一种基于随机森林算法预警风机偏航故障的方法与流程

本发明属于基于大数据、利用随机森林算法预警风电机组偏航故障的，具体涉及一种基于随机森林算法预警风机偏航故障的方法。

背景技术：

1、风力发电越来越深入的渗透入电力系统当中。对风电机组运行状态的准确预测及故障预警能够有效提升风电机组运行的稳定性。目前，风电机组大多配备了数据采集与监视控制系统(scada,supervisory control and data acquisition)，其能够实时采集并记录机组全方位的运行状态信息，为大数据分析风电机组运行状态提供了数据支撑。风电机组偏航系统有三个主要作用。一是跟踪风向变化，与风电机组的控制系统相互配合，使风力发电机组的叶轮始终处于迎风状态，充分利用风能，提高风力发电机组的发电效率。二是解缆和纽缆保护，由于风力发电机组可能会持续地往一个方向偏航，为了保证机组悬垂部分的电缆不产生过度的纽绞而使电缆断裂，在电缆达到设计缠绕值时能自动解缆。同时，在偏航到达设计极限值时，能够触发机组停机。三是机组定位，在风向相对稳定时能按照设定值提供锁紧力矩，使机舱稳定在一个方位，保障机组安全稳定运行。

技术实现思路

1、本发明的目的在于提供一种基于随机森林算法预警风机偏航故障的方法。鉴于风机偏航系统在风机的安全运行中的重要作用，为了能够实时对风电机组偏航系统进行故障预警，利用历史和实时scada系统数据作为样本，选取偏航系统的特征参数，基于孤立决策树构建随机森林预测模型。由于随机森林算法的抗过拟合，预测准确度高，容易实现等特点，在风机的偏航故障预警中表现较优。

2、本发明采用如下技术方案来实现的：

3、一种基于随机森林算法预警风机偏航故障的方法，包括以下步骤：

4、步骤1：

5、通过区域生产实时监管系统得到风电机组偏航运行状态的状态码，告警、故障代码秒级实时运行数据；

6、步骤2：

7、创建风电机组偏航运行状态的特征参量集x和目标参量y，并从步骤1中获取至少3个月的历史运行数据，特征参量记为xh，目标参量记为yh；

8、步骤3：

9、对特征参量集历史数据xh中采集的时序数据进行预处理，剔除错误的数据，按照时序对齐目标参量历史数据yh；

10、步骤4：

11、基于滑动窗口的信号特征提取，记新的特征参量数据集为pn；

12、步骤5：

13、以步骤4中的特征参量数据集pn为数据基础，随机选取特征c和切割点p，构建孤立决策树模型；

14、步骤6：

15、基于步骤5中构建的孤立决策树模型，构建随机森林类增量预警模型；

16、步骤7：

17、获取风电机组实时运行数据序列xs，代入步骤6中确定好的预警模型即可得到实时风电机组偏航运行状态。

18、本发明进一步的改进在于，步骤2中，特征参量集如下表：

19、表a风电发电机组状态特征参量集

20、 序号 参数名称 单位 序号 参数名称 单位 1 风速 m/s 14 偏航刹车全部释放状态 - 2 轮毂温度 ℃ 15 偏航刹车部分释放状态 - 3 环境温度 ℃ 16 液压泵运行状态 - 4 风向 ° 17 偏航编码器复位状态 - 5 机舱位置 ° 18 偏航润滑泵运行状态 - 6 对风角度 ° 19 液压油加热运行状态 - 7 偏航模式 - 20 左解缆状态 - 8 偏航扭缆角度 ° 21 右解缆状态 - 9 偏航锁定 - 22 解缆激活状态 - 10 偏航在顺时针运行模式 - 23 偏航润滑系统报警 - 11 偏航在逆时针运行模式 - 24 偏航cw - 12 偏航液压刹车打开状态 - 25 偏航ccw 13 偏航电机刹车状态 - 26 偏航极限开关动作  

21、。

22、本发明进一步的改进在于，步骤2中，目标参量如下表：

23、表b风电发电机组目标参量

24、 序号 参数名称 单位 1 风机plc状态码 -

25、。

26、本发明进一步的改进在于，步骤3中，采用如下的方法剔除错误的数据：

27、①空值处理；②异常值处理；③非正常运行工况数据处理。

28、本发明进一步的改进在于，对于限电运行、告警运行和风机启动态非正常运行工况的数据，根据风机设计说明中的逻辑判断进行筛选删除。

29、本发明进一步的改进在于，步骤4中，基于滑动窗口的信号特征提取，具体如下：

30、用滑动窗口的思想，对一段时间内的信号进行分析以及特征提取，每隔t个时间点移动长度为s的窗口，将窗口中前面时间段的时序信号移除，在窗口末尾加入新的时序序号，对每次移动后的窗口数据进行上述特征提取；

31、然后对特征参数进行标准化处理，对于第n个特征参数数据集pn中的每个数据xi∈pn，其标准化后的数据为x″i：

32、

33、本发明进一步的改进在于，步骤5中，构建孤立决策树模型，具体如下：

34、501)在特征参数数据pn样本集中随机抽取个数据放入一棵itree孤立树的根节点，记为node；

35、502)对于该节点的特征参数数据pn样本集的所有特征属性，从中随机选择一个特征c，对于该特征c所有取值，从中随机选择一个值作为切割点的值记为p；

36、503)根据特征c和切割点p，将节点上所有样本数据进行分类：假设某个样本数据的特征c对应的值小于p，则将其分配为该数据样本所在节点的左孩子节点；假设某个样本数据的特征c对应的值大于p，则将其分配为该数据样本所在节点的右孩子节点；

37、504)重复502)和503)，直到左右孩子节点只有一个数据样本或该itree孩子节点中只有一个样本或itree孤立树已达到限定高度。

38、本发明进一步的改进在于，步骤6中，构建随机森林类增量预警模型，具体如下：

39、定义数据集其中xi为随机提取的样本点，m为数据集个数；yi＝{1,2,...k}，为其对目标参量对应的一维标量；构建随机森林类增量预警模型分为四个步骤：

40、601)基于步骤5中构建的孤立决策树模型，获得数据分类的路径长度阈值η，根据阈值η将数据划分为包含正常数据的正常区域和除此以外的异常区域；

41、602)构建球形区域c：对每个叶子节点构建球形区域c，将异常区域划分为已知异常区域和未知异常区域，球c中心的表达式为：

42、

43、其中p为每隔叶子节点中的数据集o′个数，半径d＝max(dist(c,xi))，其中xi∈o′，并给球标签赋值为其所在数据点标签最大值；

44、603)测试验证：测试数据遍历每棵树从而得到每棵树的遍历标签，将标签占比最大的一类设为数据的标签类型；

45、604)更新模型。

46、本发明进一步的改进在于，步骤7中，获取风电机组实时运行数据序列xs，代入步骤6中确定好的预警模型即可得到实时风电机组偏航运行状态，具体如下：

47、按照步骤2中特征参量集的序号获取实时运行参数并形成输入序列xs，按照步骤2中目标参量的序号获取实时运行目标参数并形成输入序列ys，将输入序列xs和ys按照时间序列组合为形式，将数据集合a传递给步骤6中确定好的预警模型，便可实时预警风机偏航的运行状态变化是否在正常范围之内。

48、本发明至少具有如下有益的技术效果：

49、1、可以判断特征的重要程度和不同特征之间的相互影响，不容易过拟合

50、2、预警模型在特征集上执行的速度比较快，容易做成并行方法，实现起来比较简单

51、3、对于不平衡的数据集来说，可以平衡误差。

52、4、如果有很大一部分的特征遗失，仍可以维持准确度。

53、综上，本发明方法可实时预测风电机组偏航系统的故障，抗过拟合，预测准确度高，方法简洁容易实现、结果可信，且排除了人为因素的影响。实现偏航故障早期特征挖掘，从而降低了风力发电机组偏航系统机械故障的不利影响，减少了风机运行隐患，对机组安全稳定运行有重要意义。