[發明專利]基于XGBoost算法的風機發電機故障監測與診斷方法

在審

• 申請號: 202010847369.1
• 申請日: 2020-08-21
• 公開（公告）號: CN112035716A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 劉廣臣;李國慶;范晨亮
• 申請（專利權）人: 華風數據（深圳）有限公司;國電電力內蒙古新能源開發有限公司
• 主分類號: G06F16/9035
• 分類號: G06F16/9035;G06N20/00;G06Q50/06
• 代理公司: 深圳市中智立信知識產權代理有限公司 44427
• 代理人: 劉蕊

1.一種基于XGBoost算法的風機發電機故障監測與診斷方法，其特征在于，包括以下步驟：

步驟1，從SCADA數據庫中提取預定時間段內以預定時長為時間間隔的數據，從控制狀態篩選出并網狀態下的數據，刪去含有缺失值的數據行、刪除其他控制狀態下的數據行，刪除日期時間列、刪除控制狀態列、刪除缺失變量列，從而得到輸入數據集合；

步驟2，綜合Pearson相關系數、XGBoost算法這兩種變量排序方法：對風場集控發電機相關特征變量進行相關性分析，對兩種算法排序結果賦予平均權重打分進行綜合排序，從模型結果得到建立模型所需要的排名靠前的特征變量；

步驟3，根據相關部件故障記錄表，刪去故障時間段以及其前后各一天的所有數據，篩選該風機在并網正常運行的狀態下的數據作為總數據，采用機器學習的方式將總數據隨機進行劃分，其中，80％作為訓練集，用于訓練基于XGBoost算法的發電機故障監測模型，以提前對發電機故障進行預測，20％作為檢驗集，用于對此模型優劣的檢驗；

步驟4，以發電機軸承A溫度、發電機軸承B溫度作為因變量，建立基于XGBoost算法、CatBoost算法、隨機森林算法的故障監測模型，利用機器學習調參方法網格搜索的方式檢索局部最優的參數組合，根據對比各項指標最終選取XGBoost算法作為最終故障監測模型；

步驟5，將數據檢驗集帶入訓練完成的模型，得到檢驗樣本對應的模型預測曲線與實際溫度曲線，繪制兩條曲線殘差圖供人工觀察風機的運行狀態，設定均方誤差、平均絕對誤差、平均相對誤差絕對值、R²等作為模型的評價指標；

步驟6，在XGBoost算法模型運作中對風機狀態實時進行故障監測，作出溫度曲線圖，在實際曲線與預測曲線發生偏離出現異常時，將模型變量相關性排序表用作風機檢修過程中故障原因診斷與定位的參照，該計分排名是利用Pearson相關系數、XGBoost算法計算輸入變量與輸出變量關聯程度得出，排名越高說明該變量與被解釋變量關聯性越強，為人工排查節省時間成本。

2.根據權利要求1所述的基于XGBoost算法的風機發電機故障監測與診斷方法，其特征在于，根據Pearson相關系數、XGBoost算法對特征變量進行綜合打分的過程如下：

步驟a，計算各個特征變量之間的Pearson相關系數；

步驟b，從XGBoost算法訓練好的模型之中輸出各個自變量與其被解釋變量的相關系數，得到變量的重要性排序結果；

步驟c，綜合兩種方式的排名結果賦予平均權重，計算綜合排名，其中，變量排序綜合表以兩種算法結合的方式分別反應發電機軸承A與發電機軸承B和各個特征變量的相關性進行由強到弱的排序，一方面對發電機訓練故障監測模型提供特征集關系，另一方面對故障狀態下故障診斷提供參考進行順序排查，提高工作效率。