[發(fā)明專利]一種基于完全數(shù)據(jù)風(fēng)電機(jī)組故障診斷方法

有效

• 申請?zhí)枺?/td>: 202110467308.7
• 申請日: 2021-04-28
• 公開（公告）號: CN113361186B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 王小利;劉宜榮;王桂爍;蔣保臣;呂杰超
• 申請（專利權(quán)）人: 山東大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/214;G06F18/24;G06F18/2415;G06Q10/04;G06Q10/0639;G06Q50/06;G06F111/08;G06F113/06
• 代理公司: 威海科星專利事務(wù)所 37202
• 代理人: 孫小棟

1.一種基于完全數(shù)據(jù)風(fēng)電機(jī)組故障診斷方法，其特征在于，包括以下步驟：

第一步，從SCADA系統(tǒng)中獲取風(fēng)電機(jī)組健康數(shù)據(jù)樣本；

步驟1，使用DBSCAN算法剔除低密度離散噪聲數(shù)據(jù)；

步驟2，按功率對數(shù)據(jù)分區(qū)，計算每個分區(qū)的密度中點(diǎn)；

步驟3，使用最小二乘算法擬合密度中點(diǎn)，作為機(jī)組運(yùn)行理想功率曲線，具體過程是，計算每個分區(qū)中的風(fēng)速均值記為風(fēng)速標(biāo)準(zhǔn)差記為σ_i，該分區(qū)內(nèi)的功率均值記為則每個分區(qū)內(nèi)的密度中點(diǎn)記為計算各分區(qū)的標(biāo)準(zhǔn)差的均值記為σ：

使用最小二乘法對各中心點(diǎn)進(jìn)行三次多項式擬合，得到風(fēng)電機(jī)組的理想輸出功率公式：

y＝a₀+a₁x+a₂x²+a₃x³?????????(2-2)；

步驟4，根據(jù)3-sigma準(zhǔn)則以理想功率曲線為中心設(shè)置正常功率區(qū)間如式(2-3)：

[y(x-3σ),y(x+3σ)]?????(2-3)

式(2-3)中所示區(qū)間即為正常功率區(qū)間估計，不在此區(qū)間內(nèi)的數(shù)據(jù)即可被認(rèn)定為異常值；

步驟5，以正常功率區(qū)間邊界為閾值，刪除正常功率區(qū)間以外的異常數(shù)據(jù)，獲得風(fēng)電機(jī)組健康數(shù)據(jù)樣本；

第二步，通過BOA-XGBoost算法訓(xùn)練多分類模型；

(1)設(shè)置XGBoost算法的超參數(shù)空間，即各類超參數(shù)的尋優(yōu)范圍；

(2)確定超參數(shù)與分類準(zhǔn)確率的先驗分布；

(3)通過BOA算法尋優(yōu)，首先從第二步中步驟(2)得到的先驗分布開始，使用高斯過程作為概率函數(shù)代理未知最優(yōu)參數(shù)；然后使用采集函數(shù)圍繞當(dāng)前已找到的最優(yōu)超參數(shù)組合從參數(shù)空間中選取未評估過的超參數(shù)組合，通過迭代增加信息量、不斷修正先驗；最后在迭代結(jié)束后，選取準(zhǔn)確率最高模型的超參數(shù)即為最優(yōu)超參數(shù)組合，最終使用最優(yōu)超參數(shù)組合訓(xùn)練分類模型得到最終模型；

第三步，通過多分類模型確定每種故障的特征監(jiān)測參數(shù)；

第四步，搭建各特征監(jiān)測參數(shù)的回歸預(yù)測模型，計算預(yù)測殘差值；

第五步，設(shè)定動態(tài)故障閾值；

(1)設(shè)置窗口大小，選取能反映原始數(shù)據(jù)集特征的最小數(shù)據(jù)子集作為滑動窗口；

(2)選取滑動窗口內(nèi)的數(shù)據(jù)，根據(jù)式(2-10)計算窗口數(shù)據(jù)內(nèi)的閾值

式(2-10)中，R_k為某一時刻的狀態(tài)指標(biāo)，N為滑動窗口大小，R_th表示置信區(qū)間上限，R_th作為風(fēng)電機(jī)組出現(xiàn)異常狀態(tài)的閾值；

(3)逐幀移動數(shù)據(jù)窗口，根據(jù)步驟(2)設(shè)置新的閾值；

(4)重復(fù)步驟(3)得到所有時刻的閾值，連接起來便成了擬合R_t變化趨勢的自適應(yīng)閾值曲線；

第六步，從SCADA系統(tǒng)中獲取實(shí)時運(yùn)行數(shù)據(jù)，如果實(shí)時運(yùn)行數(shù)據(jù)超過故障閾值則表示機(jī)組狀態(tài)異常。