基于SCADA数据的风机叶片结冰检测方法

李宁波，闫涛，李乃鹏，孔德同，刘庆超，雷亚国



基于SCADA数据的风机叶片结冰检测方法

李宁波1，闫涛1，李乃鹏1，孔德同2，刘庆超2，雷亚国1

（1．西安交通大学陕西省机械产品质量保障与诊断重点实验室，陕西省 西安市 710049；2．华电电力科学研究院有限公司，浙江省 杭州市 310030）

针对工作在寒冷地区的风机易出现的叶片结冰现象，提出一种基于SCADA数据的风机叶片结冰检测方法。根据叶片结冰会增大发电机的功率损耗，选择风速与网侧有功功率2个变量，利用主成分分析技术构造对叶片结冰敏感的风速与网侧有功功率在非主成分方向投影特征，通过选择最优阈值使逻辑回归分类器适用于不平衡分类，可以实现风机叶片结冰检测自动化与智能化。通过中国工业大数据创新竞赛数据验证了该方法的有效性。

风机叶片结冰检测；SCADA数据；非主成分方向投影特征；最优阈值选择；不平衡分类

0 引言

风电是目前最成熟、最具发展潜力且基本实现商业化的新兴可再生能源技术[1-2]。在全世界各国中，中国的风电发展举世瞩目，年新增风电装机占全世界的比例从2006年的不足10%上升到2010年的49%，且保持着不断增高的趋势。但风能获取的特殊性决定了大量风机需布置在高纬度、高海拔的寒冷地区。以我国为例，至2016年，全国风机累计装机总量的65%以上位于北方寒冷地区[3]。而工作在寒冷地区的风机受霜冰、雨凇和湿雪等气象条件影响，极易发生叶片结冰现象，进而引发一系列后果。具体来说有以下危害[4]：

1）结冰后的风机叶片翼型发生改变，导致风能捕获能力下降，加之叶片上附着冰层，增大了叶片转动所需能量，最终导致风机发电功率损耗；

2）风机叶片结冰后，直接导致叶片部分结构参数改变，继而影响其固有模态参数，诱发叶片断裂；

3）当风机叶片结冰积累到一定程度后，冰层受自重影响断裂飞出，极易击中风场巡检人员，造成人身事故。

由上可见，及时检测并消除叶片结冰故障对于延长风电设备使用寿命、预防重大安全事故具有重要意义。针对叶片结冰检测问题，现有方法主要通过对叶片结冰机制进行理论分析研究，建立叶片结冰判断模型并根据监测数据判断当前时刻风机叶片是否发生结冰。文献[5]通过红外传感器采集叶片温度数据，根据预设结冰阈值判断叶片结冰与否。文献[6]基于超声检测技术，实现对叶片结冰的早期检测。文献[7]利用风机叶片上预先布置的光纤传感器判断叶片是否发生结冰。文献[8]对现有叶片结冰检测方法进行总结。然而，上述方法尽管具有物理意义明显、方法准确率较高的优点，但其往往需要额外布置传感器，带来风场运营成本飞升，故而在实际中并未得到广泛使用。

SCADA系统作为当前应用最为广泛、技术发展最为成熟的数据采集与监控系统，在大量风电设备中得到应用[9]。由于SCADA系统采集的大量监测变量能够充分表征风机工作状态，倘若能使用合适的智能模型从SCADA数据中挖掘故障信息、判断叶片结冰状态，则可充分利用SCADA系统，在较低的成本下完成叶片结冰检测工作，大大拓宽叶片结冰检测方法的适用场合。

本文对某风场SCADA数据进行分析，筛选与构造能够反映叶片结冰状态的监测变量，而后基于逻辑回归算法构造不平衡分类器，以根据SCADA数据实现风机叶片结冰监测。

1 基于SCADA数据的方法

SCADA系统是风场设备管理、监测和控制的重要系统，风机运行的实时数据主要由SCADA系统进行存储。目前，SCADA系统中存储的数据通常有上百个变量，涵盖了风机的工况参数、环境参数和状态参数等多个维度，风场管理者能够通过分析SCADA系统实时了解风电装备资产的运行和健康状态。

由引言可知，风机叶片结冰会增大风机发电的功率损耗，本文选择了风速和网侧有功功率2个与结冰现象较为相关的变量进行分析。

基于SCADA数据的风机叶片结冰检测方法流程如图1所示，分为离线训练和在线预测2部分。离线训练包括数据预处理、敏感特征选择与构建、逻辑回归分类器构建、最优阈值选择4步；在线预测同样要经过数据预处理，提取选择和构建好的特征，将其输入训练好的逻辑回归分类器，并将逻辑回归输出与最优阈值比较，得到分类结果。

图1 风机叶片结冰检测方法流程图

1.1 数据预处理

数据预处理分为2步：数据分组与数据筛选。数据分组是将SCADA数据按照时间连续性，每5~10min的数据划分为一组，取组内变量的平均值作为该组变量的特征。因为风机叶片转动惯性的存在，会减少风机发电瞬时功率与瞬时风速之间的相关性，数据分组可降低惯性对其影响。数据筛选则是筛选出未达满功率发电的数据，进行后续结冰监测判别。因为在已有数据中，当风机满功率发电时，无结冰事件。数据筛选可截取平均功率随平均风速近似线性变化的部分。

数据预处理的目的是将叶片结冰现象对风速与发电功率的影响显性化。显性化过程如图2所示。图2(a)为原始风速与功率关系图，图2(b)为经过数据分组处理后的风速与功率关系图，图2(c)为经过数据筛选处理后的风速与功率关系图。

1.2 敏感特征构建

敏感特征构建利用主成分分析技术对风速与功率特征进行主成分分析。如图3所示，黑色箭头方向为主成分方向，代表风速对功率的影响关系；而非主成分方向即为绿色箭头方向，可在一定程度上表示结冰故障情况。

构建的敏感特征即为风速与功率在非主成分方向的投影，特征分布如图4所示，可以看出，正常状态和结冰状态存在明显的划分。

1.3 分类器的构建与最优阈值选择

为使风机叶片结冰预测自动化和智能化，在提取敏感特征后将其输入机器学习模型自动判别风机的结冰状态。本方案采用的机器学习模型为逻辑回归分类器，逻辑回归函数表达式为

图2 数据预处理过程图

图3 风速与功率特征主成分分析图

式中：表示输入特征；为输入样本维数；；表示逻辑回归函数的参数。

通常，当分类器的正反2类样本平衡时，逻辑回归函数的判别阈值取为0.5。但是，当风机叶片结冰问题是一个严重的不平衡分类问题，大量的样本是正常样本，结冰样本仅为少数。因此，逻辑回归函数的判别阈值需根据交叉验证实验调节，选择最优判别阈值。

2 实验验证

验证数据来自首届中国工业大数据创新竞赛[10]，数据概况见表1。数据包括某风场内5台风机的SCADA数据，采集历时2个月，总计采集了一百多万个时间戳的SCADA监测数据，其中每个时间戳的SCADA数据包括28个连续数值型监测变量，涵盖了风机的工况参数、环境参数和状态参数等多个维度。同时，数据由于保密问题，赛事主办方对风速、网侧有功功率等变量进行了减均值除标准差的标准化处理，失去了原始的物理意义。

此外，所给数据的状态标签分布呈现严重非平衡性。训练集状态标签分布见表2，正常状态标签的时间戳约占全部监测数据的90%，而故障时间仅占不到10%。对于这样极度非平衡的数据，易造成算法对少数类识别率低，而风机叶片结冰预测问题恰为对少数类的识别问题。

表1 实验数据概况

表2 训练数据状态标签

2.1 交叉验证选择最优分类阈值

通过对训练数据进行交叉验证，选择最优的分类阈值。评估函数为分类准确率与比赛得分函数[10]，分类准确率评估多数类的识别情况，比赛的得分函数评估对少数类的识别情况。实验一的训练数据为风机15，验证数据为风机21，实验结果如图5所示；实验二的训练数据为风机21，验证数据为风机15，实验结果如图6所示。

图5 实验一结果图

图6 实验二结果图

从图5与图6的实验结果中可以看出，随着分类阈值的升高，分类准确率即对多数类的识别能力不断增加，且在初始阶段变化明显，随后变化逐渐平缓，当阈值取为0.1时，分类准确率均已超过90%；而比赛得分函数则不像分类准确率一样单调变化，得分先随着阈值的升高而升高，当阈值取为0.1左右时，得分达到最高点，之后随着阈值的升高而下降，当阈值取为0.1时，所有得分均超过80分。综上所述，0.1为合理的分类阈值。

2.2 测试集与最终提交集的预测结果

最终的实验方案如表3所示，测试集与最终提交集的预测结果及得分如图7所示。图7中以5台风机的风速变量表示时间，训练集中红色区域表示实际风机叶片结冰时间，预测集和最终提交集红色区域表示预测风机叶片结冰时间。从图7中可以看出，对应关系比较明显，预测较为准确。

表3 最终实验方案

图7 测试集与提交集检测结果图

本方案在训练集的得分为86分，测试集的得分为85分，最终提交集的得分为75分。在八百多支参赛队伍中最终取得第5名。

3 结论

1）本文提出了一种基于SCADA数据的风机叶片结冰检测方法。实验结果表明，该方法较为准确地预测了风机叶片的结冰时间。

2）依据风机叶片结冰对风机工作状态的影响，本文从SCADA系统中选择风速与网侧有功功率变量，并利用主成分分析技术提取其在非主成分方向的投影特征，实验结果表明，该特征对风机叶片结冰极为敏感。

3）针对风机叶片结冰这类不平衡分类问题，本文采用选择最优阈值使逻辑回归分类器适用于不平衡样本，实验结果表明，该方法有效地解决了风机叶片结冰的不平衡分类问题。

[1] 胡彦君，史波．SCD 3.0 MW大功率两叶片风力发电机优化[J]．发电与空调，2017，38(4)：47-51．

[2] 刘保松，刘晓光．风电机组功率曲线的优化研究[J]．发电与空调，2015，36(5)：36-40．

[3] 北极星风力发电网．权威数据——2015年中国风电装机容量统计报告：新增装机30753MW同比增长32.6%[EB/OL]．(2016-04-01)[2018-02-28]．http：//news.bjx.com.cn/html/20160401/721882.shtml.

[4] 张建卓，董申，李旦．基于正负刚度并联的新型隔振系统研究[J]．纳米技术与精密工程，2004，2(4)：314-318．

[5] Muñoz C Q G，Márquez F P G，Tomás J M S．Ice detection using thermal infrared radiometry on wind turbine blades[J]．Measurement，2016(93)：157-163．

[6] Berbyuk V，Peterson B，Möller J．Towards early ice detection on wind turbine blades using acoustic waves[C]．Proceedings of Nondestructive Characterization for Composite Materials，Aerospace Engineering，Civil Infrastructure，and Homeland Security 2014．International Society for Optics and Photonics，2014，9063：90630F．

[7] Kim D，Sampath U，Kim H，et al．A fiber-optic ice detection system for large-scale wind turbine blades

[C]．Proceedings of Optical Modeling and Performance Predictions IX．International Society for Optics and Photonics，2017，10374：103740B．

[8] Shi Q．Model-based detection for ice on wind turbine blades[D]．Trondheim：NTNU，2017．

[9] 梁颖，方瑞明．基于SCADA和支持向量回归的风电机组状态在线评估方法[J]．电力系统自动化，2013，37(14)：7-12．

[10] 风机运行脱敏数数据[EB/OL]．[2017-07-15][2018-02-28]．http：//www.industrial-bigdata.com.

(责任编辑 车德竞)

Ice Detection Method by Using SCADA Data on Wind Turbine Blades

LI Ningbo1, YAN Tao1, LI Naipeng1, KONG Detong2, LIU Qingchao2, LEI Yaguo1

(1. Shaanxi Key Laboratory of Mechanical Product Quality Assurance and Diagnostics, Xi'an Jiaotong University, Xi'an 710049, Shaanxi Province, China; 2. Huadian Electric Power Research Institute Co., LTD, Hangzhou 310030, Zhejiang Province, China)

Aimed at the phenomenon of wind turbine blade icing, which is easy to occur in the cold areas, a method of icing detection of wind turbine blades using SCADA data was proposed. When the blades are icing, the power loss of generator will be increased, thus the method picks two variables, wind speed and power. Principal component analysis (PCA) was used to construct the projection feature on non-principal component direction which is sensitive to icing and active power of network. By choosing the optimal threshold, the logistic regression classifier is suitable for unbalanced classification. The effectiveness of this method was verified by the data of China Industrial Big Data Innovation Competition.

ice detection on wind turbine blade; SCADA data; non-principal component projection feature; optimal threshold selection; unbalanced classification

2017-12-05。

李宁波(1992)，男，博士研究生，主要研究方向为机械设备剩余寿命预测，liningbo1992@163.com。

国家自然科学基金项目(U1709208，61673311)；中组部“万人计划”青年拔尖人才支持计划。

Project Supported by National Natural Science Foundation of China (U1709208, 61673311); National Program for Support of Top-notch Young Professionals.

10.12096/j.2096-4528.pgt.2018.010