一种海上风机雷击故障检测方法

技术领域

本发明涉及雷击故障检测的技术领域，尤其是涉及一种海上风机雷击故障检测方法。

背景技术

随着风电产业的迅速发展，大量海陆风电场的兴建，使得风电机组的安全运行问题逐渐被重视起来。在众多影响风电场的安全运行的因素中，雷击是严重威胁海陆风力发电场安全的因素之一，雷击击中风机后，雷电流将会对风机叶片等结构造成严重破坏。海上风电场机组密度较陆上更大，单体风机高度更高，更易遭受上行雷击。

此外海上风电场机组运输难度大、安装作业要求高且维护养护费用高昂，与陆上风电场相比，单位千瓦造价水平甚至高出80％。将风机移至海上、冬季雷云高度降低都会增加上行雷击的风险雷击风电机组造成风机系统设备、器件等损坏，将会产生高昂的维修费用，包括人工费、吊装费和更换费等；且维修过程还会造成机组停运，严重影响风电场的发电效率。随着海陆风电机组尺寸的不断增加，损坏设备的维修费用也越发昂贵，维修工艺也日益复杂，导致高昂的经济损失，如维修费用、人工成本和停运损失等。目前海上风电场雷击故障预警存在判断不准确，效率低等问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供的一种海上风机雷击故障检测方法。

本发明的目的可以通过以下技术方案来实现：

一种海上风机雷击故障检测方法，其特征在于，方法包括：

S1、获取预处理后的实际的海上风电场大数据集，将数据集作为训练样本；

S2、将训练样本输入训练好的雷击故障检测模型，得到风机功率曲线；

S3、基于风机功率曲线获得雷击故障发生点；其中，雷击故障检测模型的训练过程为：获取训练样本，计算待拟合的功率曲线f(x)的均值函数和协方差函数，并在其中加入噪声，修正协方差函数，将轮毂高度的平均风速、空气密度、操作变量风机转子转速和桨距角共同作为曲线拟合的输入变量，采用无限维卡尔曼滤波平滑方法进行高斯回归，得到初始拟合曲线，将初始拟合曲线和训练样本的参考的功率曲线进行对比，基于对比结果优化雷击故障检测模型的估计预测函数的置信区间。

进一步地，修正后的协方差函数为：

其中，k

进一步地，采用无限维卡尔曼滤波平滑方法进行高斯回归，高斯回归的过程转化为：

f(x,t)～GP(0,C(x,t；x′,t′))

y

其中，C表示修正的协方差函数k＝1,…,T,f(x,t)表示输出，x表示输入，x′表示新的输入，t表示时间变量，t′表示新输入时间变量，y

进一步地，在转化的高斯回归的过程中，让空间维度充当一个额外的向量元素索引，得到无限维状态空间模型：

y

其中，A、L、H是给定的矩阵，w(t)表示白噪音处理向量；

基于上述无限维状态空间模型进行高斯回归，通过线性时间推理与无限维卡尔曼滤波器和RTS平滑，将高斯过程回归在时间步长的三次复杂度降低为线性时间复杂度。

进一步地，训练样本的预处理过程具体为：

从训练样本的风电场数据中过滤异常数据，并对训练样本中的风速关系式中的空气密度进行校正，基于校正后的风速获取参考的功率曲线，将参考的功率曲线作为预处理后的训练样本，校正后的风速表示轮毂高度的平均风速。

进一步地，参考的功率与校正后风速的关系为：

P＝0.5ρAC

其中，P为参考的功率，ρ为校正后的空气密度，A为扫掠面积，C

校正后风速为：

其中，V

进一步地，校正后的空气密度为：

其中，ρ为校正后的空气密度，T为温度，B为大气压。

进一步地，过滤的异常数据包括：缺失值、负幂值、时间戳不匹配、负功率值和风速超过阈值的数据点。

进一步地，基于S2的风机功率曲线获得雷击故障发生点的具体步骤为：

根据逐点概率计算，使用优化后的置信区间评估传入的S2的风机功率曲线数据点，识别雷击故障发生点。

进一步地，海上风电场大数据集中包括记录的时间戳、风速、转子转速、桨距角、输出功率、环境温度和大气压力数据。

与现有技术相比，本发明具有以下优点：

(1)本发明提出用于雷击故障检测的高斯回归过程(Gaussian Process，GP)模型，得到与现有引入了空气密度、湍流强度和风向构建的功率曲线相比更高精度的功率曲线，能够更精确的分辨出雷击故障。

(2)本发明提出将时空高斯回归过程问题转化为无限维状态空间模型的方法，通过使用计算效率高的无限维卡尔曼滤波和平滑方法，或更一般的贝叶斯滤波和平滑方法，将高斯过程回归在时间步长问题的立方复杂度降低为线性时间复杂度，从而解决GP算法在处理大量数据集的计算困难和来自复杂数据集的限制问题,进一步提升海上风电场雷击故障监测的准确性。

附图说明

图1为本发明的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

本发明提出一种海上风机雷击故障检测方法，首先，对来自海上风电场数据采集(SCADA)系统记录的数据进行收集和处理，过滤掉误导性数据，对这些操作变量进行比较研究，以确定参数是否会提高早期故障检测能力。其次，基于监控和SCADA数据提出用于雷击故障检测的高斯回归过程(Gaussian Process，GP)模型，得到与现有引入了空气密度、湍流强度和风向构建的功率曲线相比更高精度的功率曲线，能够更精确的分辨出雷击故障。最后，提出将时空高斯回归过程问题转化为无限维状态空间模型的方法，解决GP算法在处理大量数据集的计算困难和来自复杂数据集的限制问题。方法的流程图如图1所示，方法包括以下步骤：

S1、获取预处理后的实际的海上风电场大数据集；

S2、将海上风电场大数据集输入训练好的用于雷击故障检测的高斯回归过程模型，得到风机功率曲线；

S3、基于S2的风机功率曲线获得雷击故障发生点；

其中，用于雷击故障检测的高斯回归过程模型的训练过程具体为：

获取预处理后的训练样本，基于预处理后的训练样本计算待拟合的功率曲线f(x)的均值函数和协方差函数，并在其中加入噪声，修正协方差函数，在轮毂高度的平均风速和空气密度作为输入的基础上，加入操作变量风机转子转速和桨距角一起作为曲线拟合的输入变量，采用无限维卡尔曼滤波平滑方法进行高斯回归，得到初始拟合曲线，将初始的拟合曲线和训练样本的参考的功率曲线进行对比，基于对比结果优化高斯回归过程模型的估计预测函数的置信区间。

训练样本基于IEC标准校正，进行预处理，预处理的过程具体为：对来自海上风电场SCADA系统记录的时间戳、风速、转子转速、桨距角、输出功率、环境温度、大气压力等数据进行收集和处理，过滤掉其中的缺失值、负功率样本以及其他超出范围值的误导性数据，根据IEC标准61400-12-1中的相关公式对数据进行空气密度校正，构建包括空气密度、湍流强度等海上风电场数据集，以提高后续模型计算结果的准确性和状态监测的有效性。

过滤的数据具体为：过滤掉缺失值或负幂值的样本和最大风速超过25米/秒的数据点，当超过这个风速时风机会停止工作。此外，在低风速期间频繁启动或停止时的数据采样可能会有不同的变化，时间戳不匹配、负功率值、超出范围值和涡轮缩减等标准被用来过滤掉类似于中所述的误导性数据。

发电机的输出功率与风速的关系大致为三次关系式，依据如下公式：

P＝0.5ρAC

其中，ρ为空气密度(kg/m3)，A为扫掠面积(m2)，Cp为WT的功率系数，v为轮毂高度风速(m/sec)。叶尖速比(TSR)λ是一个无量纲变量，依赖于转子转速和风速，而Cp是叶距角和TSR的函数。

空气密度校正的具体步骤为：

根据公式(1)，给定风速下的WT功率输出取决于空气密度。对于可变螺距调节的WT，根据IEC标准61400-12-1，以下公式用于计算空气密度校正：

式中其中VC为修正后的实测风速，V

S2的训练过程中，利用平方指数协方差函数构建参考功率曲线的GP模型，GP回归定义为一个均值函数，m(x):＝E[f(x)]和协方差函数，K(x,x1):＝E[(f(x)-m(x)))(f(x1)-m(x1))]对于给定值x，x1，如果f(x)是一个GP分布函数，则这两个函数之间可以表示为：

f(x)～GP(m(x),K(x,x′))(4)

为了表示简单，均值函数m(x)通常被构造为零。协方差函数K(x，x’)量化随机变量的联合可变性，用于测量给定数据点(x，x’)之间的距离或相似性。平方指数函数在数学上表示为:

为了补偿测量噪声的影响，噪声项被添加到平方指数中，因此(5)修改为：

式中σf2和l是超参数，其中σf2表示信号方差，而l(长度尺度)描述协方差随点间距离减小的速度。模型的不确定性用噪声波动的标准差σn2来量化，δ为克罗内克数据。

假设N个观测的A＝{(xi，yi)，i＝1，…，N}是训练数据集，X是维度D的输入向量，y是标量输出，A×n矩阵为输入数据集。目标输出是y，因此A＝(X，y)。GP的输入值和目标值之间的关系可以表示为：

yi＝f(xi)+ε

为了解决GP的两个缺点：处理大量数据集的计算困难(三次反演问题)和复杂数据集的限制性建模假设，本发明讨论了高斯过程回归与卡尔曼滤波的联系，并提出了将时空高斯过程回归问题转换为无限维状态空间模型的方法，采用无限维卡尔曼滤波平滑方法进行高斯回归。采用该形式的模型考虑时空高斯过程回归变为：

f(x,t)～GP(0,k(x,t；x′,t′))(8)

y

要用足够数量的时间导数来增强状态，就可以强制状态空间模型的给定状态分量的几乎任何协方差函数。可以使用这个想法来建立一个混合模型，其中上述模型中的时间相关性被表示为一种随机微分方程类型的模型，并且通过适当地选择模型中的矩阵将空间相关性注入到模型中。空间维度充当一个额外的向量元素索引，这就成为了无限维状态空间模型：

y

其中状态f(t，x)在时间t由整个函数x—f(t,x)和一个合适的数它的时间导数组成。该模型现在是一个无限维马尔可夫类型的模型，允许线性时间推理与无限维卡尔曼滤波器和RTS平滑，将高斯过程回归在时间步长的三次复杂度降低为线性时间复杂度。

在状态空间模型公式中，认为有一个在时间上向前传播的场，而在基于协方差的公式中，只计算“冻结”场的时空点之间的协方差。可以通过将状态空间模型中的平稳算子或协方差函数更改为非平稳算子或协变函数，将平稳模型嵌入非平稳偏微分方程中，或适当更改输入空间的坐标系来构建非平稳过程。

式7用于定义建模数据的基本函数，其中x是来自训练数据集的值，并且是方差为

E|y|＝E|f+ε|＝0(12)

先验分布包含关于不确定参数的重要信息，并且由于GP回归基于贝叶斯分析。先验分布与新输入数据的概率分布一起用于生成后验分布，后验分布将用于未来的推理和涉及不确定参数的任何决策，为了预测输出f，对于给定的新输入x*，分布可以定义如下：

其中，k(X，X*)＝k(X*，X)T＝[k(x1，X*])，k(x2，X*)，…，k(xn，X*)]，为了简单起见，用k*表示。

然后，根据联合高斯分布，目标值的估计由下式给出：

所获得的后验方差(Var[f*])与测试和训练数据点之间的距离成反比，而平均值的估计

超参数的最优值将通过最大化GP模型精度来识别，因此使用贝叶斯优化技术来调整超参数，其中优化试图通过改变参数来最小化GP回归的交叉验证损失或误差。GP模型估计预测函数的置信区间(CI)(反映模型的不确定性)，这些置信区间在不确定性量化中很有用。使用(16)计算结果如下：

CIn＝μn±2σn(17)

GP不确定性使用模型输入的概率描述，该概率描述可用于导出模型输出和系统性能指标的概率分布。GP是多变量模型，其中协方差矩阵K给出了每个变量沿前导对角线的方差，非对角线元素使用以下关系测量不同变量之间的相关性：

其中K的大小为n×n，n是所考虑的输入数据点的数量，并且它必须是对称的和半正定的，即Kij＝K ji。n为GP回归模式的输入数量，用于合并输入变量的数量，其中x是风速以及运行参数、转子速度和叶片桨距角,由此描绘估计出估计的测量功率曲线，提高了原有功率曲线的精度。转子速度对风速的曲线称为转子速度曲线，它是关于风速单调递增的。在最佳转子转速下，涡轮提取最大功率，而桨距角通过减小叶片倾角来限制发电机在额定功率输出时的功率。这两个变量都会影响风机的操作行为，因此被称为操作变量将风机转子转速和桨距角两个运行变量作为输入变量，并利用步骤1得到的数据对GP功率曲线模型进行训练和验证，得到与现有引入了空气密度、湍流强度和风向构建的功率曲线相比更高精度的功率曲线。

本发明建立基于IEC标准校正的海上风电场大数据集。对来自海上风电场SCADA系统记录的时间戳、风速、转子转速、桨距角、输出功率、环境温度、大气压力等数据进行收集和处理，过滤掉其中的缺失值、负功率样本以及其他超出范围值的误导性数据，根据IEC标准61400-12-1中的相关公式对数据进行空气密度校正，构建包括空气密度、湍流强度等海上风电场数据集，以提高后续模型计算结果的准确性和状态监测的有效性。其次，提出用于雷击故障检测的高斯回归过程(Gaussian Process，GP)模型。基于海上风电场数据集，利用平方指数协方差函数构建参考功率曲线的GP模型，并在其中加入噪声项以补偿测量噪声的影响。将风机转子转速和桨距角两个运行变量作为输入变量，并利用步骤1得到的数据对GP功率曲线模型进行训练和验证，得到与现有引入了空气密度、湍流强度和风向构建的功率曲线相比更高精度的功率曲线，能够更精确的分辨出雷击故障最后，提出将时空高斯回归过程问题转化为无限维状态空间模型的方法，通过使用计算效率高的无限维卡尔曼滤波和平滑方法，或更一般的贝叶斯滤波和平滑方法，将高斯过程回归在时间步长问题的立方复杂度降低为线性时间复杂度，从而解决GP算法在处理大量数据集的计算困难和来自复杂数据集的限制问题,进一步提升海上风电场雷击故障监测的准确性。

实施例2：

本发明还提出一种对应于实施例2的海上风机雷击故障检测装置，在硬件层面，该海上风机雷击故障检测装置装置包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的数据采集的方法。当然，除了软件实现方式之外，本发明并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware DescriptionLanguage，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

实施例3：

本发明还提出一种对应于实施例1的计算机可读存储介质，介质上存储有程序，程序可实现实施例1的海上风机雷击故障检测方法。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。