XGBoost算法在风机主轴承故障预测中的应用

针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题,提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先,对风机主轴承SCADA数据开展特征分析,挖掘和发现特征与故障之间的关联关系,并评估各特征的重要性;然后利用XGBoost算法构建主轴承故障预测模型,进行模型评估;最后,依据SCADA系统收集的实测数据对模型进行训练和测试,并调整XGBoost模型的主要参数,提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比,结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法,是处理SCADA大规模数据集的有效工具。     

基于数据驱动的风电机组故障预警研究

针对目前传统机器学习算法在风电机组建模中存在训练速度慢、准确性低等缺点,研究了基于TPE LightGBM算法的风电机组正常行为模型,并以正常行为模型为基础制定故障预警方案。首先,结合风机运行原理和XGBoost算法完成建模前的特征选择工作并利用异常数据处理后的SCADA历史运行数据建立风机性能、齿轮箱等的正常行为模型。然后,以正常行为模型输出与实际值的偏差为预警指标,引入滑动窗口模型对预警指标做平滑处理后作为阈值指标。最后,利用SCADA历史故障记录数据对预警方案进行实验验证,结果表明所提预警方案能够在SCADA系统报警提示信息发出前实现故障的提前预警。     

基于XGBoost-KDE的风机主轴承温度预测与故障预警方法

风力发电机主轴承的故障诊断是提高其可靠性和可用性的关键。为及时发现风机主轴承故障,提出一种基于XGBoost-KDE的风机主轴承温度预测与故障预警方法。选用数据采集与监视控制（SCADA）系统中相关的特征参数作为输入变量,对风机正常工况下的主轴承温度进行预测,得到预测值和正常工作时运行数据的残差;之后运用非参数核密度估计（KDE）法确定残差预警阈值,结合滑动窗口分析法实现风机主轴承故障预警。以某2 MW等级风电机组为研究对象,采用SCADA系统中的运行数据做验证,实验结果表明,该方法可以对风机正常工况下的主轴承温度实现97.6%的精准预测,并对主轴承故障时产生的温度曲线波动做出反应,提前近1个月对风机主轴承故障进行有效预警。     

基于支持向量数据描述和XGBoost的风电机组异常工况预警研究

该文提出一种基于支持向量数据描述（SVDD）和XGBoost模型的风电机组异常工况预警方法。从机组监控与数据采集系统（SCADA）数据中选择与转速和发电功率密切相关的特征变量,利用SVDD算法对建模数据进行预处理,采用XGBoost建立风机正常性能预测模型。以所建预测模型为基础,构建时间滑动窗计算性能评价指标,并根据统计学的区间估计理论合理确定风机性能异常预警指标阈值。采用某风电场1.5MW风电机组SCADA系统记录的若干真实故障案例,开展异常工况预警仿真试验。结果表明：基于SVDD和XGBoost的风机异常工况预警方法,可以有效地清洗数据,及时识别风电机组异常状态,对于提高风电机组运行的安全性具有较好的工程实用意义。     

基于深度自编码网络模型的风电机组齿轮箱故障检测

为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。     

基于Relief算法的风电机组故障特征参数提取方法

随着风电技术的快速发展,风电装机容量快速增长,风机SCADA系统监测的数据也越来越全面。风电机组部件故障与运行环境密切相关,可通过重点关注风电场中工况恶劣的风机来提高整体可用率。文章提出一种基于Relief算法从风电机组SCADA数据中提取故障特征参数的方法,根据SCADA历史数据和风机故障记录,利用Relief算法筛选出与风机部件故障相关度高的故障特征参数,作为判断风机运行工况和故障率的特征量。采用实际风电场的SCADA数据,以变桨故障和偏航故障为例进行计算,验证了本方法的有效性。     

应用深度自编码网络和XGBoost的风电机组发电机故障诊断

针对风电机组现场故障样本难获取的问题,为实现风电机组发电机部件的故障诊断,通过分析风机监控与采集(SCADA)数据,设计了基于深度自编码(DAE)网络和XGBoost的故障诊断算法。该算法包含两部分:第一部分是DAE故障检测算法,通过DAE获取SCADA数据的重构值,分析重构误差的变化趋势与其超越阈值的情况以预测风机故障和提取故障样本;第二部分是XGBoost故障识别算法,用贝叶斯优化搜索XGBoost的最优超参数,建立XGBoost多分类故障识别模型。算例结果表明,DAE算法能够捕获风电机组发电机早期故障,XGBoost比其他算法更精确地识别不同故障类型。     

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。     

基于SCADA系统大数据分析的配电网辅助监视方法研究

配电网设备众多,但单一设备的容量相对较小,为了提高配电网建设的经济性,往往仅在配电网的关键节点进行信息采集,因此,配电网的信息采集客观上存在信息盲区,在一定程度上降低了配电网运行时故障查找及故障恢复的工作效率。针对配电网信息盲区无法直接进行监视的问题,提出一种基于大数据分析的辅助监视方法。通过研究配电网上级电网的运行数据,挖掘配电网运行状态的典型特征信息,建立信息盲区配电网运行状态辨识模型;再将上级电网实时运行信息与配电网运行状态模型相匹配,实现对配电网运行状态的辅助监视,可在一定程度上解决配电网信息盲区的故障监视问题。新的监视方法以SCADA系统运行数据为基础,结合新的特征信息大数据滚动优化算法模型,可有效提高配电网信息盲区的故障监视水平。现已成功应用于武汉配电网19座110kV变电站211条10kV配电网线路的监视。实践结果表明,基于SCADA系统大数据分析的辅助监视方法能够较准确识别配电网的运行状态,及时发现配电网线路故障,有效提升配电网线路信息盲区的监视水平。     

考虑运行状态相似性的风电机组数据异常检测方法

文中提出一种利用风电场内运行状态相似的风电机组数据采集与监控（SCADA）数据提升异常检测结果准确性的方法。首先,基于实际数据的分析结果,提出了风电机组运行状态的相似性比较原则,进而提出了基于互信息特征选择算法和迭代自组织数据分析聚类算法的运行状态相似性评估方法。然后,在考虑状态变量短时相依性的基础上,利用待检测风电机组的历史SCADA数据构建了基于支持向量机的确定性估计模型,利用相似风电机组的历史SCADA数据构建了基于核密度估计的组合概率估计模型。进一步,利用确定型估计模型和组合概率估计模型分别对目标变量的异常状态进行自检测和外部检测,通过2次检测结果的互相印证来提升异常检测结果的准确性和可靠性。最后,基于一个实际风电场内所有风电机组的SCADA数据和对比实验验证了所提方法的可行性和准确性。     

基于相对主元分析的风电机组塔架振动状态监测与故障诊断

振动信号是风电机组数据采集与监控系统（supervisory control and data acquisition system, SCADA）中一类重要变量。以风电机组SCADA运行数据为基础,首先结合风机运行原理详细分析了导致塔架振动的主要因素。进而采用相对主元分析（relative principal component analysis,RPCA）和某风电机组2011年3~5月份的SCADA运行数据,建立了覆盖塔架正常工作状态的RPCA振动模型,计算得出监控统计量Hotelling T2（简称T2）和平方预测误差（squared prediction error,SPE）。采用塔架振动RPCA模型,准确检测出风电机组变桨系统故障,验证了所研究方法的有效性。     

大数据驱动下的风电机组工作状态决策树判别方法

风电机组所处工作状态的准确判别,对于掌握风电机组是否安全稳定高效运行具有重要的价值和意义。基于北方某风电场SCADA系统历史大数据,利用统计原理对风电机组特征参数进行了选取,在此基础上建立了一种判别风电机组工作状态的决策树(Decision Tree Algorithm)算法模型,并对模型参数进行了网格搜索优化,同时使用了新的历史数据对模型泛化能力做了检验,递归计算了风电机组不同状态下的信息增益和信息熵。依据风场历史数据对风电机组6种典型工作状态模式做了判别验证,结果表明该方法能够准确有效地判别给出风电机组工作状态模式,准确率平均达到0.989,从而验证了此方法的可行性和有效性。     

基于IMHSA-MSCNN-BiLSTM的风机轴承故障诊断

由于风力发电机组的非平稳运行条件和周围恶劣的工作环境,风机轴承故障振动脉冲特征易被随机噪声干扰所淹没,这给准确检测滚动轴承故障造成了挑战。为了降低随机干扰对后续特征提取的影响和算法复杂度,提出了一种改进多头自注意力机制（IMHSA）-多尺度卷积网络（MSCNN）-双向长短期记忆网络（BiLSTM）的风机轴承故障诊断方法。首先,由周期空洞自注意力和局部自注意力组成的IMHSA对特征进行增强,以减少随机干扰影响及特征增强过程中的时间消耗;然后,利用MSCNN-BiLSTM网络提取故障信号中的空间特征与长期依赖特征;最后,经全连接层和Softmax层输出风机轴承故障诊断结果,并采用实验台滚动轴承实际运行数据进行算例分析,通过与领域内其他同类方法的对比,验证了所提方法的有效性和优越性。     

基于PCA-KNN融合算法的风力机变桨角度故障诊断方法

针对风力机变桨系统变桨角度4种主要故障类型,基于机组SCADA数据分析,提出一种基于非参数核密度估计和Relief-F特征参数提取数据处理,以及PCA-KNN融合算法故障诊断的风力机变桨角度异常状态识别方法。首先,对风力机SCADA数据进行非参数核密度估计预处理,运用Relief-F算法提取变桨角度故障的7类（13个）特征参数;然后,通过PCA-KNN融合算法对变桨角度故障状态进行识别,结果表明：该方法能够准确识别变桨角度4种主要的故障类型。最后,将改进的PCA-KNN融合算法与常用的KNN算法、PCA-KNN算法和BP神经网络进行对比,结果表明：改进的PCA-KNN融合算法具有更为准确的识别率。     

基于 OOB-GWO-SVR 的风电机组齿轮箱故障预警

针对风电机组齿轮箱超温出现的故障问题,提出了基于改进参数优化机器学习算法的风电机组齿轮箱故障预警模型。 首先,通过随机森林袋外估计确定特征变量,并采用滑动平滑滤波对输入变量进行滤波处理。 其次,构建灰狼算法优化支持向 量回归模型,根据最优模型输出的偏差值确定状态识别指标。 最后,通过时移滑动窗口设置阈值范围,当状态识别指标超出阈 值范围之外时立即报警。 实验结果表明,该模型能提前 87 min 对风电机组齿轮箱温度异常发出故障预警,并且预警效果优于 距离相关系数-GWO-SVR 模型、Pearson-GWO-SVR 模型和 OOB-SVR 模型。     

大数据处理技术在风电机组齿轮箱故障诊断与预警中的应用

风电机组状态监测数据具有量大、多源、异构、复杂、增长迅速的电力大数据特点。现有的故障诊断与预警方法在处理大数据时难以在保证精度情况下进行快速处理,故提出了结合Storm实时流数据处理和Spark内存批处理技术的风电机组在线故障诊断与预警模型。以齿轮箱故障诊断与预警为例阐释该模型,引入了Storm处理状态监测数据流,设计了流数据处理的Topology结构;引入Spark,利用弹性分布式数据集(RDD)编程模型实现了朴素贝叶斯(NB)算法和反向传播(BP)算法对设备状态信息进行故障诊断与预测。实验结果显示,该故障诊断与预测方法在保证精度的前提下具有较好的加速比,也证明了该故障诊断与预警模型的有效性和可行性。     

基于区间划分的风电齿轮箱在线故障预警方法

针对大型风电机组运行工况复杂多变,依靠恒定的润滑油温度值作为齿轮箱故障预警值容易不报的问题,提出了基于运行区间划分的风电机组齿轮箱在线故障预警方法。该方法通过划分不同的运行区间,对不同运行区间根据高斯模型分别设定阈值。将实时数据代入相应运行区间判定是否异常,再利用移动窗口计算异常率作为触发齿轮箱故障预警的指标。该方法用于某1.5 MW风电机组齿轮箱故障的分析,结果表明,该方法能够准确地反映故障的发展趋势,可实现齿轮箱故障的早期预警,避免故障向更严重的方向发展,降低风电机组运行和维修成本。