【技术实现步骤摘要】
基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法
本专利技术涉及故障预警
，具体涉及基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法。
技术介绍
变桨电机是风机重要的组成部件，变桨电机高温故障会导致风机停机，严重影响发电量，同时变桨设备也会受到不同程度的损伤。在变桨电机高温故障中，如果变桨电机PT100温度传感器发生漂移或其他方面的损坏，PT100会误报高温情况，会导致变桨系统频繁启停，同时造成风机停机从而导致损失发电量。另外如果变桨电机PT100温度偏低，会导致出现高温情况而不能及时停机的现象，严重影响变桨设备的稳定性，甚至使风机遭受不可预测的损坏。在智能算法大范围应用前，基于SCADA数据的故障预警多是通过统计或者设置阈值的方法达到故障预警的目的，阈值的设定依赖于工作人员的经验，而且功能单一，错报率高，不能有效达到故障预警的目的。智能算法普及后，基于神经网络等机器学习算法的风电机组故障预警逐渐增多，但算法训练需要大量的SCADA数据，训练耗时长，调参不方便，准...
【技术保护点】
1.基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，其特征在于，包括以下步骤：/n步骤S1：数据收集与处理，在建模前收集足够的风机运行数据，并进行初步处理；/n步骤S2：训练模型，选择带有变桨电机传感器故障的数据进行模型训练，保存为lightGBM模型；/n步骤S3：调参优化，为了使算法达到最优的训练效果，对模型调整参数变量；/n步骤S4：运行模型得出预警结果，模型保存后，在新的数据预测过程中，需要先加载保存的模型，需要预测的数据，通过预测值与实际值的比较来判断故障点，输出预警信息；/n步骤S5：根因分析，对预警信息进行分析，找到引起故障的根本原因，给出合理的维修建议。/n
【技术特征摘要】
1.基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，其特征在于，包括以下步骤：
步骤S1：数据收集与处理，在建模前收集足够的风机运行数据，并进行初步处理；
步骤S2：训练模型，选择带有变桨电机传感器故障的数据进行模型训练，保存为lightGBM模型；
步骤S3：调参优化，为了使算法达到最优的训练效果，对模型调整参数变量；
步骤S4：运行模型得出预警结果，模型保存后，在新的数据预测过程中，需要先加载保存的模型，需要预测的数据，通过预测值与实际值的比较来判断故障点，输出预警信息；
步骤S5：根因分析，对预警信息进行分析，找到引起故障的根本原因，给出合理的维修建议。
2.根据权利要求1所述的基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，其特征在于：所述步骤S1中，风机运行数据包括风机T时间段内SCADA历史运行数据，具体选取SCADA数据中与变桨电机温度相关的遥测信号，对不正常数据按照IEC标准进行剔除。
3.根据权利要求2所述的基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，其特征在于：所述遥测信号包括SCADA数据中叶片电机温度，轮毂温度，故障状态，风速，有功功率，环境温度和告警状态；所述不正常数据包括空值、乱码或异常值。
4.根据权利要求1所述的基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，其特征在于，所述步骤S2训练模型包括以下步骤：
步骤S21：加载第三方Python库，导入SCADA训练数据；
步骤S22：将数据格式转换为Dataset格式；
步骤S23：预先设定训练模型中的输入输出参数，核心参数以及控制参数；
步骤S24：对训练模型进行迭代训练；
步骤S25：判断训练模型是否达到迭代次数，若是，则保存为lightGBM模型，若否，则执行下一步；
步骤S26：判断训练数据的准确性在最近一个回合中是否提高，若是，则返回到步骤S204，若否，则输出训练数据，输出准确度指标，并保存为lightGBM模型。
5.根据权利要求1所述的基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，其特征在于：所述步骤S3中为了得到最佳参数和最好效果的调参优化方法包括以下步骤：
步骤S31：在训练过程中，为了得到更快的训练速度，将调整以下参数变量：
(1)通过设置bagging_fraction和bagging_fr...
【专利技术属性】
技术研发人员：曹欣，谭建鑫，李雪松，白日欣，尚一斐，崔恺，魏晓阳，臧鹏，王运方，王臻，马同宽，
申请(专利权)人：新天绿色能源股份有限公司，河北建投新能源有限公司，河北新天科创新能源技术有限公司，
类型：发明
国别省市：河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。