[发明专利]基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法

说明书

基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法，包括以下步骤：S1对数据进行清洗；S2对数据进行预处理，通过引入变桨电机温度与上一时刻变桨电机温度差参数来体现时间序列；S3通过协同表达选出输入参数；S4通过十折交叉法验证进行超参数调参，选取得到最优参数；S5将最优参数带入模型进行训练，得到最优参数下的每台风机的Light GBM模型；S6对新来的数据直接带入已经训练好的模型中，得到变桨电机温度的预测值；S7将预测值与实际值进行对比，比较预测值与实际值的残差，判断残差是否持续大于设定的阈值；若是，则发出预警。本发明克服了现有技术的不足，大大提高了算法运行效率，提高了算法精度。

技术领域

本发明涉及故障诊断及预警技术领域，具体涉及基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法。

背景技术

目前风电机组SCADA系统中已经集成变桨电机高温故障报警功能，但功能单一，只有故障指标达到设定的阈值后，才会出现报警，且会造成机组停机造成较大的电量损失，不能进行故障预警及诊断。

基于数据统计及经验判断的预警方法，能够进行一些变桨电机高温预警，但依赖于人工经验以及大量的数据统计。

传统的boosting算法(如GBDT和XGBoost)需要对每一个特征都要扫描所有的样本点来选择最好的切分点，需要消耗大量时间，在如今风电领域大样本和高维度的环境下，传统的boosting在效率和可扩展性上不能满足现在的需求。

现有的风电机组变桨电机故障预警智能算法多是基于决策树、神经网络等机器学习算法，算法训练需要大量的SCADA数据，训练耗时长，准确率低，并且难以识别出引发故障的根本原因，另外大多数机器学习工具都无法直接支持类别特征作为输入，一般需要转换成多维0/1特征，带来计算和内存上的额外消耗。

发明内容

针对现有技术的不足，本发明提供了基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法，克服了现有技术的不足，大大提高了算法运行效率，提高了算法精度，并通过根因分析得到更为准确的故障原因。

为实现以上目的，本发明通过以下技术方案予以实现：

基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法，包括以下步骤：

步骤S1：对数据进行清洗，将不正常数据剔除，并根据事件数据及时间序列筛选出无故障状态下的运行数据；

步骤S2：对数据进行预处理，通过引入变桨电机温度与上一时刻变桨电机温度差参数来体现时间序列；

步骤S3：通过协同表达选出输入参数；

步骤S4：通过十折交叉法验证进行超参数调参，选取得到最优参数；

步骤S5：将最优参数带入模型进行训练，得到最优参数下的每台风机的Light GBM模型；

步骤S6：对新来的数据直接带入已经训练好的模型中，得到变桨电机温度的预测值；

步骤S7：将预测值与实际值进行对比，比较预测值与实际值的残差，判断残差是否持续大于设定的阈值；若是，则发出预警。

优选地，所述步骤S3通过协同表达选出输入参数具体包括以下步骤：

步骤S31：通过协同表达选取与变桨相关参数；

步骤S32：通过协同表达算法算各个参数与变桨电机温度之间的权重系数；

步骤S33：将权重系数从小到大进行排序，得到输入参数。

优选地，所述步骤S31中所选取的与变桨相关参数包括：风速、环境温度、有功功率、三个叶片发电机定子绕组温度、轮毂温度、A相电流、B相电流、C相电流、叶片电机温度、与上一时刻电机温度差。