一种基于改进梯度提升机的风电机组故障检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于改进梯度提升机的风电机组故障检测方法及装置，通过最大信息系数相关分析方法，选取目标状态特征，并且根据贝叶斯超参数寻优方法对梯度提升机进行了超参数优化，提升了复杂工况下的风电机组故障检测的效率及准确率，从而降低了风电机组的运维成本，提高了风场的生产效率。方法包括：获取风电机组的状态特征集，状态特征集包括至少一个状态特征；根据最大信息系数相关分析方法从状态特征集中选取目标状态特征；根据贝叶斯超参数寻优方法对梯度提升机算法的超参数进行优化，得到故障检测模型,超参数为对梯度提升机影响度达到预置值的算法参数；根据目标状态特征及故障检测模型，预测得到风电机组的故障检测结果。

【技术实现步骤摘要】
一种基于改进梯度提升机的风电机组故障检测方法及装置
本专利技术涉及风力发电领域，特别是涉及一种基于改进梯度提升机的风电机组故障检测方法及装置。
技术介绍
风力发电技术作为新能源领域的一个重要方向，而风力资源丰富的地方往往位于偏远地区，外部环境恶劣易造成风电机组故障。风电机组齿轮箱的故障是导致停机时间最长、经济损失最大的原因，齿轮箱故障将直接影响设备的整体性能。因此，对风电机组齿轮箱部件进行故障检测、快速识别故障，对于减少风电机组的运维成本和提高整个风场的生产效率具有重要意义。机器学习方法在风电机组故障诊断领域取得了广泛应用，机器学习方法不需要建立精确的数学模型，也不需要精深的专业知识，只需对数据进行分析与处理，建立故障诊断模型，利用数据模型实现故障诊断。梯度提升算法是经典的机器学习算法之一。梯度提升算法是一种将弱学习器集成为强学习器的算法，根据基学习器的表现，对训练样本进行调整，从而生成强学习器。提升算法多用于分类问题，通过提高错误样本所占的权重来调整算法，提升算法精度。由于提升算法需要预先知道弱分类器准确率识别的下限，实际故障诊断中应用受到限制。随着专家们对提升算法的研究不断深入，AdaBoost算法解决了提升算法的实际应用问题；GBDT算法有效解决了特征变换复杂性问题；XGBoost算法，采用并行处理，将树模型复杂度加入正则项，有效避免了过拟合。这些方法优化了提升算法模型。但是，由于传统梯度提升算法对异常值非常敏感，当数据样本是异常点时，会极大的干扰基分类器学习效果；传统提升算法训练效率不高，内存占用大；在实际的风电机组故障诊断过程中，由于存在较多的特征向量，传统的提升算法进行计算时，复杂度较大，不能处理海量大数据，进而影响计算效率和故障检测的实时性。针对计算效率低和实时性差等问题，微软亚洲研究院提出了梯度提升机(LightGBM)算法。该算法通过叶子节点分割方法生成决策树，基于Histogram算法寻找特征分割点，支持并行学习，能高效地处理大数据，有效地解决计算效率低、实时性差等问题。但是，LightGBM算法的缺点在于，需要对LightGBM模型中关键参数进行调参，才能获得理想的故障检测性能，而传统的优化算法又极易陷入局部最优和早熟收敛等问题。因此，对于复杂工况下的故障检测由于传统的优化算法优化LightGBM算法时，不能满足故障检测实时性问题，故障检测率不高，从而影响到了风电机组的运维成本和风场的生产效率。
技术实现思路
本专利技术的目的是提供一种基于改进梯度提升机的风电机组故障检测方法，通过最大信息系数相关分析方法，选取目标状态特征，并且根据贝叶斯超参数寻优方法对梯度提升机算法进行了超参数优化，得到故障检测模型，提升了复杂工况下的风电机组故障检测的效率及准确率，从而降低了风电机组的运维成本，提高了风场的生产效率。本专利技术第一方面提供一种基于改进梯度提升机的风电机组故障检测方法，包括：获取风电机组的状态特征集，状态特征集包括至少一个状态特征；根据最大信息系数相关分析方法从状态特征集中选取目标状态特征；根据贝叶斯超参数寻优方法对梯度提升机算法的超参数进行优化，得到故障检测模型，超参数为对梯度提升机影响度达到预置值的算法参数；根据目标状态特征及故障检测模型，预测得到风电机组的故障检测结果。进一步的，根据最大信息系数相关分析方法从状态特征集中选取目标状态特征，包括：通过最大信息系数相关分析方法，计算状态特征与风电机组的故障的相关强度系数；根据特征选取规则，选取处于预置系数区间范围内的相关强度系数所对应的状态特征，作为目标状态特征。进一步的，根据贝叶斯超参数寻优方法对梯度提升机算法的超参数进行优化，得到故障检测模型，包括：从梯度提升机算法中选择对梯度提升机影响度达到预置值的算法参数，作为超参数；采用贝叶斯超参数寻优方法对超参数进行优化，得到最佳参数组合；将最佳参数组合代入梯度提升机算法中，得到故障检测模型。进一步的，采用贝叶斯超参数寻优方法对超参数进行优化，得到最佳参数组合，包括：根据贝叶斯优化方法构建目标函数；获取目标函数的历史评估结果，根据历史评估结果构建概率模型；将超参数映射到目标函数在概率模型中的得分概率，采用树形结构Parzen估计方法得到最佳参数组合。进一步的，最佳参数组合为两个以上时，方法还包括：设置超参数的参数组合区间；获取概率模型的训练数据集及验证数据集；根据超参数、训练数据集及验证数据集，构建评价函数；通过评价函数对所有的最佳参数组合对应的分类结果进行评价，得到评价结果；根据评价结果从最佳参数组合中选取最优的最佳参数组合。本专利技术的第二方面提供一种基于改进梯度提升机的风电机组故障检测装置，包括：数据获取模块，用于获取风电机组的状态特征集，状态特征集包括至少一个状态特征；特征选取模块，用于根据最大信息系数相关分析方法从状态特征集中选取目标状态特征；故障检测模型参数优化模块，用于根据贝叶斯超参数寻优方法对梯度提升机算法的超参数进行优化，得到故障检测模型,超参数为对梯度提升机影响度达到预置值的算法参数；故障预测模块，用于根据目标状态特征及故障检测模型，预测得到风电机组的故障检测结果。进一步的，特征选取模块包括：相关强度计算单元，用于通过最大信息系数相关分析方法，计算状态特征与风电机组的故障的相关强度系数；故障检测模型参数选取单元，用于根据特征选取规则，选取处于预置系数区间范围内的相关强度系数所对应的状态特征，作为目标状态特征。进一步的，故障检测模型参数优化模块包括：超参数选取单元，具体用于从梯度提升机算法中选择对梯度提升机影响度达到预置值的算法参数，作为超参数；超参数优化单元，还用于采用贝叶斯超参数寻优方法对超参数进行优化，得到最佳参数组合；模型构建单元，还用于将最佳参数组合代入梯度提升机算法中，得到故障检测模型。进一步的，超参数优化单元，具体用于根据贝叶斯优化方法构建目标函数；超参数优化单元，还用于获取目标函数的历史评估结果，根据历史评估结果构建概率模型；超参数优化单元，还用于将超参数映射到目标函数在概率模型中的得分概率，采用树形结构Parzen估计方法得到最佳参数组合。进一步的，最佳参数组合为两个以上时，模型构建模块还包括：参数评估单元，用于设置超参数的参数组合区间；参数评估单元，还用于获取概率模型的训练数据集及验证数据集；参数评估单元，还用于根据超参数、训练数据集及验证数据集，构建评价函数；参数评估单元，还用于通过评价函数对所有的最佳参数组合对应的分类结果进行评价，得到评价结果；参数评估单元，还用于根据评价结果从最佳参数组合中选取最优的最佳参数组合。由上可见，本专利技术中基于改进梯度提升机的风电机组故障检测方法及装置，获取风电机组的状态参数，根据本文档来自技高网...

【技术保护点】
1.一种基于改进梯度提升机的风电机组故障检测方法，其特征在于，包括：/n获取风电机组的状态特征集，所述状态特征集包括至少一个状态特征；/n根据最大信息系数相关分析方法从所述状态特征集中选取目标状态特征；/n根据贝叶斯超参数寻优方法对梯度提升机算法的超参数进行优化，得到故障检测模型，所述超参数为对梯度提升机影响度达到预置值的算法参数；/n根据所述目标状态特征及所述故障检测模型，预测得到所述风电机组的故障检测结果。/n

【技术特征摘要】
1.一种基于改进梯度提升机的风电机组故障检测方法，其特征在于，包括：
获取风电机组的状态特征集，所述状态特征集包括至少一个状态特征；
根据最大信息系数相关分析方法从所述状态特征集中选取目标状态特征；
根据贝叶斯超参数寻优方法对梯度提升机算法的超参数进行优化，得到故障检测模型，所述超参数为对梯度提升机影响度达到预置值的算法参数；
根据所述目标状态特征及所述故障检测模型，预测得到所述风电机组的故障检测结果。


2.根据权利要求1所述的方法，其特征在于，所述根据最大信息系数相关分析方法从所述状态特征集中选取目标状态特征，包括：
通过最大信息系数相关分析方法，计算所述状态特征与所述风电机组的故障的相关强度系数；
根据特征选取规则，选取处于预置系数区间范围内的相关强度系数所对应的状态特征，作为目标状态特征。


3.根据权利要求1或2所述的方法，其特征在于，所述根据贝叶斯超参数寻优方法对梯度提升机算法的超参数进行优化，得到故障检测模型，包括：
从梯度提升机算法中选择对梯度提升机影响度达到预置值的算法参数，作为超参数；
采用贝叶斯超参数寻优方法对所述超参数进行优化，得到最佳参数组合；
将所述最佳参数组合代入所述梯度提升机算法中，得到故障检测模型。


4.根据权利要求3所述的方法，其特征在于，所述采用贝叶斯超参数寻优方法对所述超参数进行优化，得到最佳参数组合，包括：
根据贝叶斯优化方法构建目标函数；
获取所述目标函数的历史评估结果，根据所述历史评估结果构建概率模型；
将所述超参数映射到所述目标函数在所述概率模型中的得分概率，采用树形结构Parzen估计方法得到最佳参数组合。


5.根据权利要求4所述的方法，其特征在于，所述最佳参数组合为两个以上时，所述方法还包括：
设置所述超参数的参数组合区间；
获取所述概率模型的训练数据集及验证数据集；
根据所述超参数、所述训练数据集及所述验证数据集，构建评价函数；
通过所述评价函数对所有的所述最佳参数组合对应的分类结果进行评价，得到评价结果；
根据所述评价结果从所述最佳参数组合中选取最优的最佳参数组合。


6.一种基于改进梯度提升机的风电机组故障检测装置，其特征在于，包括：
数据获取模块，用于获取风电...

【专利技术属性】
技术研发人员：唐明珠，彭巨，赵琪，陈冬林，龙文，李泽文，
申请(专利权)人：长沙理工大学，内蒙古青电云电力服务有限公司，
类型：发明
国别省市：湖南;43