应用深度自编码网络和XGBoost的风电机组发电机故障诊断

针对风电机组现场故障样本难获取的问题,为实现风电机组发电机部件的故障诊断,通过分析风机监控与采集(SCADA)数据,设计了基于深度自编码(DAE)网络和XGBoost的故障诊断算法。该算法包含两部分:第一部分是DAE故障检测算法,通过DAE获取SCADA数据的重构值,分析重构误差的变化趋势与其超越阈值的情况以预测风机故障和提取故障样本;第二部分是XGBoost故障识别算法,用贝叶斯优化搜索XGBoost的最优超参数,建立XGBoost多分类故障识别模型。算例结果表明,DAE算法能够捕获风电机组发电机早期故障,XGBoost比其他算法更精确地识别不同故障类型。     

基于RF-LightGBM算法在风机叶片开裂故障预测中的应用

针对SCADA系统采集的数据繁杂,难以从原始数据判别工作中风机叶片开裂状态的问题,提出了一种对风机叶片状态进行分类预测的随机森林(RF)算法与LightGBM算法结合的模型。首先对SCADA数据进行预处理,特征变换,采用RF算法对特征进行重要性排序;然后利用清洗后的数据训练该分类预测模型,利用K折交叉验证法对模型进行验证调优;最后用测试数据集对叶片状态进行预测,依靠F1-score指标对模型性能进行评价。实验结果表明,数据处理后,模型性能明显提高,较XGBoost与GBDT算法分别提高了11%、16%,与传统的叶片状态识别方法相比,该算法能够更加快速精准的在线预测出风机叶片开裂状态,为风电场对风机叶片状态监测检修提供更可靠的参考依据。     

基于XGBoost建模和Change-Point残差处理的风电机组齿轮箱温度预警

风电机组具有单机容量小,台数多,状态信息复杂的特点;基于SCADA数据的风电机组齿轮箱预警普遍存在预测精度和计算效率低,资源占用高的问题,选取有效方法以克服上述问题成为齿轮箱预警的关键。极限梯度提升(eXtreme Gradient Boosting,XGBoost)算法本身结合多线程、数据压缩、分片的形式,其在处理大数据量样本时仍具有较高的通用性。采用XGBoost算法建立齿轮箱正常工作状态的温度模型,使用XGBoost模型与其它4类回归预测模型分别进行齿轮箱温度预测模型实验,结果表明XGBoost模型在齿轮箱温度预测中综合性能要优于其它4类模型。当齿轮箱发生故障时,模型的样本特性会发生异常变化,导致模型的预测残差发生明显改变。为提高齿轮箱故障预警的可靠性,构建了新的Change-Point算法,利用Change-Point技术进行XGBoost模型预测残差序列分析,可定位齿轮箱状态劣化时间点,回溯状态劣化原因。     

基于大数据分析的风机轴承故障预警

将大数据分析应用到风机轴承故障预警中,使用栈式自动编码器（SAE）为基本结构,通过逐层提取风机轴承监视控制与数据采集系统（SCADA）数据深层特征,将散乱的SCADA大数据转化成能够深度刻画风机轴承运行状态的内在特征。利用预训练、微调的方法并结合误差反向传播算法（BP）构建SAE故障预警模型,通过SAE模型对大数据处理得到反映风机轴承运行状态的重构误差平均值,以均值漂移聚类算法动态地计算出风机轴承稳定运行状态重构误差基准值为预警的标准。最后利用某风电场机组的SCADA数据进行工程实例仿真分析,验证了基于大数据分析用于风机轴承故障预警的可行性。     

基于特征选择和XGBoost的风机叶片结冰预测

风电场风机叶片积冰会造成风电机组的效率降低,严重时会导致叶片断裂,严重威胁风电场的正常生产运行。提出了一种基于Relief的特征选择和XGBoost的风机叶片结冰预测方法,能够根据风机运行的SCADA数据对叶片结冰的早期过程进行精确预测,并采用某风电场的2台风机数据进行模型验证和对比试验,取得了较好的预测精度,提升了预测速度,能够有效预测早期叶片结冰故障的发生,从而为降低风机的效率损失和风机的运行风险提供数据支撑。     

基于MCS-MIFS与LightGBM的燃气轮机功率预测方法

预测燃气轮机的功率变化对确定机组的最优工作点有重要意义,为此,结合当前迅猛发展的人工智能技术,提出一种基于轻梯度提升机(light gradient boosting machine,LightGBM)的燃气轮机功率预测方法。将蒙特卡洛采样(MonteCarlosampling,MCS)和互信息特征选择(mutual information feature selection,MIFS)结合得到MCS-MIFS算法;利用MCS-MIFS算法对复杂的燃气轮机数据进行筛选,得到与功率最相关的属性;将上述属性进行适当处理后,作为Light GBM模型的输入来实现功率预测。以某电厂燃气轮机运行数据进行实验,结果表明通过MCS-MIFS算法选择的变量来预测燃机功率的效果优于MIFS;与梯度提升决策树(gradient boosting decision tree,GBDT)和XGBoost(eXtreme gradient boosting)两种集成模型相比,LightGBM的运行速度更快、预测精度更高、占用内存更小,在处理海量工业数据时具有优势。     

基于XGBoost-KDE的风机主轴承温度预测与故障预警方法

风力发电机主轴承的故障诊断是提高其可靠性和可用性的关键。为及时发现风机主轴承故障,提出一种基于XGBoost-KDE的风机主轴承温度预测与故障预警方法。选用数据采集与监视控制（SCADA）系统中相关的特征参数作为输入变量,对风机正常工况下的主轴承温度进行预测,得到预测值和正常工作时运行数据的残差;之后运用非参数核密度估计（KDE）法确定残差预警阈值,结合滑动窗口分析法实现风机主轴承故障预警。以某2 MW等级风电机组为研究对象,采用SCADA系统中的运行数据做验证,实验结果表明,该方法可以对风机正常工况下的主轴承温度实现97.6%的精准预测,并对主轴承故障时产生的温度曲线波动做出反应,提前近1个月对风机主轴承故障进行有效预警。     

基于RF-GBDT的燃煤锅炉NO_x排放预测

针对某超超临界660 MW机组锅炉,建立了基于随机森林(RF)和梯度提升决策树(GBDT)算法的氮氧化物(NO_x)排放预测模型。从电厂SIS系统筛选得到历史运行数据中的稳态工况点,利用RF模型对数据特征进行筛选,并以选中特征作为输入变量建立基于GBDT的NO_x排放预测模型。与支持向量机(SVM)、RF等模型的对比表明基于RF的特征选择能提升模型性能;较于其他模型,RF-GBDT具有最高的NO_x排放预测精度。     

基于支持向量数据描述和XGBoost的风电机组异常工况预警研究

该文提出一种基于支持向量数据描述（SVDD）和XGBoost模型的风电机组异常工况预警方法。从机组监控与数据采集系统（SCADA）数据中选择与转速和发电功率密切相关的特征变量,利用SVDD算法对建模数据进行预处理,采用XGBoost建立风机正常性能预测模型。以所建预测模型为基础,构建时间滑动窗计算性能评价指标,并根据统计学的区间估计理论合理确定风机性能异常预警指标阈值。采用某风电场1.5MW风电机组SCADA系统记录的若干真实故障案例,开展异常工况预警仿真试验。结果表明：基于SVDD和XGBoost的风机异常工况预警方法,可以有效地清洗数据,及时识别风电机组异常状态,对于提高风电机组运行的安全性具有较好的工程实用意义。     

基于梯度提升决策树的风电机组 齿轮箱故障检测

针对传统提升算法在处理风电机组运行大数据时,存在效率和准确度低、实时性差等问题,提出基于梯度提升决策树的风电机组齿轮箱故障检测方法。首先,结合专家经验并利用最大信息系数分析风电机组海量大数据之间的相关性,在此基础上进行特征选择得到合理的特征向量;其次,利用贝叶斯超参数优化算法,优化梯度提升决策树算法中关键参数,建立基于梯度提升决策树的故障检测模型;最后,将经过最大信息系数分析处理后的特征向量作为梯度提升决策树故障检测模型的输入值,将齿轮箱不同工况下类别作为输出值。实验结果表明,该方法具有更低的漏报率和误报率,具有更强的泛化能力,能实时检测故障,降低维护成本。     

基于RBM和SVM的风电机组叶片开裂故障预测

针对风电机组SCADA监测数据的非线性、高冗余等特点,提出一种基于受限玻尔兹曼机(Restricted BoltzmannMachine,RBM)和支持向量机(SupportVectorMachine,SVM)的风电机组叶片开裂故障预测方法。利用RBM优异的特征学习能力,将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。将RBM的输出作为SVM的输入,构建RBM+SVM组合预测模型。利用训练集、验证集进行预测模型构建和参数微调。为验证提出模型的有效性,将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。实验表明,RBM+SVM的预测准确率为93.08%,与三组对比模型相比具有明显的优势。研究结果可为实际风电机组叶片开裂故障预测提供重要参考。     

基于PCA-KNN融合算法的风力机变桨角度故障诊断方法

针对风力机变桨系统变桨角度4种主要故障类型,基于机组SCADA数据分析,提出一种基于非参数核密度估计和Relief-F特征参数提取数据处理,以及PCA-KNN融合算法故障诊断的风力机变桨角度异常状态识别方法。首先,对风力机SCADA数据进行非参数核密度估计预处理,运用Relief-F算法提取变桨角度故障的7类（13个）特征参数;然后,通过PCA-KNN融合算法对变桨角度故障状态进行识别,结果表明：该方法能够准确识别变桨角度4种主要的故障类型。最后,将改进的PCA-KNN融合算法与常用的KNN算法、PCA-KNN算法和BP神经网络进行对比,结果表明：改进的PCA-KNN融合算法具有更为准确的识别率。     

基于XGBoost算法的智能电网信息攻击识别模型

智能电网在遭受信息攻击后,如何根据量测数据的变化规律,准确识别电力系统遭受的攻击类型是提高电网安全防御的有效手段,本文提出一种基于Extreme Gradient Boosting (XGBoost)算法的智能电网信息攻击识别模型。首先,基于kmeans-smote设计电力数据过采样方法,对量测数据进行平衡处理,解决攻击事件样本的不平衡问题。然后,提出最大相关-最小冗余(MRMR)特征选择方法,提取信息攻击事件最优表征特征子集,降低数据维度并提升信息攻击的识别效率。最后,设计XGBoost分类器,对3种攻击状态和正常状态进行分类识别,采用准确率、召回率等指标评估模型的识别性能。经仿真实验验证,本文提出的信息攻击识别模型显著提升了智能电网信息攻击的识别精度,且具有较好的泛化性。     

基于XGBoost与LSTM的风力发电机绕组温度预测

发电机定子绕组温度是风力发电机健康状态的重要表征。实时预测绕组超温将有助于及时制定运维计划并排查故障源。提出基于极端梯度提升树（extreme gradient boosting）与长短时记忆网络（long short-term memory,LSTM）加权融合的组合模型,进行风力发电机定子绕组温度预测,运用模型结构的差异性提升融合预测结果的准确性。经过风电机组SCADA数据集验证,结果表明：该方法能够有效预测绕组超温情况,具有较好的工程应用价值。     

基于相对主元分析的风电机组塔架振动状态监测与故障诊断

振动信号是风电机组数据采集与监控系统（supervisory control and data acquisition system, SCADA）中一类重要变量。以风电机组SCADA运行数据为基础,首先结合风机运行原理详细分析了导致塔架振动的主要因素。进而采用相对主元分析（relative principal component analysis,RPCA）和某风电机组2011年3~5月份的SCADA运行数据,建立了覆盖塔架正常工作状态的RPCA振动模型,计算得出监控统计量Hotelling T2（简称T2）和平方预测误差（squared prediction error,SPE）。采用塔架振动RPCA模型,准确检测出风电机组变桨系统故障,验证了所研究方法的有效性。     

基于偏最大信息系数与组合XGBoost的短期风功率预测

作为新能源领域的课题热点之一,短期风功率预测的研究在提高预测精度的同时也应重视模型的工程化应用。据此,提出一种基于偏最大信息系数的组合XGBoost预测模型。首先,设计一种基于偏最大信息系数的特征选择算法,通过引入偏互信息,在挖掘出对风功率影响较大的气象特征的同时,也能消除耦合信息带来的不利影响。在此基础上,为兼顾模型的精度和计算效率,降低单个模型的预测风险,构建以XGBoost为底层算法的组合预测模型,进一步实现风功率预测。采用2个具有较大差异的风电场作为算例进行验证分析,结果表明,基于偏最大信息系数特征选择算法的组合XGBoost预测模型不但能提升短期风功率的预测精度,与相近的组合预测模型相比,也具备更高的计算效率,有利于工程化应用。     

基于改进辅助分类生成对抗网络的风机主轴承故障诊断

基于振动信号的风电机组故障诊断方法是风电安全运维领域研究的重点之一。风电机组主轴承较少发生故障,给运用数据挖掘方法判断故障类型带来很大困难。针对该问题,文中提出了一种用于风电机组主轴承故障诊断的数据增强方法。通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进,引入梯度惩罚,构建了改进ACGAN框架,以提高其学习稳定性;在判别器网络中引入池化层,以提升其在多分类场景下提取数据特征的能力。仿真结果表明,所提出的改进ACGAN框架能够实现对原始数据分布特征的有效学习,抗噪声干扰性强,相对于原框架训练过程更稳定,生成数据的质量更高;能够有效平衡风电机组主轴承故障振动数据,进一步提升了风电机组主轴承故障诊断的正确率。