[发明专利]一种基于最优间隔分布机的变桨系统故障检测方法及装置

说明书

本发明公开了一种基于最优间隔分布机的变桨系统故障检测方法及装置，通过Pearson相关系数分析方法，进行变桨系统的特征选择得到样本数据集，使用代价敏感最优间隔分布机训练得到变桨系统的故障检测模型，解决了变桨系统故障样本类别不平衡、分布复杂，从而难以有效进行分类的问题，提高了使用故障检测模型进行故障检测的准确性。方法包括：获取风电机组的运行参数的运行数据集；根据Pearson相关系数分析方法对运行数据集进行变桨系统的特征选择，得到样本数据集；根据训练集对代价敏感最优间隔分布机进行构建训练，得到变桨系统的故障检测模型；根据测试集及故障检测模型，预测得到变桨系统的故障检测结果。

技术领域

本发明涉及风力发电领域，特别是涉及一种基于最优间隔分布机的变桨系统故障检测方法及装置。

背景技术

风力发电机组通常运行在复杂多变的不稳定自然环境中，常年受到阳光、雨水、风沙等侵蚀，同时，由于风电机组运行于高空，其主要零部件也都在位于空中的机舱内，所以在日常运行过程中，会有许多故障隐患。另一方面，一旦风电机组因故障而引起长时间停机，将会带来不小的人力维护检修花费以及零件更换的材料成本，风电场发电效率降低，引起巨大的经济损失。

变桨距系统是风电机组中的重要部分，其主要包括叶片、轮毂等主要部件，这些部件在平均维修时间、材料成本以及所需技术人员数量中，属于高占比部件，因此，保障风电机组变桨系统的安全平稳运行就显得尤为重要。及时有效地针对变桨系统进行状态监测和故障检测，对于风力发电行业来说，具有良好的经济效益以及工程实用价值。

当前风电机组故障检测工作主要建立在风电数据采集与监视控制系统(Supervisory Control And Data Acquisition，SCADA)的数据分析基础上，通过分析机组运行过程中产生的数据，如功率、振动、温度等，得到机组运行状态、故障情况等信息，从而达到故障检测的目的。

支持向量机(Support Vector Machine，SVM)作为一种以统计学理论为基础的机器学习方法，有较好的学习性能，在多分类识别、回归预测等很多领域得到了成功的应用，其在风电机组的故障检测研究中也深受研究者的青睐。例如，包括将对角谱和聚类二叉树同SVM相结合，对风电机组齿轮箱进行故障检测；还包括基于多级模糊支持向量机分类器的风力发电机组故障诊断方法，在振动信号中通过经验模态分解法提取故障特征向量，并对模糊聚类算法的核函数参数进行优化，通过多级模糊支持向量机实现风电机组的故障诊断；还包括基于最小二乘支持向量机的变桨系统故障预测方法，采用粒子群优化算法对多类最小二乘支持向量机分类器进行特征参数优化，从而实现变桨系统故障预测。

但是，在SVM中，由于其分类过程是建立在寻找最小间隔最大化的超平面的基础上，泛化性能不高，并且面对复杂的非线性多分类问题时，可能导致最终的优化过程成为不可微分的非凸过程。因此，在变桨系统故障检测中使用SVM，不能有效的解决变桨系统中数据类别不平衡、分布复杂的问题，导致故障检测率不高，从而影响到了风电机组的运维成本和风场的生产效率。

发明内容

本发明的目的是提供一种基于最优间隔分布机的变桨系统故障检测方法及装置，通过Pearson相关系数分析方法，进行变桨系统的特征选择得到样本数据集，从而删选掉了与变桨系统的故障检测不相关的数据，减少了故障检测过程的时耗，使用代价敏感最优间隔分布机训练得到变桨系统的故障检测模型，解决了变桨系统故障样本类别不平衡、分布复杂，从而难以有效进行分类的问题，提高了使用故障检测模型进行故障检测的准确性。

本发明第一方面提供一种基于最优间隔分布机的变桨系统故障检测方法，包括：

获取风电机组的运行参数的运行数据集，运行参数至少为一个；

根据Pearson相关系数分析方法对运行数据集进行变桨系统的特征选择，得到样本数据集，样本数据集包括训练集和测试集；