一种风力发电机履冰监测方法与流程

本发明涉及风力发电机监测的，尤其涉及一种风力发电机履冰监测方法。

背景技术：

1、现今，风力发电已成为我国电能生产的主要方式之一，其不仅具有较强的清洁无污染特性，而且还能有效降低生产成本，提高资源、能源利用率。但是有些风能发电地区的冬季温度较低，一旦外界环境温差较大，就会导致风力发电机叶片上出现覆冰情况，进而严重影响机组的正常运行，使得风力发电质量和效率大大降低，针对该问题，本发明提出一种风力发电机履冰监测方法，保证风力发电机安全运行。

技术实现思路

1、有鉴于此，本发明提供一种风力发电机履冰监测方法，目的在于：1)由于在恶劣天气场景下，所采集风力发电机风叶图像存在大量图像噪声信号，因此通过采取多尺度图像分解，并利用结合分解尺度的自适应阈值对不同尺度下的分解结果进行噪声信号过滤处理，其中尺度越高则阈值越大，高尺度分解结果的处理程度越低，避免过滤大量高尺度下的轮廓信息，实现对采集的风力发电机风叶图像的去噪处理，并对去噪后的风力发电机风叶图像进行分段增强处理，当图像像素的原始灰度值过低或过高时，采用对数变换对像素灰度值进行处理，扩展低灰度值的范围并压缩高灰度值范围，即将图像中暗的部分扩展，抑制图像中亮的部分，突出恶劣天气下所采集图像中的昏暗部分，有利于恶劣天气下的风力发电机履冰监测，并在其他灰度值区间中采用伽马变换，增强不同灰度级之间差异，实现图像细节增强，提高覆冰厚度监测的准确率；2)通过构建结合图像形态特征的风力发电机风叶履冰识别模型，基于图像形态特征选取最优边缘检测算子模板，利用所选取的边缘检测算子模板进行边缘检测，得到风力发电机风叶的履冰边缘图像，进而计算得到风力发电机风叶表面的冰面厚度，在模型优化过程中，新增待优化模型参数向量的近似项对模型参数向量进行调节优化，避免迭代更新后的模型参数向量偏离稳定结果过多。

2、实现上述目的，本发明提供的一种风力发电机履冰监测方法，包括以下步骤：

3、s1：采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像，其中自适应阈值为所述去噪处理的主要实施方式；

4、s2：对去噪后的风力发电机风叶图像进行分段增强处理，得到增强后的风力发电机风叶图像；

5、s3：构建风力发电机风叶履冰识别模型，所述模型以增强后的风力发电机风叶图像为输入，以履冰边缘图像为输出；

6、s4：利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，得到最优风力发电机风叶履冰识别模型，其中近似交替方向优化方法为所述非凸优化方法的主要实施方法；

7、s5：利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，并基于履冰边缘图像计算风力发电机风叶表面的冰面厚度，若冰面厚度超过预设置的冰面阈值则进行预警。

8、作为本发明的进一步改进方法：

9、可选地，所述s1步骤中采集风力发电机风叶图像并对采集的风力发电机风叶图像进行去噪处理，包括：

10、在风力发电机附近部署摄像机，利用摄像机实时采集当前时刻的风力发电机风叶图像，并对所采集的风力发电机风叶图像进行去噪处理，得到去噪后的风力发电机风叶图像，其中去噪处理流程为：

11、s11：对所采集的风力发电机风叶图像i进行灰度化处理，其中灰度化处理公式为：

12、g(i,j)＝max{r(i,j),g(i,j),b(i,j)},i∈[1,m],j∈[1,n]

13、其中：

14、r(i,j),g(i,j),b(i,j)表示风力发电机风叶图像i中像素i(i,j)分别在r,g,b颜色通道的颜色值；像素i(i,j)表示风力发电机风叶图像i中第i行第j列的像素；

15、g(i,j)表示风力发电机风叶图像i中像素i(i,j)的灰度值；

16、m表示风力发电机风叶图像的行像素数目，n表示风力发电机风叶图像的列像素数目；

17、s12：构建空间滤波系数矩阵w：

18、

19、其中：

20、w(a1,a2)表示空间滤波系数矩阵w中的滤波系数，a1,a2＝{-1,0,1}

21、s13：利用空间滤波系数矩阵w对风力发电机风叶图像中任意像素i(i,j)的灰度值进行空间滤波处理，其中空间滤波处理的公式为：

22、

23、其中：

24、g′(i,j)表示空间滤波处理后像素i(i,j)的灰度值；

25、s14：以风力发电机风叶图像的中心像素为原点，水平方向为x轴方向，竖直方向为y轴方向，将风力发电机风叶图像中像素位置映射到坐标系，其中f(x,y)表示处于坐标(x,y)的像素的灰度值，该灰度值为空间滤波处理后像素的灰度值；

26、s15：调节图像分解尺度b，对风力发电机风叶图像进行多尺度分解处理：

27、

28、其中：

29、d(b)表示尺度b下的风力发电机风叶图像分解结果，b∈[1,b]，[1,b]表示风力发电机风叶图像的分解尺度范围，b表示最大图像分解尺度；

30、q表示虚数单位，q2＝-1；

31、e表示自然常数；

32、s16：构建自适应调节的阈值函数：

33、

34、其中：

35、λb表示对尺度b下风力发电机风叶图像分解结果进行处理的阈值；

36、λ表示基准阈值；

37、s17：基于阈值函数对不同尺度下的风力发电机风叶图像分解结果进行处理，过滤不同尺度下图像分解结果的噪声信号，其中处理公式为：

38、

39、其中：

40、d′(b)表示处理后的尺度b下的风力发电机风叶图像分解结果；

41、s18：将噪声信号过滤后的图像分解结果进行重构，得到去噪后的风力发电机风叶图像：

42、

43、其中：

44、i′表示去噪后的风力发电机风叶图像，f′(x,y)表示i′中处于坐标(x,y)的像素的灰度值。

45、可选地，所述s2步骤中对去噪后的风力发电机风叶图像进行分段增强处理，包括：

46、对去噪后的风力发电机风叶图像i′进行分段增强处理，得到分段增强处理后的风力发电机风叶图像i″，其中分段增强处理公式为：

47、

48、其中：

49、f1,f2为分段灰度值，f1<f2；

50、f′(x,y)表示i′中处于坐标(x,y)的像素的灰度值；

51、f″(x,y)表示i′中处于坐标(x,y)的像素的分段增强后灰度值。

52、在本发明实施例中，当原始灰度值过低或过高时，采用对数变换对像素灰度值进行处理，扩展低灰度值的范围并压缩高灰度值范围，即将图像中暗的部分扩展，抑制图像中亮的部分，突出恶劣天气下所采集图像中的昏暗部分，有利于恶劣天气下的风力发电机履冰监测，并在其他灰度值区间中采用伽马变换，增强像素的细节。

53、可选地，所述s3步骤中构建风力发电机风叶履冰识别模型，包括：

54、构建风力发电机风叶履冰识别模型，所述模型以增强后的风力发电机风叶图像为输入，以履冰边缘图像为输出，其中基于形态分析的细胞机为风力发电机风叶履冰识别模型的主要结构；

55、所构建模型包括输入层、形态特征提取层、模板选择层以及输出层，输入层用于接收增强后的风力发电机风叶图像，形态特征提取层用于提取增强后的风力发电机风叶图像的形态特征，基于形态特征选取边缘检测算子模板，并利用所选取的边缘检测算子模板对增强后的风力发电机风叶图像进行边缘检测标记，将边缘标记结果构成履冰边缘图像，作为输出层的输出结果；

56、所述形态特征提取层包括形态处理层以及卷积层，形态处理层用于利用膨胀矩阵以及腐蚀矩阵对增强后的风力发电机风叶图像进行形态学处理，卷积层用于对形态学处理结果进行卷积运算，得到特征图，其中卷积层中卷积核的大小为3×3像素；

57、模板选择层包括池化层以及激活函数，对特征图进行池化处理，并利用模板匹配函数计算池化处理结果与边缘检测算子模板的相关性，选取相关性最高的边缘检测算子模板作为模板选取结果。在本发明实施例中，所述边缘检测算子模板包括sobel算子模板、roberts算子模板、拉普拉斯算子模板、canny算子模板等。

58、可选地，所述s4步骤中利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，包括：

59、利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，其中模型优化流程为：

60、s41：采集不同环境下的去噪增强后风力发电机风叶图像，并对所采集图像的边缘进行标记提取，得到真实履冰边缘图像，构成模型训练的训练集data：

61、data＝{(un,en)|n∈[1,h]}

62、其中：

63、un表示所采集的第n张去噪增强后风力发电机风叶图像，en表示第n张去噪增强后风力发电机风叶图像的真实履冰边缘图像，h表示训练集data中的去噪增强后风力发电机风叶图像总数；

64、s42：构建风力发电机风叶履冰识别模型的训练目标函数：

65、

66、其中：

67、l(θ)表示风力发电机风叶履冰识别模型的训练目标函数，θ表示待训练优化的模型参数向量，包括膨胀矩阵、腐蚀矩阵、卷积层权重以及偏置量参数；

68、sim(·)表示余弦相似度计算，hu(·)表示hu矩特征提取；

69、表示将un输入到基于模型参数向量θ的风力发电机风叶履冰识别模型中，模型输出的履冰边缘图像；

70、s43：初始化模型参数向量θ0，设置模型训练的当前迭代次数t，t的初始值为0；

71、s44：生成参数近似项：

72、

73、其中：

74、α表示0-1之间的调节常数；

75、zt表示第t次迭代的参数近似项；

76、||·||表示l1范数；

77、s45：对模型参数向量进行迭代更新：

78、

79、若||θt+1-θt||<∈，则结束模型参数向量迭代，令θt+1为训练得到的最优模型参数向量，并基于最优模型参数向量构建最优风力发电机风叶履冰识别模型，否则令t＝t+1，返回步骤s44。

80、可选地，所述s5步骤中利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，包括：

81、利用最优风力发电机风叶履冰识别模型对增强后的风力发电机风叶图像进行履冰边缘图像提取，其中履冰边缘图像提取流程为：

82、s51：将增强后的风力发电机风叶图像i″输入到最优风力发电机风叶履冰识别模型中；

83、s52：利用最优风力发电机风叶履冰识别模型中的膨胀矩阵以及腐蚀矩阵，对增强后的风力发电机风叶图像依次进行膨胀处理以及腐蚀处理，并对形态学处理后的图像i*进行卷积运算：

84、f＝conv(qti*+h)

85、其中：

86、conv(·)表示卷积层的卷积运算；

87、q表示卷积层中卷积核的权重参数，h表示卷积核的偏置量；

88、f表示特征图；

89、s53：对特征图进行池化操作以及激活函数处理：

90、f′＝σ[c(f)]

91、其中：

92、c(·)表示池化操作，步长为2；

93、σ(·)表示激活函数，选取relu激活函数；

94、f′表示池化操作以及激活函数处理后的特征图；

95、s54：计算得到特征图f′与边缘检测算子模板sk的相关性cor(f′,sk)：

96、

97、其中：

98、sk表示第k种边缘检测算子模板；

99、||·||2表示l2范数；

100、选取相关性最高的边缘检测算子模板作为模板选取结果；

101、s55：利用所选取的边缘检测算子模板对增强后的风力发电机风叶图像进行边缘检测标记，将边缘标记结果构成履冰边缘图像，作为模型的输出结果。

102、可选地，所述s5步骤中基于履冰边缘图像计算风力发电机风叶表面的冰面厚度，包括：

103、以履冰边缘图像中封闭边缘图像的内部中心点为基准点，风叶朝向为坐标轴方向，构建一维坐标轴，选取一维坐标轴上任意一个坐标点h，以该坐标点为端点向两侧边缘发射射线，所发射射线垂直于一维坐标轴，得到射线与两侧边缘的交点，计算得到两个交点之间的距离，作为该坐标点h对应的风叶表面厚度vh，并计算得到该坐标点h对应的冰面厚度vh-v，其中v表示风叶厚度，所选取坐标点在履冰边缘图像中封闭边缘图像的内部，若冰面厚度超过预设置的冰面阈值则进行预警。在本发明实施例中，履冰边缘图像中包含若干封闭边缘图像，每个封闭边缘图像对应一个风力发电机风叶的边缘图像。

104、为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：

105、存储器，存储至少一个指令；

106、通信接口，实现电子设备通信；及

107、处理器，执行所述存储器中存储的指令以实现上述所述的风力发电机履冰监测方法。

108、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的风力发电机履冰监测方法。

109、相对于现有技术，本发明提出一种风力发电机履冰监测方法，该技术具有以下优势：

110、首先，本方案提出一种风力发电机风叶图像的去噪以及增强方法，利用空间滤波系数矩阵w对风力发电机风叶图像中任意像素i(i,j)的灰度值进行空间滤波处理，其中空间滤波处理的公式为：

111、

112、其中：g′(i,j)表示空间滤波处理后像素i(i,j)的灰度值；以风力发电机风叶图像的中心像素为原点，水平方向为x轴方向，竖直方向为y轴方向，将风力发电机风叶图像中像素位置映射到坐标系，其中f(x,y)表示处于坐标(x,y)的像素的灰度值，该灰度值为空间滤波处理后像素的灰度值；调节图像分解尺度b，对风力发电机风叶图像进行多尺度分解处理：

113、

114、其中：d(b)表示尺度b下的风力发电机风叶图像分解结果，b∈[1,b]，[1,b]表示风力发电机风叶图像的分解尺度范围，b表示最大图像分解尺度；q表示虚数单位，q2＝-1；e表示自然常数；构建自适应调节的阈值函数：

115、

116、其中：λb表示对尺度b下风力发电机风叶图像分解结果进行处理的阈值；λ表示基准阈值；基于阈值函数对不同尺度下的风力发电机风叶图像分解结果进行处理，过滤不同尺度下图像分解结果的噪声信号，其中处理公式为：

117、

118、其中：d′(b)表示处理后的尺度b下的风力发电机风叶图像分解结果；将噪声信号过滤后的图像分解结果进行重构，得到去噪后的风力发电机风叶图像：

119、

120、其中：i′表示去噪后的风力发电机风叶图像，f′(x,y)表示i′中处于坐标(x,y)的像素的灰度值。本方案通过采取多尺度图像分解，并利用结合分解尺度的自适应阈值对不同尺度下的分解结果进行噪声信号过滤处理，其中尺度越高则阈值越大，高尺度分解结果的处理程度越低，避免过滤大量高尺度下的轮廓信息，实现对采集的风力发电机风叶图像的去噪处理，并对去噪后的风力发电机风叶图像进行分段增强处理，当图像像素的原始灰度值过低或过高时，采用对数变换对像素灰度值进行处理，扩展低灰度值的范围并压缩高灰度值范围，即将图像中暗的部分扩展，抑制图像中亮的部分，突出恶劣天气下所采集图像中的昏暗部分，有利于恶劣天气下的风力发电机履冰监测，并在其他灰度值区间中采用伽马变换，增强不同灰度级之间差异，实现图像细节增强，提高覆冰厚度监测的准确率。

121、同时，本方案提出一种风力发电机风叶履冰识别模型以及优化策略，通过构建结合图像形态特征的风力发电机风叶履冰识别模型，基于图像形态特征选取最优边缘检测算子模板，利用所选取的边缘检测算子模板进行边缘检测，得到风力发电机风叶的履冰边缘图像，进而计算得到风力发电机风叶表面的冰面厚度，利用改进的非凸优化方法对风力发电机风叶履冰识别模型进行优化，其中模型优化流程为：采集不同环境下的去噪增强后风力发电机风叶图像，并对所采集图像的边缘进行标记提取，得到真实履冰边缘图像，构成模型训练的训练集data：

122、data＝{(un,en)|n∈[1,h]}

123、其中：un表示所采集的第n张去噪增强后风力发电机风叶图像，en表示第n张去噪增强后风力发电机风叶图像的真实履冰边缘图像，h表示训练集data中的去噪增强后风力发电机风叶图像总数；构建风力发电机风叶履冰识别模型的训练目标函数：

124、

125、其中：l(θ)表示风力发电机风叶履冰识别模型的训练目标函数，θ表示待训练优化的模型参数向量，包括膨胀矩阵、腐蚀矩阵、卷积层权重以及偏置量参数；sim(·)表示余弦相似度计算，hu(·)表示hu矩特征提取；表示将un输入到基于模型参数向量θ的风力发电机风叶履冰识别模型中，模型输出的履冰边缘图像；初始化模型参数向量θ0，设置模型训练的当前迭代次数t，t的初始值为0；生成参数近似项：

126、

127、其中：α表示0-1之间的调节常数；zt表示第t次迭代的参数近似项；||·||表示l1范数；对模型参数向量进行迭代更新：

128、

129、若||θt+1-θt||<∈，则结束模型参数向量迭代，令θt+1为训练得到的最优模型参数向量，并基于最优模型参数向量构建最优风力发电机风叶履冰识别模型，否则令t＝t+1。在模型优化过程中，本方案新增待优化模型参数向量的近似项对模型参数向量进行调节优化，避免迭代更新后的模型参数向量偏离稳定结果过多。