【技术实现步骤摘要】
本专利技术所属领域为海上风力发电机组发电系统故障诊断，具体涉及一种海上同风场中的风电机组群体飞车预警方法。
技术介绍
1、近年来，由于其清洁无污染与可再生用之不竭等优点，风能越来越受到重视，正在成为可再生能源的主要部分。而中国作为能源消耗大国正在按照“双碳”政策优化能源结构，进行能源产业升级。正在积极采取多种措施，推动风电行业的发展。其中，陆上风电的发展相对较早，且已经相对饱和，而中国海岸线较长，位于亚洲季风区，海上风能资源丰富。同时相比于陆上风电，海上风电不需要占据大片土地，远离海岸噪音对居民影响较小，海风对比陆风风力更大且更加稳定，同时海上风电能够直接为沿海城市提供电力，确保能源供应的安全。此外，海上风电还能优化我国的能源结构，促进能源产业升级。因此发展海上风电是可再生能源新的发展方向。
2、由于海上风电机组经常暴露在恶劣环境下，导致海上风电机组的维护成本远高于陆上风电机组，风电机组更加容易收到腐蚀磨损的影响，也有着更高的故障隐患。同时海上风电机组大多位于偏远地区，一些海上风电场甚至位于距离海岸数十公里的位置，不利于交通、不方便进行维护测试，一旦发生飞车事故极难进行抢修和保护，且维护成本较高。但是飞车事故是风电机组的一种严重的安全事故，飞车事故通常是因为风电机组各部件出现老化磨损，风速过高等情况导致风力发电机组制动系统或变桨系统失效，变桨系统无法及时控制叶片降低转速，导致叶轮转速超过额定转速，使机组处于失控状态。而且飞车事故一旦发生就很难及时抢救，会毁坏风电机组各部件，严重情况下甚至会引发火灾、机组倒塔等严重后果
技术实现思路
1、本专利技术的目的在于，提供一种海上同风场中的风电机组群体飞车预警方法。本专利技术能够提高飞车预警监测准确率，降低海上风电机组飞车监测隐患和预警成本。
2、本专利技术的技术方案：一种海上同风场中的风电机组群体飞车预警方法，包括以下步骤：
3、步骤一：获取某一组海上风电机组的运行数据，并对运行数据进行数据预处理、相关性分析和特征筛选，通过gain网络进行数据填充得到数据集；
4、步骤二：构建xgboost模型，并将数据集输入至xgboost模型进行训练，直至模型预测效果达到最优，得到最优xgboost模型；
5、步骤三：通过所述最优xgboost模型，对该组海上风电机组进行预测平均发电机转速，并对预测值和真实值的差值进行监测，完成该组的海上风电机组飞车预警；
6、步骤四：通过gain网络对数据缺失的其他海上风电机组进行数据填充，再利用迁移学习将所训练的最优xgboost模型迁移至同风场的其他海上风电机组中，实现对整个风电场的所有海上风电机组进行飞车预警。
7、前述的海上同风场中的风电机组群体飞车预警方法中，步骤一中，所述海上风电机组运行数据由海上风电机组上的scada系统收集。
8、前述的海上同风场中的风电机组群体飞车预警方法中，所述数据预处理包括剔除所述海上风电机组运行数据中最值特征和类别特征、移除零值和缺失值占比较大的特征参数和删除风电机组非正常工作状态下的数据。
9、前述的海上同风场中的风电机组群体飞车预警方法中，所述相关性分析具体为采用皮尔逊相关系数法计算特征参数两两之间的相关系数，进行初步筛选；所述特征筛选是按照特征重要性指标对剩下的特征参数筛选特征。
10、前述的海上同风场中的风电机组群体飞车预警方法中，步骤二中，所述构建xgboost模型的过程为：
11、给定一个拥有n个样本和m个特征：
12、q＝(xi,yi)(|q|＝n,xi∈rm，yi∈r)；
13、所述预测过程中的预测值函数如下：
14、
15、其中，i表示训练集中的第i个样本；为第i个样本xi的预测值；k表示的是xgboos模型中的所有决策树；fk是第k颗回归决策树；fk(xi)表示的是第k颗决策树中第i个样本的分数；
16、定义目标函数如下：
17、
18、其中，obj为目标函数；i为训练集中的第i个样本；yi为第i个样本的真实值；为第i个样本xi的预测值；为损失函数；ω(fk)为正则化项；
19、定义损失函数如下：
20、
21、定义正则化项如下：
22、
23、其中，t是决策树中叶子节点的数量；ω表示每个叶子节点上的分数；γ和λ表示的是正则化参数；
24、定义第t次训练得到的xgboos模型函数如下：
25、
26、其中，obj(t)为第t次学习得到的目标函数；ω(ft)为第t次学习时，xgboos模型函数的正则化项；yi为第i个样本的真实值；为第t次学习时，第i个样本xi的预测值；c为常量；
27、定义增益函数公式如下：
28、gain＝obj(l+r)-(objl+objl)；
29、其中，gain为增益函数；objl为左叶子节点预测的目标函数；objl为右叶子节点预测的目标函数；obj(l+r)为母叶子节点预测的目标函数。
30、前述的海上同风场中的风电机组群体飞车预警方法中，在xgboost模型训练过程中，决策树从根部开始生长，通过节点条件将节点分成左右两个新节点，并将母节点权值按照该节点条件分给新节点，不断分裂直至停止；
31、为了防止xgboost模型生成的树过于复杂，导致模型巨大，出现模型过拟合的情况，在gain值小于0，无法为目标函数带来增益的时候，或树生长的深度达到预设的最大深度时，或叶子节点样本数过少时，树停止生长；
32、同时针对模型的最大深度、学习率及弱评估器进行调优，使用网格化搜索对模型超参数调整进行优化，得到预测效果最优的xgboost模型。
33、前述的海上同风场中的风电机组群体飞车预警方法中，步骤四：所述数据填充通过gain网络使用生成器对缺失数据进行估算，使用判别器判别估算值和真实值之间的误差，不断更新生成器和判别器的参数，直至寻找纳什平衡点，使其生成器和判别器损失函数得到最佳结果。
34、前述的海上同风场中的风电机组群体飞车预警方法中，所述生成器以数据掩码矩阵m和噪声z作为输入，掩码矩阵m由0或1构成，表示用来记录数据集中缺失值的位置，模型返回一个在数据填补缺失值后的数据其中数据x和缺失值后的数据的计算公式如下：
35、
36、
37、式中，表示一个随机变量，取值规定如下：
38、
39、式中，m为取值{0，1}的随机变量，x为数据向量，*表示当mi为0时，表示一个未观测到的值。
40、前述的海上同风场中的风电机组群体飞车预警方法中，所述判别器将生成器作为训练判别器的对手；所述生成器和判别器的对抗过程采用随机本文档来自技高网...
【技术保护点】
1.一种海上同风场中的风电机组群体飞车预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：步骤一中，所述海上风电机组运行数据由海上风电机组上的SCADA系统收集。
3.根据权利要求1所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：所述数据预处理包括剔除所述海上风电机组运行数据中最值特征和类别特征、移除零值和缺失值占比较大的特征参数和删除风电机组非正常工作状态下的数据。
4.根据权利要求1所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：所述相关性分析具体为采用皮尔逊相关系数法计算特征参数两两之间的相关系数，进行初步筛选；所述特征筛选是按照特征重要性指标对剩下的特征参数筛选特征。
5.根据权利要求1所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：步骤二中，所述构建XGBoost模型的过程为：
6.根据权利要求5所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：在XGBoost模型训练过程中，决策树从根部开始生长，通过节点条件将
7.根据权利要求1所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：步骤四：所述数据填充通过GAIN网络使用生成器对缺失数据进行估算，使用判别器判别估算值和真实值之间的误差，不断更新生成器和判别器的参数，直至寻找纳什平衡点，使其生成器和判别器损失函数得到最佳结果。
8.根据权利要求7所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：所述生成器以数据掩码矩阵M和噪声Z作为输入，掩码矩阵M由0或1构成，表示用来记录数据集中缺失值的位置，模型返回一个在数据填补缺失值后的数据其中数据和缺失值后的数据的计算公式如下：
9.根据权利要求8所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：所述判别器将生成器作为训练判别器的对手；所述生成器和判别器的对抗过程采用随机变量H进行；所述随机变量H中的元素h依赖于分布HMi＝m，将每一个输入样本输入到判别器中，基于条件和H＝m，判别器中的p个部分反映了它是真实数据的概率，通过不同随机变量H的定义方式，给到判别器不同的提示信息，从而训练出不同分布的生成器，选择出最优的生成器和判别器。
...【技术特征摘要】
1.一种海上同风场中的风电机组群体飞车预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：步骤一中，所述海上风电机组运行数据由海上风电机组上的scada系统收集。
3.根据权利要求1所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：所述数据预处理包括剔除所述海上风电机组运行数据中最值特征和类别特征、移除零值和缺失值占比较大的特征参数和删除风电机组非正常工作状态下的数据。
4.根据权利要求1所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：所述相关性分析具体为采用皮尔逊相关系数法计算特征参数两两之间的相关系数，进行初步筛选；所述特征筛选是按照特征重要性指标对剩下的特征参数筛选特征。
5.根据权利要求1所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：步骤二中，所述构建xgboost模型的过程为：
6.根据权利要求5所述的海上同风场中的风电机组群体飞车预警方法，其特征在于：在xgboost模型训练过程中，决策树从根部开始生长，通过节点条件将节点分成左右两个新节点，并将母节点权...
【专利技术属性】
技术研发人员：万安平，龚文斌，纪晓声，纪云松，马士东，刘海南，姚法仍，邵佳良，敖立争，张运宁，李远，杨敏冬，
申请(专利权)人：浙大城市学院，
类型：发明
国别省市：
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。