张惠强;高娟娟;任晓旭;陶永刚;赵禹茗;黄剑锋;

• 1:国电电力内蒙古新能源开发有限公司
• 2:华风数据(深圳)有限公司

摘要(Abstract)：

风电机组机舱内部的机械部件众多，以机舱温度为研究对象可以实现对风电机组故障的预警。首先提取风电机组正常运行状态下的机舱温度数据，综合Pearson相关系数和Spearman相关系数，以及轻型梯度增强学习器(LightGBM)和CatBoost算法的特征变量重要性，筛选出与机舱温度相关性较大的20个特征变量，作为风电机组机舱温度的特征变量集合；然后选择CatBoost、LightGBM、随机森林(Random Forest)3个算法分别建立模型，以均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、判定系数R2作为评价指标进行综合评价，最终选择评价指标最优的采用CatBoost算法建立的模型作为风电机组机舱温度异常预警模型，并采用实际的风电机组机舱温度异常的历史数据对模型的预警效果进行验证。该模型可在机舱温度预测值与真实值之间偏离程度较大时进行预警，专业检修人员可以根据模型输出的特征变量重要性排序，优先检修相关性较高的部件，实用性较强。

关键词(KeyWords)： 风电机组;机舱温度;机器学习模型;CatBoost;故障预警

Abstract:

Keywords:

基金项目(Foundation):

作者(Authors): 张惠强;高娟娟;任晓旭;陶永刚;赵禹茗;黄剑锋;

DOI: 10.19911/j.1003-0417.tyn20211108.02

参考文献(References)：

• [1]张慧.基于SCADA的风电机组关键设备状态监测研究[D].秦皇岛：燕山大学，2018.
• [2]金晓航，许壮伟，孙毅，等.基于SCADA数据分析和稀疏自编码神经网络的风电机组在线运行状态监测[J].太阳能学报，2021,42(6):321-328.
• [3]于杰承.风电机组机舱环境智能控制系统研究[D].沈阳：沈阳工程学院，2018.
• [4]赵秋丽.风电机组部件超温故障的FMECA分析及控制[D].北京：华北电力大学，2016.
• [5]程逸，胡阳，马素玲，等.基于MIC-LSTM与CKDE的风电机组机舱温度区间预测[J].智慧电力，2020,48(7):16-23.
• [6]王白月.基于FLUENT的风机机组机舱内部散热与流场分析[D].沈阳：沈阳工业大学，2018.
• [7]杜丘美，郭原，刘健. 2 MW风电机组机舱内热流场数值模拟[J].重庆理工大学学报(自然科学)，2017,31(12):111-115.
• [8]周涛，马栋梁，陈柏旭，等.非能动自然循环风电机舱冷却系统应用研究[J].华电技术，2017,39(6):1-5,27,77.
• [9]闫闯.考虑多热源影响的风电机舱散热布局优化研究[D].沈阳：沈阳工业大学，2019.
• [10]张帆，刘德顺，戴巨川，等.一种基于SCADA参数关系的风电机组运行状态识别方法[J].机械工程学报，2019,55(4):1-9.
• [11] KE G,MENG Q,FINLEY T,et al. LightGBM:a highly efficient gradient boosting decision tree[J]. Advances in neural information processing systems,2017,30:3146-3154.
• [12] DOROGUSH A V,ERSHOV V,GULIN A. CatBoost:gradient boosting with categorical features support[EB/OL].(2018-10-24). https://arxiv.org/abs/1810.11363.
• [13] SVETNIK V,LIAW A,TONG C,et al. Random forest:a classification and regression tool for compound classification and QSAR modeling[J]. Journal of chemical information and computer sciences,2003,43(6):1947-1958.
• [14]梁川.基于特征提取和随机森林的风机故障诊断[J].科学技术创新，2020(26):55-58.
• [15]张月，窦瑞.基于SCADA数据的风机故障诊断算法预测研究[J].中国新技术新产品，2020(22):1-3.
• [16]施萌，马永光.基于SCADA数据的风电场故障预警[J].电力科学与工程，2020,36(8):25-29.
• [17]戴幸泽，窦慧洋.基于GA-BP神经网络的风机齿轮箱故障预警算法[J].电子技术与软件工程，2020(9):160-163.
• [18] DOROGUSH A V,ERSHOV V,GULIN A. CatBoost:gradient boosting with categorical features support[EB/OL].(2018-01-03). http://learningsys.org/nips17/assets/papers/paper_11.pdf.
• [19] QUZ J,XU J,WANG Z X,et al. Prediction of electricity generation from a combined cycle power plant based on a stacking ensemble and its hyperparameter optimization with a grid-search method[J]. Energy,2021,227:120309.
• [20]程诗雨，刘航，曾天生，等.基于SCADA参数关系的风电机组部件重要度分析[J].可再生能源，2021,39(10):1335-1341.
• [21]曹渝昆，朱萌.基于主成分分析和LightGBM的风电场发电功率超短期预测[J].上海电力学院学报，2019,35(6):562-566.
• [22]张国珍，王其乐，叶天泽，等.基于随机森林和LSTM-自编码算法的风机高温降容状态智能检测方法[J].华北电力大学学报(自然科学版)，2021,48(3):81-88.