基于XGBoost算法的海上风电多维度预维护检修方法技术

本发明专利技术公开了基于XGBoost算法的海上风电多维度预维护检修方法，包括：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；训练模型，保存为XGBoost算法模型；运行模型得出预警结果，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；基于多维度的风机信息对输出的预警信息进行专家系统判断，可以得到风机维护等级预测，并根据经验历史库，给出维护检修建议。本发明专利技术基于XGBoost算法模型，通过CMS振动、告警、历史指标等数据综合分析风机状态，评估风机维护等级；同时结合专家经验数据库，判断出发生故障的原因，并给出检修计划及维护建议。并给出检修计划及维护建议。并给出检修计划及维护建议。

【技术实现步骤摘要】
基于XGBoost算法的海上风电多维度预维护检修方法


[0001]本专利技术涉及风力发电
，具体涉及基于XGBoost算法的海上风电多维度预维护检修方法。

技术介绍

[0002]海上风力发电机运维相比陆上更加困难，加上天气恶劣，运维时间也就更长。随着单机容量越来越大，风机一旦发生故障、损坏或者出现效率低下等情况，将极大影响发电量。随着海上风电补贴取消，如何精准运维机组，减少运维成本，对于提高发电量具有重要帮助。
[0003]风电机组的正常运行涉及到多种因素，大部件、传感器、功率偏差、油压、极端天气等都会影响风机运行，其中如齿轮箱、发电机、变桨电机、叶片等大部件是重中之重，大部件损伤会导致严重的发电量损失以及额外的维修开支。一般风电机组的维护包括预防性检修及事故性维修，事故性维修即风机出现故障后再进行维修。然而，设备出现故障或达到设定阈值时，设备损伤已经非常严重，如发电机轴承出现高温预警时，温度已处于较高水平，很可能是轴电流腐蚀或润滑严重不良。对风机定期维护是预防性维修的一种，一般是年检及半年检，这种方式针对性不强、检查项目也较为粗糙，而且受人为因素较大。
[0004]而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，误报率高，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，准确率低，并且难以识别出引发故障的根本原因。
[0005]在涉及非结构化数据(图像、文本)的预测问题中，人工神经网络显著优于其他算法，但涉及到中小型结构或者表格数据时，基于决策树的算法被认为是最佳算法，因此近年来GBDT和XGBoost等boosting算法在预测方面得到广泛应用。神经网络算法尤其是深度神经网络算法，适用于大数据量的样本，但是训练时间更长，可解释性不强，出现问题时调整参数困难。

技术实现思路

[0006]针对现有技术的不足，本专利技术提供了基于XGBoost算法的海上风电多维度预维护检修方法，克服了现有技术的不足，基于XGBoost算法模型，对海上风电大部件进行预警，并通过CMS振动、告警、历史指标等数据综合分析风机状态，评估风机维护等级；同时结合专家经验数据库，可以进行故障原因分析，从而准确判断出发生故障的原因，并给出检修计划及维护建议。
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0008]基于XGBoost算法的海上风电多维度预维护检修方法，包括以下步骤：
[0009]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；
[0010]步骤S2：训练模型，将步骤S1中处理后的数据进行模型训练，保存为XGBoost算法模型；
[0011]步骤S3：运行模型得出预警结果，步骤S2的模型保存后，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；
[0012]步骤S4：基于多维度的风机信息对步骤S3中输出的预警信息进行专家系统判断，可以得到风机维护等级预测，并根据经验历史库，给出维护检修建议。
[0013]优选地，所述步骤S1中，风机运行数据包括风机T时间段内SCADA历史运行数据和CMS数据，再对不正常数据按照IEC标准进行剔除。
[0014]优选地，所述步骤S2中训练模型包括以下步骤：
[0015]步骤S21：加载平台数据，导入SCADA训练数据；
[0016]步骤S22：设定XGBoost模型超参数，搭建初始化XGBoost模型；
[0017][0018]其中，表示第i个样本的模型预测的输出参数，F
K
(x
i
)表示K棵树对第i个样本x
i
的预测，F
K
‑1(x
i
)表示前K
‑
1棵树对第i个样本x
i
的预测，f
K
(x
i
)表示第K棵CART回归树；
[0019]步骤S23：构建目标函数；
[0020][0021]其中，为损失函数，用于计算质量预估模型预测值与真实值之间的误差，y
i
表示第i个样本的实际输出参数，表示第i个样本的模型预测的输出参数，k表示回归树的数量，n表示样本数量；f
k
表示第k个回归树模型，Ω(f
k
)为正则化项，用于控制模型的复杂度，控制过拟合；
[0022]正则化项为：
[0023][0024]其中，T表示叶子节点的个数，ω表示叶子节点的分数，γ和λ为常数系数；第一项γT通过叶子节点数及其系数控制树的复杂度；表示叶子节点分数的L2正则项，用于控制叶子节点的预测分数；
[0025]步骤S24：将目标函数进行二阶泰勒展开；
[0026][0027]其中，g
i
为损失函数的一阶梯度，h
i
为损失函数的二阶梯度，在训练目标函数前可以提前统计：
[0028][0029]常数项不影响优化结果，可以进行进一步简化，将常数项移除，得到
目标函数：
[0030][0031]步骤S25：为继续优化，整合树模型f
s
(x
i
)和叶子节点预测分数ω，由于f
s
(x
i
)使样本最终落在一个叶子节点上，计算得到该叶子节点的预测分数ω，所以当样本落在某个叶子节点j上时，可以用ω
j
代替f
s
(x
i
)，得到新的目标函数：
[0032][0033]其中，I
j
为落在叶子节点j的所有样本的样本集；
[0034]可以计算出叶节点j的最优预测分数
[0035][0036]叶子节点的最优权重取决于一阶、二阶梯度和L2正则系数λ；
[0037]步骤S26：利用最优权重即可得到目标函数最优解obj
(*)
：
[0038][0039]基于最优解obj
(*)
，在每轮训练过程中，利用评分指标对所有候选的CART回归树模型进行评价即可选出最优模型；采用精确贪心算法进行优化，对于一棵新的CART回归树，先从树的根节点开始，计算节点分裂前后的目标函数值之差来决定是否分裂；
[0040]基于最优解obj
(*)
，计算节点分裂前后的目标函数值之差：
[0041][0042]在CART回归树节点的分裂过程中，选取部分预估输入参数，对于所选特征，对该特征下所有样本值进行排序，计算每个样本的g
i
和h
i
，再计算所有切分点下的obj
split
，选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于XGBoost算法的海上风电多维度预维护检修方法，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，将步骤S1中处理后的数据进行模型训练，保存为XGBoost算法模型；步骤S3：运行模型得出预警结果，步骤S2的模型保存后，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S4：基于多维度的风机信息对步骤S3中输出的预警信息进行专家系统判断，可以得到风机维护等级预测，并根据经验历史库，给出维护检修建议。2.根据权利要求1所述的基于XGBoost算法的海上风电多维度预维护检修方法，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历史运行数据和CMS数据，再对不正常数据按照IEC标准进行剔除。3.根据权利要求1所述的基于XGBoost算法的海上风电多维度预维护检修方法，其特征在于：所述步骤S2中，训练模型包括以下步骤：步骤S21：加载平台数据，导入SCADA训练数据；步骤S22：设定XGBoost模型超参数，搭建初始化XGBoost模型；其中，表示第i个样本的模型预测的输出参数，F
K
(x
i
)表示K棵树对第i个样本x
i
的预测，F
K
‑1(x
i
)表示前K
‑
1棵树对第i个样本x
i
的预测，f
K
(x
i
)表示第K棵CART回归树；步骤S23：构建目标函数；其中，为损失函数，用于计算质量预估模型预测值与真实值之间的误差，y
i
表示第i个样本的实际输出参数，表示第i个样本的模型预测的输出参数，k表示回归树的数量，n表示样本数量；f
k
表示第k个回归树模型，Ω(f
k
)为正则化项，用于控制模型的复杂度，控制过拟合；正则化项为：其中，T表示叶子节点的个数，ω表示叶子节点的分数，γ和λ为常数系数；第一项γT通过叶子节点数及其系数控制树的复杂度；表示叶子节点分数的L2正则项，用于控制叶子节点的预测分数；步骤S24：将目标函数进行二阶泰勒展开；其中，g

【专利技术属性】
技术研发人员：谭建鑫，卢盛欣，吴宁宇，张清清，李雪松，吴伟强，解鹏飞，魏玉憧，宋睿晢，李瑞，王威威，
申请(专利权)人：新天绿色能源股份有限公司，
类型：发明
国别省市：