基于XGBoost算法的风机发电机故障监测与诊断方法技术

一种基于XGBoost算法的风机发电机故障监测与诊断方法，包括：从SCADA数据库中提取预定时间段内以预定时长为时间间隔的数据；综合Pearson相关系数、XGBoost算法这两种变量排序方法，对风场集控发电机相关特征变量进行相关性分析；将数据检验集带入训练完成的模型，得到检验样本对应的模型预测曲线与实际温度曲线；在实际曲线与预测曲线发生偏离出现异常时，将模型变量相关性排序表用作风机检修过程中故障原因诊断与定位的参照。本发明专利技术以提前对故障进行预测，依据多种算法对指标变量排序，作为故障诊断的依据，为人工提供参考条件，以更快找到故障可能发生位置，便于进行检修，极大程度降低风机故障后故障原因未知，导致停机时间长而带来的经济利益损失。

【技术实现步骤摘要】
基于XGBoost算法的风机发电机故障监测与诊断方法
本专利技术涉及风电
，特别涉及一种基于XGBoost算法的风机发电机故障监测与诊断方法。
技术介绍
目前，BP神经网络在风机发电机的故障预测和诊断领域运用广泛，神经网络在发电机变量间能够提取重要特征；定义网络输入层、隐含层、输出层各层向量，一般使用非线性激活函数作用于各节点，计算相应节点的权值与阈值；建立基于BP神经网络的分类器对故障进行分类。基于小波变换的谱峭度法可用于发电机状态的分析与诊断，结合LMD(局部均值分解)方法对原始信号分解，通过谱峭度分析出发电机的故障信号；多次迭代小波转换输入细节信息，可对高频带信号的分辨率处理精细，根据分析信号引入最佳基函数与信号匹配。Pearson相关系数分析作为特征变量的选取方法，对输入变量特征的重要性进行排序，筛选出与输出变量相关程度最大的特征变量，确定关联程度，判断其可作为发电机故障的关联指标。但是，深度学习网络优化存在梯度消失问题，难以进行优化，非线性激活函数往往导致网络收敛于局部最小值，网络参数的设定可能会导致神经网络的收敛速度很本文档来自技高网...

【技术保护点】
1.一种基于XGBoost算法的风机发电机故障监测与诊断方法，其特征在于，包括以下步骤：/n步骤1，从SCADA数据库中提取预定时间段内以预定时长为时间间隔的数据，从控制状态筛选出并网状态下的数据，删去含有缺失值的数据行、删除其他控制状态下的数据行，删除日期时间列、删除控制状态列、删除缺失变量列，从而得到输入数据集合；/n步骤2，综合Pearson相关系数、XGBoost算法这两种变量排序方法：对风场集控发电机相关特征变量进行相关性分析，对两种算法排序结果赋予平均权重打分进行综合排序，从模型结果得到建立模型所需要的排名靠前的特征变量；/n步骤3，根据相关部件故障记录表，删去故障时间段以及其前后...

【技术特征摘要】
1.一种基于XGBoost算法的风机发电机故障监测与诊断方法，其特征在于，包括以下步骤：
步骤1，从SCADA数据库中提取预定时间段内以预定时长为时间间隔的数据，从控制状态筛选出并网状态下的数据，删去含有缺失值的数据行、删除其他控制状态下的数据行，删除日期时间列、删除控制状态列、删除缺失变量列，从而得到输入数据集合；
步骤2，综合Pearson相关系数、XGBoost算法这两种变量排序方法：对风场集控发电机相关特征变量进行相关性分析，对两种算法排序结果赋予平均权重打分进行综合排序，从模型结果得到建立模型所需要的排名靠前的特征变量；
步骤3，根据相关部件故障记录表，删去故障时间段以及其前后各一天的所有数据，筛选该风机在并网正常运行的状态下的数据作为总数据，采用机器学习的方式将总数据随机进行划分，其中，80％作为训练集，用于训练基于XGBoost算法的发电机故障监测模型，以提前对发电机故障进行预测，20％作为检验集，用于对此模型优劣的检验；
步骤4，以发电机轴承A温度、发电机轴承B温度作为因变量，建立基于XGBoost算法、CatBoost算法、随机森林算法的故障监测模型，利用机器学习调参方法网格搜索的方式检索局部最优的参数组合，根据对比各项指标最终选取XGBoost算法作为最终故障监测模型；
步骤5，将数据检验集带入训练完成的模型，得到...

【专利技术属性】
技术研发人员：刘广臣，李国庆，范晨亮，
申请(专利权)人：华风数据深圳有限公司，国电电力内蒙古新能源开发有限公司，
类型：发明
国别省市：广东;44