[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

一種基于XGBoost算法的風機發電機故障監測與診斷方法，包括：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；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；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；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。本發明以提前對故障進行預測，依據多種算法對指標變量排序，作為故障診斷的依據，為人工提供參考條件，以更快找到故障可能發生位置，便于進行檢修，極大程度降低風機故障后故障原因未知，導致停機時間長而帶來的經濟利益損失。

技術領域

本發明涉及風電技術領域，特別涉及一種基于XGBoost算法的風機發電機故障監測與診斷方法。

背景技術

目前，BP神經網絡在風機發電機的故障預測和診斷領域運用廣泛，神經網絡在發電機變量間能夠提取重要特征；定義網絡輸入層、隱含層、輸出層各層向量，一般使用非線性激活函數作用于各節點，計算相應節點的權值與閾值；建立基于BP神經網絡的分類器對故障進行分類。基于小波變換的譜峭度法可用于發電機狀態的分析與診斷，結合LMD(局部均值分解)方法對原始信號分解，通過譜峭度分析出發電機的故障信號；多次迭代小波轉換輸入細節信息，可對高頻帶信號的分辨率處理精細，根據分析信號引入最佳基函數與信號匹配。Pearson相關系數分析作為特征變量的選取方法，對輸入變量特征的重要性進行排序，篩選出與輸出變量相關程度最大的特征變量，確定關聯程度，判斷其可作為發電機故障的關聯指標。

但是，深度學習網絡優化存在梯度消失問題，難以進行優化，非線性激活函數往往導致網絡收斂于局部最小值，網絡參數的設定可能會導致神經網絡的收斂速度很慢，深度學習網絡大多缺乏時效性，實時性。小波變換方法常用于振動信號的研究，對數據類型更有要求。在故障原因診斷的過程之中，現有的回歸模型只能夠給出故障狀態判斷，缺少對故障部位或者原因進行分析且準確性欠缺，單模型排序在實際運用中存在較大誤差，仍然不能為風機維修給出具有較高準確性的實質性建議。

發明內容

本發明提供了一種基于XGBoost算法的風機發電機故障監測與診斷方法，以解決至少一個上述技術問題。

為解決上述問題，作為本發明的一個方面，提供了一種基于XGBoost算法的風機發電機故障監測與診斷方法，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；