(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211341472.4 (22)申请日 2022.10.26 (71)申请人 华北电力大 学 地址 102206 北京市昌平区北农路2号 (72)发明人 刘永前　陶丞　陶涛　韩爽　李莉　 阎洁　孟航　闫亚敏　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 专利代理师 张文宝 (51)Int.Cl. F03D 80/40(2016.01) G06F 30/27(2020.01) (54)发明名称 一种基于合成少数类样本的风电机组叶片 结冰诊断方法 (57)摘要 本发明公开了属于风电机组状态预警及故 障诊断技术领域的一种基于合成少数类样本的 风电机组叶片结冰诊断方法。 该方法包括步骤1： 监测并记录风电机组的结冰状态， 给相应的 SCADA数据增加结冰标签， 将瞬时特征、 原始 SCADA数据提取的特征及时序特征结合成最终特 征； 步骤2： 拟合理论功率曲线， 采用KBS2合成少 数类样本过采样方法形成新的数据集； 步骤3： 对 训练集进行多次迭代， 并得出测试集的准确率指 标； 步骤4： 离线训练、 在线部署及应用风电机组 叶片结冰状态预测模型。 本发明能够解决风电机 组叶片结冰特征提取及结冰数据占比过低的问 题， 为风电机组运行维护、 状态预警及故障预测 研究提供 可靠的方法基础。 权利要求书3页 说明书7页 附图4页 CN 115450864 A 2022.12.09 CN 115450864 A 1.一种基于合成少数类样本的风电机组叶片结冰诊断方法， 其特征在于， 所述方法包 括： 步骤1： 监测并记录风电机组的结冰状态， 给相应的SCADA数据增加结冰标签， 将叶片结 冰的瞬时特 征、 原始SCADA数据提取的特 征及叶片结冰时序特 征三者结合成最终特 征； 步骤2： 采用四分位法和bin方法拟合理论功率曲线， 基于最终特征构建新的数据， 采用 KBS2合成少数类样本过采样方法形成新的数据集； 步骤3： 将步骤2形成的新的数据集80 ％划分为训练集、 20 ％划分为测试集， 利用机器学 习方法对训练集进行多次迭代以训练风电机组叶片结冰状态预测模型， 并得出测试集的准 确率指标； 步骤4： 离线训练风电机组叶片结冰状态预测模型， 在线部署及应用风电机组叶片结冰 状态预测模型。 2.根据权利要求1所述基于合成少数类样本的风电机组叶片结冰诊断方法， 其特征在 于， 所述步骤1具体包括如下子步骤： 步骤11： 选取n台处于结冰期间运行状态良好的风电机组的SCADA数据； 步骤12： 记录观测期间风电机组的结冰时段及正常时段； 步骤13： 对监测期间的SCADA数据增 加结冰状态标签； 步骤14： 构建叶片结冰瞬时特 征； 步骤15： 采用递归特征消除方法， 提取出与叶片结冰相关性大的特征， 包括发电机转 速、 环境温度、 机舱温度、 偏航角度、 偏航 位置、 变桨电机温度； 步骤16： 设定滑动窗口长度 为h， 宽度为j， 滑动步长为d， 采用滑动窗口方法计算连续时 间段内步骤14和步骤15提取的每 个特征的标准差， 得到时序特 征； 步骤17： 将步骤14与步骤15提取的特征合并作为短时特征， 将短时特征与 时序特征相 结合得到最终特 征。 3.根据权利要求2所述基于合成少数类样本的风电机组叶片结冰诊断方法， 其特征在 于， 所述步骤14中的叶片结冰瞬时特 征包括： 理论功率Ppred： Ppred＝f(Preal)                               (1) 式(1)中， Preal为实际功率， f为拟合的多项式函数， Ppred为根据拟合的多项式函数得到 的理论功率； 风速的平方V2： 式(2)中， Vin为风速； 风速的三次方V3： 叶尖速比λ： 式(4)中， ω为 风电机组叶片旋转角速度， R为叶片半径；权　利　要　求　书 1/3 页 2 CN 115450864 A 2结冰严重程度 ξ： 4.根据权利要求2所述基于合成少数类样本的风电机组叶片结冰诊断方法， 其特征在 于， 所述短时特征包括风速、 风速的平方、 风速的三次方、 网侧有功功率、 理论功率、 叶尖速 比、 结冰严重程度、 发电机转速、 环境温度、 机舱温度、 偏航角度、 偏航 位置、 变桨电机温度； 时序特征包括风速的标准差、 风速的平方的标准差、 风速的三次方的标准差、 网侧有功 功率的标准差、 理论功率的标准差、 叶尖速比的标准差、 结冰严重程度的标准差、 发电机转 速的标准差、 环境温度的标准差、 机舱温度的标准差、 偏航角度的标准差、 偏航位置的标准 差、 变桨电机温度的标准差 。 5.根据权利要求1或2所述基于合成少数类样本的风电机组叶片结冰诊断方法， 其特征 在于， 所述 步骤2具体包括如下子步骤： 步骤21： 将风速分为等间隔的n个区间， 采用四分位法进行数据清洗， 剔除风速和功率 的异常值； 步骤22： 采用bi n方法， 计算 n个区间内所有数据点 风速和功率的平均值； 步骤23： 根据每个区间内风速和功率的平均值拟合功率曲线及多项式函数， 将实际功 率代入该多 项式函数中得到理论功率； 步骤24： 根据步骤17 得到的最终特 征， 形成新的数据集； 步骤25： 将新的数据集的数据按公式(6)进行最大最小归一 化， 式(6)中： xi为每个特征对应的数据， xmin为每个特征的最小值， xmax为每个特征的最大 值； 步骤26： 对步骤25归一 化后的数据集分为包 含特征的数据x和结冰标签数据y； 步骤27： 对步骤26数据中的少数类样本按公式(7)计算与其 最近的b个点的欧氏距离； 式(7)中： d表示样本x'(x1,y1)与样本x ”(x2,y2)在二维空间的欧氏距离； 根据计算得到的欧氏距离d， 确定与少数类样本最近的b个点中多数类样本与少数类样 本的数量； 对危险少数类样本利用公式(7)计算该样本附近的c个点， 随机选取其中的一个点， 利 用公式(8)合成一个新的少数类样本， 直至数据集结冰样本与正常样本数量平衡； xnew＝x+rand(0,1)*(xneighbor‑x)                (8) 式(8)中： xnew为合成的新的少数类样本， x为危险少数类样本， rand(0,1)为0～1间的随 机数， xneighbor为被选中的x的一个近邻样本； 步骤28： 对危 险少数类样本重采样过后的数据集代入KNN模型中进行反复训练， 将KNN 模型诊断为 不结冰但实际为结冰的数据样本删除； 步骤29： 对经步骤28得到的数据集重复步骤27的过程， 直至数据集中结冰样本与正常 样本数量平衡。权　利　要　求　书 2/3 页 3 CN 115450864 A 3