阵的伪逆，计算公式为

步骤(2.4)，使用训练集对诊断模型进行训练，并使用测试集进行诊断模型测试，若测试结果的准确率要求则完成模型的训练，直接进入步骤(3)，否则进行步骤(2.5)；

步骤(2.5)，当诊断模型精度达不到要求时，可以通过增加特征节点或增强节点来横向添加节点增加诊断模型的拟合能力；

步骤(2.5.1)，当选择增加增强节点时，随机生成权重矩阵和偏置矩阵计算生成增强特征hm+1，其中更新输入矩阵更新网络权重其中

步骤(2.5.2)，当选择增加特征节点时，随机生成权重矩阵和偏置矩阵计算生成特征节点zn+1，其中随机生成权重矩阵和偏置矩阵计算生成增强节点其中更新输入矩阵更新网络权重其中

步骤(3)，对待测数据进行与步骤(1)相同的数据预处理后，使用步骤(2)得到的诊断模型进行诊断测试，当新增数据达到一定数量后，同时利用增量学习的方法对模型进行更新，新增数据表示为xa，模型更新步骤如下：

步骤(3.1)，使用新增数据xa，根据已经存在的参数生成新对应的特征节点和增强节点表示为其中更新后的输入矩阵可以表示为

步骤(3.2)，求出的伪逆及模型的新权重实现模型的更新；

步骤(4)，根据步骤(3)中的诊断结果判断风机叶片是否结冰，若诊断为结冰则报警，若正常则回到步骤(3)，在实现对风机叶片结冰故障实时检测的同时完成模型的更新。

在采用上述技术方案的同时，本发明还可以采用或者组合采用如下技术方案：

作为本发明的优选技术方案：所述步骤(2.1)中，生成映射节点zi的所用的激活函数φ取relu函数。

作为本发明的优选技术方案：所述步骤(2.2)中，生成增强节点hj的所用的激活函数ξ取sigmoid函数。

作为本发明的优选技术方案：所述步骤(2.3)中，初始网络输入层包含特征节点数量n＝50、增强节点数量m＝200。

作为本发明的优选技术方案：所述步骤(1.2)中，二维矩阵v中数据特征合并的相关性以皮尔逊相关性系数进行计算。

本发明提供一种风机叶片结冰故障检测方法，具有如下有益效果：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。宽度学习的单层结构避免了深度神经网络的多层网络结构，使得参数数量大幅减少，模型训练速度快。增量式学习的方法则解决了当数据增加时花费大量时间重新训练整个网络的窘境。在可接受的准确率范围内可替代深度神经网络，且速度快模型泛化能力强。

附图说明

图1为本发明所提供的风机叶片结冰故障检测方法的流程图。

图2为本发明使用的宽度学习系统模型。

具体实施方式

下面结合附图及具体实例，对本发明作进一步详细说明。

本案例使用数据集来自一台风机连续两个月的历史运行数据，其中可用数据共374147条，每个样本包含26个特征，这些特征分别是：风速(wind_speed)、发电机转速(generator_speed)、网侧有功功率(power)、迎风角度(wind_direction)、25秒平均风向角(wind_direction_mean)、偏航位置(yaw_position)、偏航速度(yaw_speed)、叶片1角度(pitch1_angle)、叶片2角度(pitch2_angle)、叶片3角度(pitch3_angle)、叶片1速度(pitch1_speed)、叶片2速度(pitch2_speed)、叶片3速度(pitch3_speed)、变桨电机1温度(pitch1_moto_tmp)、变桨电机2温度(pitch2_moto_tmp)、变桨电机3温度(pitch3_moto_tmp)、x方向加速度(acc_x)、y方向加速度(acc_y)、环境温度(environment_tmp)、机舱温度(int_tmp)、ng51温度(pitch1_ng5_tmp)、ng52温度(pitch2_ng5_tmp)、ng53温度(pitch3_ng5_tmp)、ng51充电器直流电流(pitch1_ng5_dc)、ng52充电器直流电流(pitch2_ng5_dc)、ng53充电器直流电流(pitch3_ng5_dc)。

结合如图1所示的一种风机叶片结冰故障检测方法的流程图，现对其具体实施步骤阐述如下：

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374147个可用的历史数据，每个历史数据具有26个特征变量，将374147个历史数据描述为一个二维矩阵v(374147×26)；

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，此处的相关性采用皮尔逊相关性系数进行计算；该步骤通过以下子步骤实现：

步骤(1.2.1)，通过相关性分析，叶片(#1/#2#/3)角度、叶片(#1/#2/#3)速度、变桨电机(#1/#2/#3)温度这三组变量皮尔逊相关系数达到0.95，因此将其取均值后作为新的特征，此时v(374147×20)；

步骤(1.2.2)，通过分析环境温度、机舱温度与结冰之间的关系，发现使用环境温度与机舱温度的差值能够更好的区分叶片结冰状态，因此将环境温度与机舱温度的差值作为新的特征，并同时删除环境温度与机舱温度这两个原始特征，此时v(374147×19)；

步骤(1.2.3)，通过分析x方向加速度、y方向加速度与结冰之间的关系，发现加速度散点基本是重叠状态，这预示着加速度并不能明显的区分叶片结冰状态，因此，删除这两个原始特征，此时v(374147×17)；

步骤(1.2.4)，数据集中正常样本数量达到89％，因此我们对正常数据样本欠采样并同时删除明显未结冰的数据，此时v(90539×17)，其中正常样本数66647个，异常样本数23892个，经过数据预处理后的数据在降低维度的同时使特征能够更加真实的反映叶片状况，这种处理方式相较于主流的主成分分析而言，能够尽可能多的保留原始信息，而得益于宽度学习系统较短的训练时间，这种尽可能保留更多原始数据处理的方式并不会给系统带来时间上的负担；

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；

步骤(2)，使用步骤(1)处理好的数据来训练宽度学习系统得到诊断模型，模型训练完成后是一个二分类模型，两种分类代表结冰与不结冰两种状态，该步骤主要由以下子步骤实现：

步骤(2.1)，随机生成权重矩阵wei和偏置矩阵βei，映射生成特征节点(mappedfeature)zi，其中zi＝φ(xwei+βei)，φ是激活函数，i＝1......n，使用zⁿ≡[z1,...,zn]表示n个特征节点组成的特征节点集合；

步骤(2.2)，随机生成权重矩阵whj和偏置矩阵βhj，映射生成增强节点(mappednode)hj，其中hj＝ξ(zwhj+βhj)，ξ是激活函数，j＝1......m，使用h^m≡[h1,...,hm]表示m个增强节点组成的增强节点集合；

步骤(2.3)，将zⁿ和h^m进行矩阵拼接得到作为最终的网络输入层，网络输出其中使用a⁺＝[zⁿ|h^m]⁺代表矩阵的伪逆，计算公式为：

步骤(2.4)，如图2所示，在获取到后，就可以使用训练集对模型进行训练，并使用测试集进行模型测试，若测试结果满足要求则完成模型的训练，直接进入步骤(3)，否则进入步骤(2.5)，本案例中要求诊断结果的准确率达到90％；

步骤(2.5)，当模型精度达不到要求时，可以通过增加特征节点或增强节点来横向添加节点增加模型的拟合能力；

步骤(2.5.1)，当选择增加增强节点时，随机生成权重矩阵和偏置矩阵计算生成增强特征hm+1，其中更新输入矩阵使用式(2)计算其伪逆

其中：

然后根据式(4)更新网络权重：

步骤(2.5.2)，当选择增加特征节点时，随机生成权重矩阵和偏置矩阵计算生成特征节点zn+1，其中随机生成权重矩阵和偏置矩阵计算生成增强节点其中更新输入矩阵并使用式(5)计算其伪逆

其中：

然后根据式(7)更新网络权重：

步骤(3)，对待测数据进行与步骤(1)相同的数据预处理后，使用步骤(2)学习到的模型进行诊断，当新增数据达到一定数量后，利用增量学习的方法对模型进行更新。新增数据表示为xa，模型更新步骤如下：

步骤(3.1)，使用新增数据xa根据式(8)生成新的特征节点和增强节点，并表示为ax

其中，于是更新后的输入矩阵可以表示为

步骤(3.2)，使用式(9)计算的伪逆

其中：

然后根据式(11)更新网络权重从而实现模型的更新：

步骤(4)，根据步骤(3)中的诊断结果判断风机叶片是否结冰，若诊断为结冰则报警，若正常则回到步骤(3)，在实现对风机叶片结冰故障实时检测的同时完成模型的更新。

结果验证：本实验最终使用90539个样本数据，其中正常样本数66647个，异常样本数23892个，每个样本具有17个特征，因此构成v(90539×17)的输入矩阵。其中使用63377个样本用于模型初始化训练，剩下的数据分四次进行增量学习，模拟当数据增加时网络的更新情况，从而验证算法的可行性及准确性。最终模型的特征节点数量n＝50、增强节点数量m＝200。

表1的结果充分表明：本发明能够兼顾模型训练时间和精度，且宽度学习系统中增量学习的方法有效的避免了模型参数的重复训练，训练耗时逐渐增长的原因是由于输入矩阵维度不断增长，因此在求伪逆的过程耗时也不断增长，这个耗时并不是模型结构的改变所导致的。从结果中还可以观察到，随着输入数据的增加，模型的精度也在增加，说明模型参数得到了有效的更新。

表1

上述具体实施方式用来解释说明本发明，仅为本发明的优选实施例，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改、等同替换、改进等，都落入本发明的保护范围。