劉　軒, 孫建平

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北保定071003)

?

風(fēng)力發(fā)電機(jī)溫升故障預(yù)警方法研究

劉軒, 孫建平

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北保定071003)

摘要：針對(duì)傳統(tǒng)PCA在解決變量重要性差異很大問(wèn)題時(shí)的局限性，提出一種結(jié)合reliefF算法和加權(quán)主元算法的方法。該方法首先采集張家口某風(fēng)場(chǎng)5月某段時(shí)間內(nèi)風(fēng)力發(fā)電機(jī)組運(yùn)行數(shù)據(jù)并建立數(shù)據(jù)集，通過(guò)reliefF算法確定權(quán)值向量W，進(jìn)而使用加權(quán)主成分分析法建立正常工作狀態(tài)下發(fā)電機(jī)溫度模型。利用該模型對(duì)同一機(jī)組另一段時(shí)間運(yùn)行數(shù)據(jù)進(jìn)行故障檢測(cè)，通過(guò)對(duì)統(tǒng)計(jì)量HotellingT2(簡(jiǎn)稱(chēng)T2)和平方預(yù)測(cè)誤差(簡(jiǎn)稱(chēng)SPE)的趨勢(shì)分析最終確定機(jī)組運(yùn)行狀態(tài)。實(shí)驗(yàn)結(jié)果表明，提出的方法準(zhǔn)確預(yù)測(cè)出了發(fā)電機(jī)的溫升故障，并減少了誤報(bào)情況。

關(guān)鍵詞：加權(quán)主成分分析；發(fā)電機(jī)溫度；reliefF算法；T2統(tǒng)計(jì)量；SPE統(tǒng)計(jì)量

0引言

近年來(lái)，我國(guó)風(fēng)電事業(yè)發(fā)展迅速，伴隨著風(fēng)力發(fā)電機(jī)組種類(lèi)和數(shù)量的不斷增加風(fēng)力發(fā)電機(jī)組在運(yùn)行中產(chǎn)生了各種故障，嚴(yán)重影響設(shè)備運(yùn)行效率。而發(fā)電機(jī)作為發(fā)電機(jī)組的重要部件之一，發(fā)電機(jī)系統(tǒng)的運(yùn)行狀態(tài)最直接影響著整個(gè)發(fā)電機(jī)組運(yùn)行的性能和效率。所以，研究其故障診斷技術(shù)顯得十分必要。本文以永磁同步電機(jī)為例，根據(jù)相關(guān)文獻(xiàn)資料中所出現(xiàn)的故障情況統(tǒng)計(jì)和分析，歸納總結(jié)出永磁同步電機(jī)故障主要分為定子繞組故障、轉(zhuǎn)子故障、溫度升高故障等[1]。

1992年，Kira和Rendell通過(guò)文獻(xiàn)[2]提出Relief算法，但該算法主要討論兩類(lèi)問(wèn)題分類(lèi)情況。之后，為使Relief系列算法可以解決多類(lèi)問(wèn)題，Kononenko 在文獻(xiàn)[3]中提出了ReliefF算法。Relief系列算法作為一種特征權(quán)重算法，不但有較高的運(yùn)行效率，而且不限制數(shù)據(jù)類(lèi)型。該算法根據(jù)與類(lèi)別相關(guān)性的高低來(lái)賦予變量不同的權(quán)重，但該算法不能高效地去除原始變量間的冗余特征。主元分析(Principal Component Analysis，PCA)是一種多元統(tǒng)計(jì)方法，其利用原始數(shù)據(jù)變量之間的相關(guān)性，通過(guò)少數(shù)幾個(gè)變量的線(xiàn)性組合來(lái)解釋其他變量，從而實(shí)現(xiàn)降維的目的。主元分析可以很好地完成數(shù)據(jù)與圖像的壓縮，進(jìn)而減少數(shù)據(jù)冗余并提取重要信息，廣泛應(yīng)用于人臉識(shí)別、故障檢測(cè)等領(lǐng)域。針對(duì)傳統(tǒng)的主元分析算法和ReliefF算法各自的局限性，本文提出了一種結(jié)合ReliefF算法的改進(jìn)PCA算法。其基本思想是：通過(guò)ReliefF算法得到各變量特征權(quán)重，確定各變量權(quán)值W，進(jìn)而采用加權(quán)主元分析法建立發(fā)電機(jī)溫度與其影響因素之間的關(guān)系模型。通過(guò)HotellingT2和平方預(yù)測(cè)誤差的計(jì)算來(lái)實(shí)現(xiàn)對(duì)風(fēng)力發(fā)電機(jī)的狀態(tài)監(jiān)測(cè)和故障診斷。

1ReliefF算法

由于Relief算法的簡(jiǎn)單和高效性，使其應(yīng)用廣泛，但其局限性在于只能處理兩類(lèi)別數(shù)據(jù)。Kononenko在文獻(xiàn)[4]中擴(kuò)展了Relief算法，將分類(lèi)視為一類(lèi)對(duì)多類(lèi)關(guān)系解決了多類(lèi)問(wèn)題，用來(lái)處理噪聲數(shù)據(jù)和不完整數(shù)據(jù)。目前，ReliefF算法應(yīng)用于人體行為識(shí)別研究[5]、無(wú)線(xiàn)電信號(hào)識(shí)別[6]和聚類(lèi)研究分析[7]中。ReliefF算法輸入為訓(xùn)練樣本集合D，隨機(jī)選擇出的樣本個(gè)數(shù)m，特征權(quán)重閾值，以及最鄰近樣本個(gè)數(shù)K；輸出為各變量的特征權(quán)值向量。其中m也就是迭代次數(shù)，最大取值為樣本集D的樣本數(shù)。算法流程圖為圖1。

圖1　reliefF算法流程圖

其中特征權(quán)重計(jì)算公式：

(1)

式中：P(C)是C類(lèi)目標(biāo)樣本數(shù)占樣本總數(shù)的比例；Mj(C)表示第C類(lèi)目標(biāo)的第J個(gè)最鄰近樣本；diff(A,R1,R2)表示樣本R1和R2在特征值A(chǔ)上的差，計(jì)算公式如下：

(2)

2加權(quán)主成分分析

主成分分析(PCA)作為一種多元統(tǒng)計(jì)方法，利用原始變量之間的相關(guān)性，使用原來(lái)變量的少數(shù)幾個(gè)線(xiàn)性組合來(lái)表示原來(lái)變量，從而實(shí)現(xiàn)降維。主元分析可以很好地完成數(shù)據(jù)與圖像的壓縮來(lái)減少數(shù)據(jù)冗余并提取重要信息，廣泛應(yīng)用于人臉識(shí)別、故障檢測(cè)等領(lǐng)域。由于傳統(tǒng)的PCA算法沒(méi)有考慮到樣本間相互存在的重要度差異，往往不能有效地處理小樣本問(wèn)題中的離群點(diǎn)，不同物質(zhì)的樣本不能清晰的隔離分布。為此，許多加權(quán) PCA(Weighted Principal Component Analysis,WPCA)算法相繼而出[8-12]。

例如，文獻(xiàn)[8]7中提出了一種基于PCA的樣本加權(quán)特征提取算法，在Yale人臉庫(kù)上的實(shí)驗(yàn)表明該方法具有很好的魯棒性和識(shí)別率。文獻(xiàn)[12]中指出，基于不同特征在識(shí)別過(guò)程中所起不同作用這種事實(shí)，采取加強(qiáng)關(guān)鍵點(diǎn)如眼睛、鼻子和嘴巴等部位來(lái)提高人臉識(shí)別率。

2.1算法步驟

在工業(yè)過(guò)程中，采集傳感器信號(hào)列成數(shù)據(jù)矩陣Xn×m，其中n為樣本個(gè)數(shù)，m為矩陣維數(shù)，代表傳感器測(cè)點(diǎn)個(gè)數(shù)即變量個(gè)數(shù)。

加權(quán)主元的分析運(yùn)算分為以下幾個(gè)步驟：

(1) 對(duì)原始數(shù)據(jù)矩陣X進(jìn)行標(biāo)準(zhǔn)化運(yùn)算，對(duì)數(shù)據(jù)進(jìn)行無(wú)量綱化和去除變量相關(guān)性處理，即：

(3)

(2) 按照文獻(xiàn)[4]中給出的加權(quán)函數(shù)方法計(jì)算權(quán)值向量W，表達(dá)式為：

(4)

(5)

(6)

(7)

式中：Λ為特征值構(gòu)成的對(duì)角陣；V即所求的特征向量。

(4) 選取主元個(gè)數(shù)。本文采用方差貢獻(xiàn)率法選擇能概括數(shù)據(jù)主要變化的前Kp個(gè)主元，各主元累計(jì)貢獻(xiàn)率：

(8)

累計(jì)貢獻(xiàn)率選取過(guò)高，導(dǎo)致選取過(guò)多主元個(gè)數(shù)，造成數(shù)據(jù)冗余。而選取過(guò)低則會(huì)導(dǎo)致選取主元不能夠充分代表原數(shù)據(jù)矩陣。一般情況下，選擇累計(jì)貢獻(xiàn)率達(dá)到 85%以上時(shí)候的Kp個(gè)主元代替原n個(gè)變量，這樣建立的主元模型最能夠代表原數(shù)據(jù)矩陣特征，又不會(huì)造成數(shù)據(jù)冗余。

(5) 建立主元模型：

(9)

2.2統(tǒng)計(jì)指標(biāo)

2.2.1 平方預(yù)測(cè)誤差Q

(10)

Vkp為由V前kp列構(gòu)成的特征向量矩陣。平方預(yù)測(cè)誤差也稱(chēng)Q統(tǒng)計(jì)量，給定顯著水平α?xí)r，Q統(tǒng)計(jì)指標(biāo)的控制限Qα，其計(jì)算公式為：

(11)

在正常情況下，Q統(tǒng)計(jì)指標(biāo)的值應(yīng)處于控制限規(guī)定范圍之內(nèi)，故障情況下會(huì)超出控制限。

2.2.2 HotellingT2

(12)

式中：Λkp由前Kp個(gè)特征值組成的對(duì)角矩陣；T2統(tǒng)計(jì)指標(biāo)的實(shí)質(zhì)是向量X在主元空間投影向量單位正規(guī)化后的長(zhǎng)度。T2統(tǒng)計(jì)量服從F分布(F(kp,n-kp))，n為樣本點(diǎn)個(gè)數(shù)。給定顯著性水平α?xí)r統(tǒng)計(jì)量的控制限，其計(jì)算公式為：

(13)

在正常情況下，T2統(tǒng)計(jì)量的值應(yīng)該處于控制限范圍內(nèi)，故障發(fā)生后，統(tǒng)計(jì)量超出控制限。文獻(xiàn)[14]指出，在實(shí)際工業(yè)過(guò)程中，T2和SPE統(tǒng)計(jì)量的4種檢測(cè)結(jié)果。當(dāng)T2未超限且SPE未超限時(shí)，系統(tǒng)運(yùn)行正常；當(dāng)T2超限且SPE未超限時(shí)，這種情況可能由系統(tǒng)的正常工況漂移引起，也可能是由于故障未顯著改變變量之間的關(guān)系，有潛在故障可能；當(dāng)T2未超限且SPE超限時(shí)，表明系統(tǒng)正常工況下變量間的相關(guān)結(jié)構(gòu)被破壞，可能產(chǎn)生過(guò)程故障或傳感器故障；當(dāng)T2與SPE超限均超限時(shí)，說(shuō)明系統(tǒng)運(yùn)行異常，有故障發(fā)生。

3發(fā)電機(jī)溫度預(yù)警模型

3.1發(fā)電機(jī)溫度監(jiān)測(cè)

發(fā)電機(jī)溫度軸承溫升是發(fā)電機(jī)考核的一個(gè)指標(biāo)，文獻(xiàn)[15]中指出軸承的溫度信號(hào)在機(jī)組安全運(yùn)行監(jiān)控中有重要地位。發(fā)電機(jī)的溫度過(guò)熱往往是發(fā)電機(jī)故障的綜合表現(xiàn)。導(dǎo)致發(fā)電機(jī)過(guò)熱的因素有很多，冷卻系統(tǒng)故障和定子長(zhǎng)時(shí)間大電流運(yùn)轉(zhuǎn)都可能造成發(fā)電機(jī)急劇升溫。本文選擇建立基于溫度變量的風(fēng)力發(fā)電機(jī)故障預(yù)警模型，使用轉(zhuǎn)子軸承溫度值來(lái)表征發(fā)電機(jī)溫度。本文選用的SCADA數(shù)據(jù)為張家口某風(fēng)電場(chǎng)在2014年5月21日至23日期間，對(duì)某臺(tái)風(fēng)電機(jī)組正常工作時(shí)每10 min采集一次的SCADA數(shù)據(jù)，成為數(shù)據(jù)集1，其中轉(zhuǎn)子軸承溫度和其他相關(guān)變量的數(shù)據(jù)趨勢(shì)如圖2所示。通過(guò)對(duì)風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)分析，在SCADA系統(tǒng)中發(fā)電機(jī)溫度與其他多個(gè)變量存在關(guān)系。各變量與發(fā)電機(jī)溫度之間有直接或間接的關(guān)系，各變量之間相互獨(dú)立，也可能存在相關(guān)性。

圖2　2014年5月21日至23日期間發(fā)電機(jī)溫度及相關(guān)變量趨勢(shì)圖

由圖2可知，風(fēng)速在大多數(shù)情況下低于切出風(fēng)速。在第297～348點(diǎn)之間風(fēng)速超過(guò)切出風(fēng)速，此時(shí)發(fā)電機(jī)組切出電網(wǎng)，停止發(fā)電，發(fā)電機(jī)溫度穩(wěn)步下降。在風(fēng)速處于額定風(fēng)速以上，切出風(fēng)速以下時(shí)，機(jī)組并網(wǎng)功率和發(fā)電機(jī)轉(zhuǎn)速恒定，發(fā)電機(jī)溫度主要受環(huán)境溫度及冷卻風(fēng)溫影響。當(dāng)風(fēng)速處于切入風(fēng)速以上，額定風(fēng)速以下時(shí)，發(fā)電機(jī)溫度主要受風(fēng)速、機(jī)組并網(wǎng)功率、發(fā)電機(jī)轉(zhuǎn)速影響。

3.2發(fā)電機(jī)溫度建模仿真實(shí)驗(yàn)

根據(jù)2014年5月21日至23日期間風(fēng)電機(jī)組的報(bào)警記錄、停機(jī)記錄，將數(shù)據(jù)集1中SCADA系統(tǒng)中機(jī)組故障停機(jī)時(shí)段、風(fēng)速低于切入風(fēng)速時(shí)段、風(fēng)速高于切出風(fēng)速時(shí)段的數(shù)據(jù)從建模數(shù)據(jù)中刪除，得到機(jī)組正常狀態(tài)下變量運(yùn)行數(shù)據(jù)，記為Xn×m。另采集同一風(fēng)機(jī)2014年5月26日至2014年5月28日期間風(fēng)機(jī)運(yùn)行數(shù)據(jù)(稱(chēng)為數(shù)據(jù)集2)進(jìn)行檢測(cè)和診斷。風(fēng)機(jī)轉(zhuǎn)子軸承溫度和其他相關(guān)變量數(shù)據(jù)運(yùn)行趨勢(shì)為圖3 所示。在2014年5月30日對(duì)風(fēng)電機(jī)組進(jìn)行計(jì)劃停機(jī)檢修。檢修過(guò)程中發(fā)現(xiàn)發(fā)電機(jī)轉(zhuǎn)子軸承鏈接處出現(xiàn)不同程度細(xì)小裂紋，這使得發(fā)電機(jī)轉(zhuǎn)子繞組摩擦增大，產(chǎn)生多余熱量導(dǎo)致發(fā)電機(jī)溫度升高。如果在故障發(fā)生之前，不采取有效的故障預(yù)測(cè)方法預(yù)測(cè)故障發(fā)生，任其異常持續(xù)發(fā)展將導(dǎo)致機(jī)組故障停機(jī)。

圖3　2014年5月26日至2014年5月28日期間發(fā)電機(jī)溫度及相關(guān)變量趨勢(shì)圖

采用傳統(tǒng)PCA對(duì)數(shù)據(jù)集Xn×m建模并求其主元，模型建立后，將數(shù)據(jù)集2作為檢測(cè)數(shù)據(jù)，記錄SPE和T2統(tǒng)計(jì)量。

通過(guò)觀察統(tǒng)計(jì)量數(shù)據(jù)趨勢(shì)，獲取機(jī)組整體運(yùn)行狀態(tài)的實(shí)時(shí)信息。其中，SPE統(tǒng)計(jì)量反映某一時(shí)刻測(cè)量值相對(duì)于模型的偏離程度；T2統(tǒng)計(jì)量反映主元模型內(nèi)部的各個(gè)向量模的大小變化來(lái)反映變量的變化情況；觀察圖4，T2統(tǒng)計(jì)量的閾值為13.771 1，發(fā)現(xiàn)從200采樣點(diǎn)后主元空間中數(shù)據(jù)波動(dòng)較大，但未超出閾值；對(duì)于SPE統(tǒng)計(jì)量，閾值為0.650 7，從200采樣點(diǎn)后殘差空間數(shù)據(jù)SPE統(tǒng)計(jì)量持續(xù)超出閾值，判定此時(shí)發(fā)電機(jī)溫度值異常，機(jī)組存在出現(xiàn)故障的可能。而200采樣點(diǎn)之前出現(xiàn)一些間斷的誤報(bào)點(diǎn)，說(shuō)明使用傳統(tǒng)主元分析的建模方法不完備，方法存在缺陷。

圖4　PCA統(tǒng)計(jì)量監(jiān)控圖

傳統(tǒng)PCA算法不僅可以消除樣本間相互重疊的信息，而且能根據(jù)樣本內(nèi)各變量所提供的原始信息自動(dòng)生成非人為的權(quán)系數(shù)，但它并未考慮不同樣本在識(shí)別過(guò)程中互相存在的重要度差異[4]。所以，針對(duì)傳統(tǒng)主元算法存在的缺陷，引入一個(gè)權(quán)值向量W，將每個(gè)變量賦以一定的權(quán)值從而突出其在整個(gè)數(shù)據(jù)集中的不同重要性，變量的權(quán)值代表其在總體中的相對(duì)重要性。

根據(jù)發(fā)電機(jī)轉(zhuǎn)子軸承溫度將數(shù)據(jù)集分為兩類(lèi)，正常溫度范圍類(lèi)(類(lèi)標(biāo)簽為“0”)和過(guò)高溫度范圍類(lèi)(類(lèi)標(biāo)簽為“1”)，使用ReliefF算法，分別計(jì)算m個(gè)相關(guān)變量與類(lèi)的相關(guān)性權(quán)值，計(jì)算結(jié)果如表1所示。根據(jù)影響發(fā)電機(jī)溫度的變量相關(guān)性權(quán)值，可以將影響發(fā)電機(jī)溫度的變量按影響程度大小排序。各變量中影響風(fēng)力發(fā)電機(jī)溫度程度最高的是發(fā)電機(jī)轉(zhuǎn)子軸承溫度、環(huán)境溫度，風(fēng)速、并網(wǎng)功率、發(fā)電機(jī)轉(zhuǎn)速對(duì)其影響次之，冷卻風(fēng)溫對(duì)其影響相比較其他變量程度最小。本實(shí)驗(yàn)根據(jù)影響程度大小將權(quán)值系數(shù)矩陣W設(shè)定為W=[0.8∶1∶0.8∶1.2∶1.3∶1]。

表1　各相關(guān)變量與發(fā)電機(jī)溫度相關(guān)性權(quán)值

將數(shù)據(jù)集2經(jīng)過(guò)加權(quán)算法后再進(jìn)行檢測(cè)，記錄SPE和T2統(tǒng)計(jì)量，檢測(cè)結(jié)果為圖5所示。T2統(tǒng)計(jì)量的閾值為11.701 2，從200采樣點(diǎn)后主元空間中數(shù)據(jù)波動(dòng)較大，但未超出閾值；對(duì)于SPE統(tǒng)計(jì)量，閾值為3.364 5，從200采樣點(diǎn)后殘差空間數(shù)據(jù)SPE統(tǒng)計(jì)量持續(xù)超出閾值，判定此時(shí)發(fā)電機(jī)溫度值異常，機(jī)組存在出現(xiàn)故障的可能。比較圖4與圖5，可以看出，SPE統(tǒng)計(jì)量中多個(gè)誤差點(diǎn)已經(jīng)被消除，說(shuō)明了結(jié)合reliefF算法的加權(quán)主成分分析法的有效性。

4結(jié)論

風(fēng)力發(fā)電機(jī)組SCADA系統(tǒng)中記錄的發(fā)電機(jī)運(yùn)行數(shù)據(jù)可以較好地反映發(fā)電機(jī)運(yùn)行狀態(tài)。針對(duì)傳統(tǒng)PCA在解決變量重要性差異較大問(wèn)題時(shí)的局限性，本文提出一種結(jié)合reliefF算法和加權(quán)主元分析法的故障檢測(cè)方法，首先根據(jù)風(fēng)電機(jī)組實(shí)際運(yùn)行數(shù)據(jù)，建立影響發(fā)電機(jī)溫度的變量集；進(jìn)而采用reliefF算法得到各變量對(duì)發(fā)電機(jī)溫度的相關(guān)性權(quán)值，根據(jù)權(quán)值設(shè)定權(quán)值向量W，進(jìn)行加權(quán)主成分分析；觀察T2和SPE統(tǒng)計(jì)量大小，確定機(jī)組運(yùn)行狀態(tài)變化。實(shí)例分析表明，本文所提的檢測(cè)方法既能夠使得每個(gè)樣本在整個(gè)樣本組中凸顯出不同的重要度，又能完成數(shù)據(jù)壓縮去除數(shù)據(jù)冗余。但同時(shí)，該方法也具有一定的局限性。由于影響發(fā)電機(jī)溫度的因素還有許多，本文只討論算法確定的幾個(gè)主要變量，忽略其他變量的影響，有待進(jìn)一步研究。

參考文獻(xiàn):

[1]楊錫運(yùn)，郭鵬，岳俊紅，等. 風(fēng)力發(fā)電機(jī)組故障診斷技術(shù)[M].北京:中國(guó)水利水電出版社,2015.

[2]KIRA K,RENDELL L. A practical approach to feature selection [C] //Proc 9th International Workshop on Machine Learning,1992:249-256.

[3]KONONENKO I. Estimation Attributes：Analysis and extensions of RELIEF [C] //European Conference on Machine Learning,Catania: Springer Verlag, 1994: 171-182.

[4]陳佩. 主成分分析法研究及其在特征提取中的應(yīng)用 [D]. 西安：陜西師范大學(xué),2014.

[5]張潔. 基于加速度傳感器的人體運(yùn)動(dòng)行為識(shí)別研究[J].自動(dòng)化與儀器儀表,2016(3):228-229,234.

[6]杜利敏,陳河山,徐揚(yáng),等. 基于ReliefF和聚類(lèi)的特征選擇方法及其在無(wú)線(xiàn)電信號(hào)識(shí)別中的應(yīng)用[J].河南大學(xué)學(xué)報(bào)(自然科學(xué)版),2014(3):347-350.

[7]陳曉琳,姬波,葉陽(yáng)東. 一種基于ReliefF特征加權(quán)的R-NIC算法[J]. 計(jì)算機(jī)工程,2015(4):161-165.

[8]楊開(kāi)睿. 基于重建誤差的樣本加權(quán)特征提取算法研究[D].徐州：中國(guó)礦業(yè)大學(xué),2014.

[9]GU Shanmao,LIU Yunlong,LIU Lijun,et al. Weighted principal component analysis applied to continuous stirred tank reactor system with time-varying[C]//中國(guó)自動(dòng)化學(xué)會(huì)控制理論專(zhuān)業(yè)委員會(huì).第三十四屆中國(guó)控制會(huì)議論文集(D卷).中國(guó)自動(dòng)化學(xué)會(huì)控制理論專(zhuān)業(yè)委員會(huì),2015:5.

[10]劉志軍,王林,齊詠生. PCA和LDA融合方法及其在故障診斷中的應(yīng)用[C]//中國(guó)自動(dòng)化學(xué)會(huì)過(guò)程控制專(zhuān)業(yè)委員會(huì).第25屆中國(guó)過(guò)程控制會(huì)議論文集.中國(guó)自動(dòng)化學(xué)會(huì)過(guò)程控制專(zhuān)業(yè)委員會(huì),2014.

[11]李云彤,黃山,徐海明. 基于改進(jìn)PCA的人臉識(shí)別算法[J]. 微型機(jī)與應(yīng)用,2015(17):43-45.

[12]白小曼. 改進(jìn)的加權(quán)主成分分析算法實(shí)現(xiàn)人臉識(shí)別[D].北京：北京交通大學(xué),2006.

[13]李想. 基于主元分析的工業(yè)過(guò)程故障診斷算法研究[D].沈陽(yáng)：沈陽(yáng)大學(xué),2010.

[14]王婉. 基于PCA的空調(diào)水系統(tǒng)的傳感器故障檢測(cè)與診斷研究[D].長(zhǎng)沙：湖南大學(xué),2014.

[15]霍娟,唐貴基,劉大賓,等. 基于溫度信號(hào)的風(fēng)電機(jī)組發(fā)電機(jī)實(shí)時(shí)可靠性監(jiān)測(cè)新方法[J]. 可再生能源,2016(3):408-412.

Study on the Method of Wind Turbine Temperature Fault Warning

LIU Xuan，SUN Jianping

(School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China)

Abstract：Aimed at the limitations of the traditional PCA in solving the problem of variable big difference importance, this paper proposes a method comprising of reliefF Algorithm and Weighted Principal Component Analysis(WPCA).This method first collects the data of wind turbine operation in a certain wind farm in Zhangjiakou in May and sets up the data set，through the reliefF algorithm to determine the weight vector W, and uses the weighted principal component analysis method to establish the normal working state of the generator temperature model.The model is used to detect the faults of the same set of another period of time,and trend analysis of the model statistics HotellingT2(T2) and squared prediction error (SPE) to finalize the running status of the unit.The experimental results show that the proposed method accurately predicts the failure of the generator temperature rise, and reduces the false alarm situation.

Keywords：WPCA； generator temperature； reliefFalgorithm;T2statistics；SPE statistics

收稿日期：2016-04-18。

基金項(xiàng)目：河北省自然科學(xué)基金(F2014502059)。

作者簡(jiǎn)介：劉軒(1992-)，女，碩士研究生，主要從事風(fēng)力發(fā)電機(jī)組故障檢測(cè)方面的研究，E-mail：381192438@qq.com。

中圖分類(lèi)號(hào):TM614

文獻(xiàn)標(biāo)識(shí)碼:A

DOI:10.3969/j.issn.1672-0792.2016.06.007