基于特征选择和stacking模型融合的风电机组故障诊断方法技术

本发明专利技术提出了一种基于特征选择和stacking模型融合的风电机组故障诊断方法，包括以下步骤：S1，采集SCADA数据，所述SCADA数据包括风速、风向角、齿轮箱温度、叶片角度和发电量；S2，对小类别数据进行SMOTE过采样，增加其比例，平衡故障类别比例；S3，使用RFECV进行特征选择，并将数据划分为训练集与测试集；S4，使用训练集对stacking模型进行训练，得到训练完毕的stacking模型；S5，将待测的SCADA数据输入训练完毕的stacking模型中，得到风电机组故障诊断结果。本发明专利技术相较于其它传统方法，能够得到更加准确的风电机组故障诊断结果。到更加准确的风电机组故障诊断结果。到更加准确的风电机组故障诊断结果。

【技术实现步骤摘要】
基于特征选择和stacking模型融合的风电机组故障诊断方法


[0001]本专利技术涉及风电机组故障诊断
，特别是涉及一种基于特征选择和 stacking模型融合的风电机组故障诊断方法。

技术介绍

[0002]在现实的采集场景中，数据
[0003]的需求并不总是得到满足。例如，对于运行不到一年的新风力涡轮机，历史 SCADA数据相当有限。此外，对于位于通信条件差的偏远地区的风力涡轮机，数据丢失的情况非常常见。在这些情况下，风力涡轮机只能提供小规模的数据。而在这些小规模数据中，数据极大可能会出现数据不平衡的现象，比如，故障类型与正常类型的比例相差很大，这就严重影响到了研究结果的准确性。
[0004]此外，风电机组故障信息往往较复杂、特征量多，然而现有技术常采用主观性的特征选择并且采用传统机器学习方法，由此得到的风电机组故障诊断结果并不准确。

技术实现思路

[0005]本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于特征选择和stacking模型融合的风电机组故障诊断方法。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征选择和stacking模型融合的风电机组故障诊断方法，其特征在于，包括以下步骤：S1，采集SCADA数据，所述SCADA数据包括风速、风向角、齿轮箱温度、叶片角度和发电量；S2，对小类别数据进行SMOTE过采样，增加其比例，平衡故障类别比例；S3，使用RFECV进行特征选择，并将数据划分为训练集与测试集；S4，使用训练集对stacking模型进行训练，得到训练完毕的stacking模型；S5，将待测的SCADA数据输入训练完毕的stacking模型中，得到风电机组故障诊断结果。2.根据权利要求1所述的一种基于特征选择和stacking模型融合的风电机组故障诊断方法，其特征在于，所述S1还包括：若SCADA数据处于非正常运行状态，则将该数据标记为故障数据并进行剔除，同时排除因为通讯信号、传输设备故障引起异常的无效数据，降低这类无效数据对模型预测结果的干扰。3.根据权利要求1所述的一种基于特征选择和stacking模型融合的风电机组故障诊断方法，其特征在于，所述使用RFECV进行特征选择包括以下步骤：S3
‑
1，在SCADA数据集上建立随机森林分类模型，每个特征都被赋予一个权重；S3
‑
2，在特征集中删除最不重要的特征：通过coef_属性、feature_importances_属性获得每个特征的重要性，并去除表现差的特征；S3
‑
3，在剩余的信号数据集特征上重...

【专利技术属性】
技术研发人员：车金星，刘娜，蒋哲勇，袁芳，叶雨，李丹，
申请(专利权)人：南昌工程学院，
类型：发明
国别省市：