论文部分内容阅读
风能作为一种清洁能源在人类社会生产中发挥着重要的作用。风力发电机是捕获风能的重要设备,其大多处于海拔较高的位置,气温较低时扇叶容易覆冰。扇叶覆冰会降低风能利用率,缩短设备使用寿命,同时带来诸多安全隐患。随着工业大数据时代的到来,利用海量数据挖掘设备信息以提高生产效率成为发展的趋势。本文旨在利用风力发电机运行数据并结合机器学习理论,研究出有效的用于风力发电机扇叶覆冰检测的方法。具体工作如下:首先,针对基于数据驱动的特征提取方法难以有效地利用到覆冰机理信息的问题,本文提出了一种基于覆冰机理与数据驱动的特征提取方法。该方法在数据信息的基础上加入了覆冰机理信息,进一步挖掘出扇叶覆冰背后的深层物理特征。在同等条件下,该特征提取方法对应的F1分数比基于数据驱动的特征提取方法对应的F1分数平均高出7.72%,该方法可以有效地对风力发电机运行数据进行特征提取。其次,为解决风力发电机运行数据中正负样本分布过于不均衡导致的训练后的模型泛化能力差的问题,本文提出了基于合成少数类过采样技术（Synthetic Minority Oversampling Technique,SMOTE）和集成降采样的Easy-SMX算法。该算法既可避免简单复制少数类样本造成的过拟合,又可减少多数类样本的信息损失。在测试集上该算法的F1分数为91.39%,同等条件下比Easy Ensemble算法和SMOTE的F1分数分别高出12.03%和8.08%,该算法可以有效地进行风力发电机扇叶覆冰检测。最后,针对从多维时序信号中手工提取特征过多地依赖于专业知识且提取过程复杂的问题,本文提出了2D-CNN-LSTM扇叶覆冰检测网络。该网络既具有CNN强大的空间特征提取能力,又具有LSTM捕获序列内及序列间长时依赖的优点。在测试集上该网络的F1分数高达95.67%,比2D-CNN和LSTM的F1分数分别高出9.22%和6.25%,该网络可以很好地完成风力发电机扇叶覆冰检测任务。