CN109209790A - 一种基于数据建模的风电叶片结冰推测方法 - Google Patents

Abstract

本发明为一种基于数据建模的风电叶片结冰推测方法，包括数据收集、数据预处理、结冰状态标注、训练集和验证集划分、构建特征、建立预测未来结冰模型、建立推测当下结冰模型和模型验证，该方法通过对已知风力发电站运行参数和风电叶片历史结冰信息进行处理，得出每台风力发电机的特征值和结冰标签，再根据特征值和结冰标签获得预测未来结冰模型，之后根据预测未来结冰模型输出结果、特征值及叶片结冰信息获得推测当下结冰模型。本发明的优点是：采用风力发电机组实时运行参数进行建模和预测，成本低、效率高、解释性强；以当前数据预测未来结冰状态，再根据当前数据和未来结冰状态推测当下结冰状态，增强了模型对于结冰变化趋势敏感程度。

Description

一种基于数据建模的风电叶片结冰推测方法

技术领域

本发明涉及风力发电领域，尤其涉及一种基于数据建模的风电叶片结冰推测方法。

背景技术

风电机组叶片结冰是风电领域的一个全球范围难题。结冰的主要威胁是发电性能下降、结构过载、运维安全。虽然部分风电机组配备了结冰传感器和自动除冰系统，仍需要对结冰的早期过程进行精确预测，以便能够尽早开启除冰系统。对结冰过程的准确预测，可以有效提升除冰效率，减少发电损失和降低运行风险。

受成本和安装难度限制，部分风电机组没有配置结冰转感器，这使得控制室无法实时获取所有风电机组的叶片结冰状态，从而导致无法及时对风电机组叶片进行除冰。

发明内容

本发明主要解决了上述问题，提供了通过数据建模预测未来结冰状态再通过未来结冰状态推测当下结冰概率的一种基于数据建模的风电叶片结冰推测方法。

本发明解决其技术问题所采用的技术方案是,一种基于数据建模的风电叶片结冰推测方法，包括以下步骤：

S1：收集数据：收集多台风力发电机组的实时运行参数及风电叶片结冰信息；

S2：数据预处理；

S3：结冰状态标注：根据各个时段内各个发电机组风电叶片的结冰信息标注结冰状态标签；

S4：训练集和验证集划分：在每台风力发电机组收集的数据中选取一个时间段内数据作为的样本，将多个样本划分为训练集和验证集；

S5：构建特征：根据每台风力发电机的实时运行参数获得功率残差特征、温度差值特征和加速度矢量合成特征；

S6：建立预测未来结冰模型：给训练集内各组数据标注未来结冰标签，以步骤S5中三个特征为输入，未来结冰标签为输出建立预测未来结冰模型并模型训练；

S7：建立推测当下结冰模型：以步骤S5中三个特征及预测未来结冰模型的输出为输入，当下结冰标签为输出建立推测当下结冰模型并模型训练

S8：模型验证：采用验证集对持久化推测模型进行验证并采用机器学习性能指标评价模型。

本发明通过对已知风力发电站运行参数和风电叶片历史结冰信息进行处理，得出每台风力发电机的特征值和结冰标签，再根据特征值和结冰标签获得预测未来结冰模型，之后根据预测未来结冰模型输出结果、特征值及叶片结冰信息获得推测当下结冰模型。

作为上述方案的一种优选方案，所述的实时运行参数包括机组运行状态、风速、功率、机舱温度、环境温度、机舱前后和左右加速度信息。

作为上述方案的一种优选方案，所述的步骤S2中的数据预处理包括以下步骤：

S01：根据风力发电机组的机组运行状态筛选出处于正常发电状态的风力发电机组；

S02：判断筛选出的风力发电机组的数据在各个时刻的值域范围；

S03：剔除离群数据；

S04：根据时间轴线性插补剔除的数据。

作为上述方案的一种优选方案，所述的步骤S4中获取每个样本时选取的时间段不同。风力发电机组往往设置在同一区域，每个样本选取不同的时间段，控制时间变量，使得样本数据多样化，进而提高推测结果的准确性。

作为上述方案的一种优选方案，所述步骤S5中功率残差特征通过以下步骤获得：

S11：提取风力发电机组正常发电状态下的风速和功率；

S12：以bins法绘制功率曲线；

S13：根据每一时刻的风速和对应的功率曲线得出参考功率；

S14：每一时刻的功率减去参考功率获得功率残差特征。

作为上述方案的一种优选方案，所述步骤S5中温度差值特征为每一时刻机舱温度与环境温度的差值。

作为上述方案的一种优选方案，所述步骤S5中加速度矢量合成特征为每一时刻机舱的前后加速度和左右加速度的矢量合成。

作为上述方案的一种优选方案，所述步骤S6中未来结冰标签通过以下步骤获得：

S21：针对每一时刻，等时间间隔多次查询每一台训练集内风力发电机组在相对于该时刻的未来一段时间内的结冰状态；

S22：根据公式P＝n/N得到未来结冰占比P，n为查询到的结冰次数，N为查询次数；

S23：根据P的值标注未来结冰标记，若P＞0.5，则标记该台风力发电机组在查询的这段时间内结冰；若P≤0.5，则标记该台风力发电机组在查询的这段时间内不结冰。

作为上述方案的一种优选方案，所述的模型训练采用逻辑回归、随机森林、梯度提升决策树和最近邻中的一种机器学习算法进行二分类有监督学习训练。

作为上述方案的一种优选方案，所述步骤S8中机器学习性能指标包括精确率、召回率、F1、ROC和AUC。F1为统计学中用来衡量二分类模型精确度的一种指标，F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0。ROC为受试者工作特征曲线，是反映敏感性和特异性连续变量的综合指标，AUC为ROC曲线下的面积。

本发明的优点是：采用风力发电机组实时运行参数进行建模和预测，成本低、效率高、解释性强；以当前数据预测未来结冰状态，再根据当前数据和未来结冰状态推测当下结冰状态，增强了模型对于结冰变化趋势敏感程度。

附图说明

图1为本发明的一种流程示意图。

图2为本发明中数据预处理的一种流程示意图。

图3为本发明中获得功率残差特征的一种流程示意图。

图4为本发明中获得未来结冰标记的一种流程示意图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步的说明。

实施例：

本实施例一种基于数据建模的风电叶片结冰推测方法，如图1所，包括以下步骤：

S1：收集数据：收集多台风力发电机组的运行状态、风速、功率、机舱温度、环境温度、机舱前后和左右加速度信息及风电叶片结冰信息；

S2：数据预处理；

S3：结冰状态标注：根据各个时段内各个发电机组风电叶片的结冰信息标注结冰状态标签；结冰状态标注结冰状态标签为1，不结冰状态标注标签为0。

S4：训练集和验证集划分：在每台风力发电机组收集的数据中选取一个时间段内的数据作为的样本，将多个样本划分为训练集和验证集；选取数据时，每台风力发电机选取的时间不同。

S5：构建特征：根据每台风力发电机的实时运行参数获得功率残差特征、温度差值特征和加速度矢量合成特征；

S6：建立预测未来结冰模型：给训练集内各组数据标注未来结冰标签，以步骤S5中三个特征为输入，未来结冰标签为输出建立预测未来结冰模型并模型训练；

S7：建立推测当下结冰模型：以步骤S5中三个特征及预测未来结冰模型的输出为输入，当下结冰标签为输出建立推测当下结冰模型并模型训练

S8：模型验证：采用验证集对持久化推测模型进行验证并采用精确率、召回率、F1和ROC_AUC评价模型。

如图2所示，数据预处理包括以下步骤：

S01：根据风力发电机组的机组运行状态筛选出处于正常发电状态的风力发电机组；

S02：判断筛选出的风力发电机组的数据在各个时刻的值域范围；

S03：剔除离群数据；

S04：根据时间轴线性插补剔除的数据。

如图3所示，功率残差特征通过以下步骤获得：

S11：提取风力发电机组正常发电状态下的风速和功率；

S12：以bins法绘制功率曲线；

S13：根据每一时刻的风速和对应的功率曲线得出参考功率；

S14：每一时刻的功率减去参考功率获得功率残差特征。

温度差值特征为每一时刻机舱温度与环境温度的差值，加速度矢量合成特征为每一时刻机舱的前后加速度和左右加速度的矢量合成。

如图4所示，未来结冰标签通过以下步骤获得：

S21：针对每一时刻，等时间间隔多次查询每一台训练集内风力发电机组在相对于该时刻的未来一段时间内的结冰状态；

S22：根据公式P＝n/N得到未来结冰占比P，n为查询到的结冰次数，N为查询次数；

S23：根据P的值标注未来结冰标记，若P＞0.5，则标记该台风力发电机组在查询的这段时间内结冰，标记为1，；若P≤0.5，则标记该台风力发电机组在查询的这段时间内不结冰，标记为0。

本实施例中采用梯度提升决策树对预测未来结冰模型和推测当下结冰模型进行二分类有监督学习训练。

本实施例，通过对已知数据的处理，选择过去某一时刻为当前时刻，再选择相对于该时刻的未来时间段，即所采用的数据均为已知的产生在过去的，首先对当前时刻的数据进行收集数据、数据预处理、结冰状态标注、训练集和验证集划分及构建特征，构建的特征有三个，再标注未来时间段内每台风力发电机的未来结冰标签，之后以构建的三个特征为输入，以未来结冰状态为输出构建预测未来结冰模型，模型经过训练后成为一个二分类持久化模型，然后向模型中输入构建的三个特征获得模型预测出的未来结冰状态，将模型预测出的未来结冰状态作为第四个特征，以根据当前时刻数据获取的四个特征为输入，当前时间结冰状态为输出，构建推测当下结冰模型并训练，获得推测当下结冰模型的二分类持久化模型，最后验证该模型。模型验证后即可采用风力发电机实时运行数据预测未来结冰状态和推测当下结冰状态。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于数据建模的风电叶片结冰推测方法，其特征是：包括以下步骤：

S1：收集数据：收集多台风力发电机组的实时运行参数及风电叶片结冰信息；

S2：数据预处理；

S3：结冰状态标注：根据各个时段内各个发电机组风电叶片的结冰信息标注结冰状态标签；

S4：训练集和验证集划分：在每台风力发电机组收集的数据中选取一个时间段内数据作为的样本，将多个样本划分为训练集和验证集；

S5：构建特征：根据每台风力发电机的实时运行参数获得功率残差特征、温度差值特征和加速度矢量合成特征；

S6：建立预测未来结冰模型：给训练集内各组数据标注未来结冰标签，以步骤S5中三个特征为输入，未来结冰标签为输出建立预测未来结冰模型并模型训练；

S7：建立推测当下结冰模型：以步骤S5中三个特征及预测未来结冰模型的输出为输入，当下结冰标签为输出建立推测当下结冰模型并模型训练

S8：模型验证：采用验证集对持久化推测模型进行验证并采用机器学习性能指标评价模型。

2.根据权利要求1所述的一种基于数据建模的风电叶片结冰推测方法，其特征是：所述的实时运行参数包括机组运行状态、风速、功率、机舱温度、环境温度、机舱前后和左右加速度信息。

3.根据权利要求2所述的一种基于数据建模的风电叶片结冰推测方法，其特征是：所述的步骤S2中的数据预处理包括以下步骤：

S01：根据风力发电机组的机组运行状态筛选出处于正常发电状态的风力发电机组；

S02：判断筛选出的风力发电机组的数据在各个时刻的值域范围；

S03：剔除离群数据；

S04：根据时间轴线性插补剔除的数据。

4.根据权利要求1所述的一种基于数据建模的风电叶片结冰推测方法，其特征是：所述的步骤S4中获取每个样本时选取的时间段不同。

5.根据权利要求2所述的一种基于数据建模的风电叶片结冰推测方法，其特征是：所述步骤S5中功率残差特征通过以下步骤获得：

S11：提取风力发电机组正常发电状态下的风速和功率；

S12：以bins法绘制功率曲线；

S13：根据每一时刻的风速和对应的功率曲线得出参考功率；

S14：每一时刻的功率减去参考功率获得功率残差特征。

6.根据权利要求2所述的一种基于数据建模的风电叶片结冰推测方法，其特征是：所述步骤S5中温度差值特征为每一时刻机舱温度与环境温度的差值。

7.根据权利要求2所述的一种基于数据建模的风电叶片结冰推测方法，其特征是：所述步骤S5中加速度矢量合成特征为每一时刻机舱的前后加速度和左右加速度的矢量合成。

8.根据权利要求1所述的一种基于数据建模的风电叶片结冰推测方法，其特征是：所述步骤S6中未来结冰标签通过以下步骤获得：

S21：针对每一时刻，等时间间隔多次查询每一台训练集内风力发电机组在相对于该时刻的未来一段时间内的结冰状态；

S22：根据公式P＝n/N得到未来结冰占比P，n为查询到的结冰次数，N为查询次数；

S23：根据P的值标注未来结冰标记，若P>0.5，则标记该台风力发电机组在查询的这段时间内结冰；若P≤0.5，则标记该台风力发电机组在查询的这段时间内不结冰。

9.根据权利要求1所述的一种基于数据建模的风电叶片结冰推测方法，其特征是：所述的模型训练采用逻辑回归、随机森林、梯度提升决策树和最近邻中的一种机器学习算法进行二分类有监督学习训练。

10.根据权利要求1所述的一种基于数据建模的风电叶片结冰推测方法，其特征是：所述S8中机器学习性能指标包括精确率、召回率、F1、ROC和AUC。