[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

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，包括以下步驟：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；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；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；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；再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。本發明克服了現有技術的不足，利用LightGBM分布式、高效的特性，很好的解決了風電機組變槳電機故障預警建模困難、準確率低的問題。

技術領域

本發明涉及故障預警技術領域，具體涉及基于LightGBM算法的風電機組變槳電機溫度傳感器故障預警方法。

背景技術

變槳電機是風機重要的組成部件，變槳電機高溫故障會導致風機停機，嚴重影響發電量，同時變槳設備也會受到不同程度的損傷。在變槳電機高溫故障中，如果變槳電機PT100溫度傳感器發生漂移或其他方面的損壞，PT100會誤報高溫情況，會導致變槳系統頻繁啟停，同時造成風機停機從而導致損失發電量。另外如果變槳電機PT100溫度偏低，會導致出現高溫情況而不能及時停機的現象，嚴重影響變槳設備的穩定性，甚至使風機遭受不可預測的損壞。

在智能算法大范圍應用前，基于SCADA數據的故障預警多是通過統計或者設置閾值的方法達到故障預警的目的，閾值的設定依賴于工作人員的經驗，而且功能單一，錯報率高，不能有效達到故障預警的目的。

智能算法普及后，基于神經網絡等機器學習算法的風電機組故障預警逐漸增多，但算法訓練需要大量的SCADA數據，訓練耗時長，調參不方便，準確率低，并且難以識別出引發故障的根本原因。另外此類機器學習算法在訓練及使用過程中，無法直接將類別特征數據作為算法輸入，需要將數據轉換成多維的[0,1]特征值，帶來計算和內存上的額外消耗。

在涉及非結構化數據（圖像、文本）的預測問題中，人工神經網絡顯著優于其他算法，但涉及到中小型結構或者表格數據時，基于決策樹的算法被認為是最佳算法，因此近年來GBDT和XGBoost等boosting算法在預測方面得到廣泛應用。

但GBDT和XGBoost等boosting算法在對數據特征進行切分時，都需要對每一個特征的所有樣本點進行掃描，需要消耗大量時間，在如今風電領域大樣本和高維度的環境下，傳統的boosting算法在效率和可擴展性上都存在一定不足。

發明內容

針對現有技術的不足，本發明提供了基于LightGBM算法的風電機組變槳電機溫度傳感器故障預警方法，克服了現有技術的不足，利用LightGBM分布式、高效的特性，很好的解決了風電機組變槳電機故障預警建模困難、準確率低的問題。

為實現以上目的，本發明通過以下技術方案予以實現：

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，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。