基于CatBoost机器学习模型的风电机组机舱温度异常预警研究

风电机组机舱内部的机械部件众多,以机舱温度为研究对象可以实现对风电机组故障的预警。首先提取风电机组正常运行状态下的机舱温度数据,综合Pearson相关系数和Spearman相关系数,以及轻型梯度增强学习器(LightGBM)和CatBoost算法的特征变量重要性,筛选出与机舱温度相关性较大的20个特征变量,作为风电机组机舱温度的特征变量集合;然后选择CatBoost、LightGBM、随机森林(Random Forest)3个算法分别建立模型,以均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、判定系数R2作为评价指标进行综合评价,最终选择评价指标最优的采用CatBoost算法建立的模型作为风电机组机舱温度异常预警模型,并采用实际的风电机组机舱温度异常的历史数据对模型的预警效果进行验证。该模型可在机舱温度预测值与真实值之间偏离程度较大时进行预警,专业检修人员可以根据模型输出的特征变量重要性排序,优先检修相关性较高的部件,实用性较强。