基于慢特征分析和随机森林的风叶结冰故障监测

在风力领域方面，叶片结冰是一个世界性的难题。机理建模方法监测叶片结冰需要大量先前的理论，但在大多数情况下无法满足。随着人工智能的发展，数据驱动方法吸引了广泛的注意。提出一种慢特征（SFA）和随机森林（RF）的组合策略用于监测风机叶片结冰故障，对提高风机的可靠性和经济效益来说意义重大。首先，SFA用于选取过程中改变慢特征，然后将提取的慢特征输入随机森林模型进行故障监测。通过风电实验的验证，该方法的最低错误率为0.268，而直接放入随机森林的错误率为0.346。因此，选择慢特征的数量至关重要。