[发明专利]一种Box-Cox变换和Bin算法相结合的风电机组故障预警方法

说明书

本发明公开了一种Box‑Cox变换和Bin算法相结合的风电机组故障预警方法，所述故障预警方法为采用Box‑Cox变换将近似正态分布初始数据变换为呈现正态分布的数据，再用Bin算法对风电机组原始数据进行预处理，使得进行预处理的数据更加精确可靠，以便于减少误差，再运用非线性状态评估故障诊断方法对预处理后的数据进行建模分析，应用于风电机组齿轮箱的状态监测和预警。本发明采用上述的一种Box‑Cox变换和Bin算法相结合的风电机组故障预警方法，解决现有的风机运行原始数据预处理产生误差的问题，使得进行预处理的数据更加精确可靠，减少误差。

技术领域

本发明涉及风力发电技术领域，尤其是涉及一种Box-Cox变换和Bin算法相结合的风电机组故障预警方法。

背景技术

随着科学技术的发展和温室效应的加剧，清洁环保的新型能源的研发成为世界各国的重要任务。风能作为一种清洁环保、蕴量巨大且取之不尽的可再生能源深受各国研究人员的重视。近几年中国装机容量快速增长，累计装机容量和新增装机容量均居世界第一。风电机组是风力发电所需的设施，风电机组建立在环境气候恶劣或者地理位置偏僻交通不便的海岛、草原或者高原地带，因此交通运输成本和机组投入使用后的维护成本高昂。风电机组的大规模部署也为后续维护产生巨大的挑战。所以对于风电机组的故障预警，提前发现故障预兆并在故障前完成维护工作，可以大大节省了维护成本和人力资源。

在风电机组故障预警的研究中，SCADA系统的地位越来越重要。风机运行的数据都是通过SCADA系统进行采集、传输、存储等步骤之后再分析研究。但是SCADA系统在此过程中难免会产生数据错误和遗漏，采集的质量欠佳数据就不利于接下来的相关分析工作的开展。因此，在数据分析之前对数据进行预处理是非常必要的工作。

现有技术中有多种检测方法可对数据进行预处理，采用四分位法对数据进行检测，但是四分位法对于离群孤立的数据清洗效果显著，对堆积数据清洗会误删正常数据；采用K-means聚类算法对异常数据进行聚类检测，但是K-means聚类算法对于堆积数据的检测效果显著，对于离群的数据检测会产生误差，而且此算法的聚类中心的选取是随机的，因此数据清洗结果的准确性也有待考究；采用拉依达准则和格拉布斯准则对原始数据进行异常数据检测，上述准则是在检测数据呈现正态分布的基础上可进行操作，因为风电场数据分布并不是严格意义上的正态分布，这些方法中将分布数据近似看作呈现正态分布，这样检测出的结果难免会有误差。

发明内容

本发明的目的是提供一种Box-Cox变换和Bin算法相结合的风电机组故障预警方法，解决现有的风机运行原始数据预处理检测结果产生误差的问题，使得进行预处理的数据更加精确可靠，减少误差。

为实现上述目的，本发明提供了一种Box-Cox变换和Bin算法相结合的风电机组故障预警方法，所述故障预警方法为采用Box-Cox变换将近似正态分布初始数据变换为呈现正态分布的数据，再用Bin算法对风电机组原始数据进行预处理，使得进行预处理的数据更加精确可靠，以便于减少误差，再运用非线性状态评估故障诊断方法对预处理后的数据进行建模分析，应用于风电机组齿轮箱的状态监测和预警。

优选的，所述故障预警方法包括以下步骤：

(1)数据预处理，剔除风电机组中风速小于切入风速的数据和风速大于切入风速且功率为零的数据；

(2)Box-Cox变换和Bin算法结合对异常数据进行清洗，运用Box-Cox变换将近似正态分布初始数据变换为呈现正态分布的数据，再运用Bin算法进行检测，提高异常数据清洗效果；

(3)非线性状态评估建模，将未经过数据预处理的初始数据和经过数据预处理之后得到的数据分别用于非线性状态评估建模，将上述处理后的数据组合成新的矩阵，将两组数据以6:1:3的比例分成三份，分别表示训练集、验证集、试验集，用训练集、验证集、试验集分别验证非线性状态评估建模的精准度。