【技术实现步骤摘要】
本专利技术涉及风机故障监测，尤其涉及一种风机叶片的结冰故障预测方法及装置。
技术介绍
1、风电清洁安全无污染，是重要的可再生能源。然而，受地理环境因素影响，风能密度高的地区在冬季极易发生风机叶片结冰故障，破坏风机原有的力学平衡，加速部件老化损坏。因此，采用数据驱动的方式建立模型对结冰故障进行预测，在结冰故障发生前发出预警并采取措施，对提高风场运营效率具有重要的现实意义。
2、然而目前的研究方法往往只关注数据中的时序特征，传统的风机数据处理方法往往只能提取时序特征，对风机数据存在的空间特征提取不足，忽略了数据之间存在的空间关系，难以充分挖掘数据中的多尺度特征，造成对风机运行数据趋势预测准确率较低，不能在风机结冰故障发生之前及时预测故障的发生。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种风机叶片的结冰故障预测方法及装置，以解决传统风机数据处理只关注数据中的时序特征，对空间特征提取不足，造成对风机运行数据趋势预测准确率低，不能在风机结冰故障发生之前及时预测故障发生的问题。
2、本专利技术提供一种风机叶片的结冰故障预测方法，该方法包括：
3、步骤s1：获取待监测风机的运行监测数据，所述运行监测数据包括时序数据和空间数据，将所述时序数据和空间数据混合成二维的时空图数据，对所述时空图数据进行预处理；
4、步骤s2：人工构建时空图数据的交叉特征和高阶特征，提取时空图数据的高维特征和低维特征，对交叉特征、高阶特征、高维特征和低维特征进行
5、步骤s3：基于融合的多尺度特征建立结冰故障预测模型，基于结冰故障预测模型进行风机叶片的结冰故障预测。
6、优选地，所述时序数据包括随时间变化的电流、温度、湿度、风速和转速，所述空间数据包括风机叶片的振动频率和损伤程度。
7、优选地，将所述时序数据和空间数据混合成二维的时空图数据包括：
8、利用时间序列分析中的滑动窗口方法，将空间数据与对应时间段的时序数据进行融合，形成二维的时空数据集，包括：
9、假设时间序列数据集为t＝{t1,t2...,tn}，空间数据集为s＝{s1,s2...,sn}，滑动窗口的大小设为w，时间步长设为t，融合后的时空数据集表示为f＝{f1,f2...,fn}，其中每个元素fi是一个二维数组，包含了时间窗口内的时序数据和对应的空间数据，
10、融合公式为：
11、fi＝(t[i:i+w],s[i:i+w])
12、其中，t表示时间序列数据集，包含了按时间顺序排列的数据点，s表示空间数据集，包含了与时间序列数据集相对应的空间数据点，w表示滑动窗口的大小，表示每个时间窗口内包含的时间序列数据的数量，t表示时间步长，表示每个时间窗口的时间跨度，f表示融合后的时空数据集，包含了时间序列数据和对应的空间数据，fi表示融合后的时空数据集中的第i个元素，包含了第i个时间窗口内的时序数据和对应的空间数据；
13、基于二维的时空数据集和时空图步长形成二维的时空图数据。
14、优选地，对所述时空图数据进行预处理，包括：对所述时空图数据进行异常值、缺失值和数据标准化处理。
15、优选地，所述人工构建时空图数据的交叉特征和高阶特征，包括：
16、将时空图数据划分为训练集和测试集，对每个时空图数据点，提取对应的时间序列数据特征和空间数据特征，计算时间序列数据特征和空间数据特征之间的交叉特征，时间序列数据特征提取公式为：空间数据特征提取公式为：交叉特征计算公式为：cf(fi,fj)＝m(ti，tj)*d(si，sj)，其中，m表示时间序列数据集t的均值，ti表示第i个时间点的时间序列数据值，tj表示第j个时间点的时间序列数据值，n表示时间序列数据集和空间数据集中元素的个数，d表示空间数据点si和sj之间的距离，cf表示时空数据集f的均值，fi表示时空数据集中的第i个元素，fj表示时空数据集中的第j个元素，si表示第i个空间数据点的坐标为(xi，yi)，sj表示第j个空间数据点的坐标为(xj，yj)；
17、将时空图数据划分为训练集和测试集，对每个时空图数据点，提取对应的高阶时序数据特征和高阶空间数据特征，高阶时序数据特征提取公式为：高阶空间数据特征提取公式为：其中，hm表示时间序列数据集t的高阶均值，hd表示空间数据点si和sj之间的高阶距离，k表示高阶的阶数。
18、优选地，所述提取时空图数据的高维特征和低维特征，包括：基于图卷积神经网络提取时空图数据的高维特征，基于主成分分析方法提取时空图数据的低维特征。
19、优选地，所述步骤s3，包括：基于融合的多尺度特征进行重构，获得具有多尺度信息的特征表示，基于多尺度自编码器利用多尺度信息的特征表示建立结冰故障预测模型，利用结冰故障预测模型进行风机叶片的结冰故障预测。
20、与现有技术相比，本专利技术提供的一种风机叶片的结冰故障预测方法具有如下有益效果：首先获取待监测风机的运行监测数据，所述运行监测数据包括时序数据和空间数据，将所述时序数据和空间数据混合成二维的时空图数据，对所述时空图数据进行预处理；人工构建时空图数据的交叉特征和高阶特征，提取时空图数据的高维特征和低维特征，对交叉特征、高阶特征、高维特征和低维特征进行多尺度特征融合；基于融合的多尺度特征建立结冰故障预测模型，基于结冰故障预测模型进行风机叶片的结冰故障预测。本专利技术通过将时序数据和空间数据混合成二维的时空图数据，并对其进行预处理，能够更全面地挖掘数据的内在特征，通过人工构建时空数据的交叉特征和高阶特征，并提取高维和低维特征，进行多尺度特征融合，可以更准确地描述数据的复杂模式和关系。基于这些融合特征建立的结冰故障预测模型，能够大大提高预测的准确率，降低误报和漏报的可能性。
21、本专利技术还提供一种风机叶片的结冰故障预测装置，该装置包括：
22、时空图数据获取模块，用于获取待监测风机的运行监测数据，所述运行监测数据包括时序数据和空间数据，将所述时序数据和空间数据混合成二维的时空图数据，对所述时空图数据进行预处理；
23、多尺度特征融合模块，用于人工构建时空图数据的交叉特征和高阶特征，提取时空图数据的高维特征和低维特征，对交叉特征、高阶特征、高维特征和低维特征进行多尺度特征融合；
24、模型预测模块，用于基于融合的多尺度特征建立结冰故障预测模型，基于结冰故障预测模型进行风机叶片的结冰故障预测。
25、优选地，所述时序数据包括随时间变化的电流、温度、湿度、风速和转速，所述空间数据包括风机叶片的振动频率和损伤程度。
26、优选地，所述时空图数据获取模块包括预处理单元，所述预处理单元用于对所述时空图数据进行异常值、缺失值和数据标准化处理。
27、与现有技术相比，本专利技术实施例提供的一种风机叶片的结冰故障预测装置的有益效果与上述技术方案所述一种风机叶片的结冰故障预测方法的本文档来自技高网...
【技术保护点】
1.一种风机叶片的结冰故障预测方法，其特征在于，包括：
2.根据权利要求1所述的一种风机叶片的结冰故障预测方法，其特征在于，
3.根据权利要求1所述的一种风机叶片的结冰故障预测方法，其特征在于，
4.根据权利要求1所述的一种风机叶片的结冰故障预测方法，其特征在于，
5.根据权利要求3所述的一种风机叶片的结冰故障预测方法，其特征在于，
6.根据权利要求3所述的一种风机叶片的结冰故障预测方法，其特征在于，
7.根据权利要求1所述的一种风机叶片的结冰故障预测方法，其特征在于，
8.一种风机叶片的结冰故障预测装置，其特征在于，包括：
9.根据权利要求8所述的一种风机叶片的结冰故障预测装置，其特征在于，
10.根据权利要求8所述的一种风机叶片的结冰故障预测装置，其特征在于，
【技术特征摘要】
1.一种风机叶片的结冰故障预测方法，其特征在于，包括：
2.根据权利要求1所述的一种风机叶片的结冰故障预测方法，其特征在于，
3.根据权利要求1所述的一种风机叶片的结冰故障预测方法，其特征在于，
4.根据权利要求1所述的一种风机叶片的结冰故障预测方法，其特征在于，
5.根据权利要求3所述的一种风机叶片的结冰故障预测方法，其特征在于，
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。