[發明專利]基于LightGBM算法的風電機組變槳電機溫度傳感器故障預警方法

有效

• 申請號: 202010904016.0
• 申請日: 2020-09-01
• 公開（公告）號: CN112597691B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 曹欣;譚建鑫;李雪松;白日欣;尚一斐;崔愷;魏曉陽;臧鵬;王運方;王臻;馬同寬
• 申請（專利權）人: 新天綠色能源股份有限公司;河北建投新能源有限公司;河北新天科創新能源技術有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F113/06;G06F119/08
• 代理公司: 上海驍象知識產權代理有限公司 31315
• 代理人: 趙俊寅

1.基于LightGBM算法的風電機組變槳電機溫度傳感器故障預警方法，其特征在于，包括以下步驟：

步驟S1：數據收集與處理，在建模前收集足夠的風機運行數據，并進行初步處理；

步驟S2：訓練模型，選擇帶有變槳電機傳感器故障的數據進行模型訓練，保存為lightGBM模型；

步驟S3：調參優化，為了使算法達到最優的訓練效果，對模型調整參數變量；

步驟S4：運行模型得出預警結果，模型保存后，在新的數據預測過程中，需要先加載保存的模型，需要預測的數據，通過預測值與實際值的比較來判斷故障點，輸出預警信息；

步驟S5：根因分析，對預警信息進行分析，找到引起故障的根本原因，給出合理的維修建議；

所述步驟S5的根因分析包括以下步驟：

步驟S51：讀取風場的SCADA數據，并篩選出停機超過設定時間的SCADA數據；

步驟S52：計算三個變槳電機溫度T1、T2、T3之間的差值ΔT12、ΔT23和ΔT31；

步驟S53：當ΔT12、ΔT23和ΔT31中至少兩個大于設定值b時，記為異常點，并確定變槳電機溫度傳感器存在異常；

步驟S54：計算三個變槳電機溫度T1、T2、T3分別與輪轂溫度之間的差值ΔT1、ΔT2和ΔT3；

步驟S55：當ΔT1、ΔT2和ΔT3中至少兩個大于設定值c時，記為異常點，并確定變槳電機溫度傳感器存在異常；

步驟S56：篩選風機中正常運行時的數據；

步驟S57：利用LightGBM算法進行預測；

步驟S58：計算三個變槳電機溫度T1、T2、T3與各自預測值的殘差ΔT1p、ΔT2p和ΔT3p；

步驟S59：判斷殘差值的大小，當殘差值大于設定值d時，則表示傳感器溫度向上漂移，當殘差值小于-d時，則表示傳感器溫度向下漂移；當殘差值大于100或小于-100時，則表示傳感器發生損壞；當殘差絕對值小于d，同時方差大于設定值e時，則表示傳感器線路松動。

2.根據權利要求1所述的基于LightGBM算法的風電機組變槳電機溫度傳感器故障預警方法，其特征在于：所述步驟S1中，風機運行數據包括風機T時間段內SCADA歷史運行數據，具體選取SCADA數據中與變槳電機溫度相關的遙測信號，對不正常數據按照IEC標準進行剔除。

3.根據權利要求2所述的基于LightGBM算法的風電機組變槳電機溫度傳感器故障預警方法，其特征在于：所述遙測信號包括SCADA數據中葉片電機溫度，輪轂溫度，故障狀態，風速，有功功率，環境溫度和告警狀態；所述不正常數據包括空值、亂碼或異常值。

4.根據權利要求1所述的基于LightGBM算法的風電機組變槳電機溫度傳感器故障預警方法，其特征在于，所述步驟S2訓練模型包括以下步驟：

步驟S21：加載第三方Python庫，導入SCADA訓練數據；

步驟S22：將數據格式轉換為Dataset格式；

步驟S23：預先設定訓練模型中的輸入輸出參數，核心參數以及控制參數；

步驟S24：對訓練模型進行迭代訓練；

步驟S25：判斷訓練模型是否達到迭代次數，若是，則保存為lightGBM模型，若否，則執行下一步；

步驟S26：判斷訓練數據的準確性在最近一個回合中是否提高，若是，則返回到步驟S24，若否，則輸出訓練數據，輸出準確度指標，并保存為lightGBM模型。