[發明專利]一種基于特征選擇和XGBoost的風機葉片結冰預測方法

有效

• 申請號: 201810819205.0
• 申請日: 2018-07-24
• 公開（公告）號: CN109026563B
• 公開（公告）日: 2019-12-27
• 發明（設計）人: 曹渝昆;朱萌
• 申請（專利權）人: 上海電力學院
• 主分類號: F03D80/40
• 分類號: F03D80/40;F03D80/00;F03D17/00
• 代理公司: 31225 上海科盛知識產權代理有限公司
• 代理人: 楊宏泰

本發明涉及一種基于特征選擇和XGBoost的風機葉片結冰預測方法，包括以下步驟：1)獲取風機SCADA監測數據并進行消噪降維歸一化處理，將時間戳維度從時間格式轉化成時間序列格式；2)采用Relief特征選擇方法進行特征選擇，提取關鍵維度，降低監測數據的維度，并將降維后的監測數據分為訓練樣本和測試樣本；3)將訓練樣本代入XGBoost模型中進行訓練，并采用查準率、查全率、準確率以及綜合性指標F1度量評價訓練后的模型；4)將待檢驗的監測數據代入訓練好的模型中，獲取是否處于結冰狀態的預測結果，并根據預測結果進行決策使風機的正常運行。與現有技術相比，本發明具有預測準確率高、預測速度快等優點。

技術領域

本發明涉及風電機組的故障診斷領域，尤其是涉及一種基于特征選擇和XGBoost的風機葉片結冰預測方法。

背景技術

近年來風力發電發展的越來越快，隨之而來的問題也越來越多，一般風能資源豐富的地方多處于高原寒冷地區，這些地方海拔高且氣溫低直接導致葉片結冰、材料及結構性能改變、載荷改變的問題，對風機的發電性能和安全運行造成較大的威脅。目前風機運行的實時數據主要由SCADA系統進行監測并存儲，對葉片結冰故障狀態的判斷手段主要是比較風機實際功率與理論功率之間的偏差，當偏差達到一定值后會觸發風機的報警和停機。然而，觸發報警時往往已經發生葉片大面積結冰現象，在這樣的情況下運行會增加葉片折斷損壞的風險。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于特征選擇和XGBoost的風機葉片結冰預測方法。

本發明的目的可以通過以下技術方案來實現：

一種基于特征選擇和XGBoost的風機葉片結冰預測方法，包括以下步驟：

1)獲取風機SCADA監測數據并進行消噪降維歸一化處理，將時間戳維度從時間格式轉化成時間序列格式；

2)采用Relief特征選擇方法進行特征選擇，提取關鍵維度，降低監測數據的維度，并將降維后的監測數據分為訓練樣本和測試樣本；

3)將訓練樣本代入XGBoost模型中進行訓練，并采用查準率、查全率、準確率以及綜合性指標F1度量評價訓練后的模型；

4)將待檢驗的監測數據代入訓練好的模型中，獲取是否處于結冰狀態的預測結果，并根據預測結果進行決策使風機的正常運行。

所述的步驟2)中的關鍵維度包括type維度，所述的type維度中，數值為1代表葉片已結冰，數值為0代表葉片未結冰

所述的步驟2)中的關鍵維度為20-22維，包括風速、發電機轉速和網側有功功率，選擇關鍵維度是為了防止不必要的維度干擾到模型的學習，減少訓練維度提高訓練速度保證實時性預測。

所述的步驟3)中，關鍵維度中的type維度作為XGBoost模型的輸出，其他維度作為XGBoost模型的輸入。

所述的步驟3)中，采用learning-curve判定訓練后的XGBoost模型所處的狀態，并檢驗是否存在過擬合或欠擬合。

所述的步驟4)中，當預測當前結冰狀態為未結冰時，則反饋狀態正常，風機繼續運行，當預測當前結冰狀態為結冰時，則反饋結冰狀態，觸發報警，風機停機并開啟除冰系統，待除完冰后開啟正常風機。

與現有技術相比，本發明具有以下優點：

本發明將風機SCADA系統的實時監測數據，進行降維后選擇多個與是否結冰關系緊密的關鍵維度，經過數據處理并代入XGBoost模型后訓練，在短時間內能得到了相對滿意的結冰狀態預測的準確率，能夠達到實時確定風機葉片的結冰狀態并作出決策避免風機損壞，預測準確率高，并且在數據量很大的情況下也能快速的做出預測。

附圖說明