为有效检测风电机组叶片是否结冰,提出一种基于风电场监控与数据采集(Supervisory Control and Data Acquisition,SCADA)图像数据增强的风机叶片结冰检测方法.首先,对原始特征进行重构,并综合考虑数据相关性和特征重要性来筛选特征,随后...为有效检测风电机组叶片是否结冰,提出一种基于风电场监控与数据采集(Supervisory Control and Data Acquisition,SCADA)图像数据增强的风机叶片结冰检测方法.首先,对原始特征进行重构,并综合考虑数据相关性和特征重要性来筛选特征,随后,将SCADA数据转换为二维图像形式,以适配二维神经网络模型的输入需求.在此基础上,采用经过优化的CycleGAN算法生成更具适应性的图像数据,旨在解决数据类别不平衡的问题,同时提高模型的泛化能力.选取WT15数据作为训练集,WT21数据作为测试集.实验结果表明:与采用XGBoost模型进行特征选择相比,本文所提出的特征选择方法使得模型的准确率、F1分数分别提升4.69和2.64个百分点,与原始CycleGAN模型相比,则分别提升6.78和6.91个百分点.本文提出的方法在提高模型准确率和泛化能力方面具有显著优势.展开更多
文摘为有效检测风电机组叶片是否结冰,提出一种基于风电场监控与数据采集(Supervisory Control and Data Acquisition,SCADA)图像数据增强的风机叶片结冰检测方法.首先,对原始特征进行重构,并综合考虑数据相关性和特征重要性来筛选特征,随后,将SCADA数据转换为二维图像形式,以适配二维神经网络模型的输入需求.在此基础上,采用经过优化的CycleGAN算法生成更具适应性的图像数据,旨在解决数据类别不平衡的问题,同时提高模型的泛化能力.选取WT15数据作为训练集,WT21数据作为测试集.实验结果表明:与采用XGBoost模型进行特征选择相比,本文所提出的特征选择方法使得模型的准确率、F1分数分别提升4.69和2.64个百分点,与原始CycleGAN模型相比,则分别提升6.78和6.91个百分点.本文提出的方法在提高模型准确率和泛化能力方面具有显著优势.
