蘇國(guó)梁，汪健冬，付恩強(qiáng)，趙娟娟，黃文廣，劉廣臣 *

(1.國(guó)電電力內(nèi)蒙古新能源開(kāi)發(fā)有限公司，呼和浩特 010020；2.魯東大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)科學(xué)學(xué)院，煙臺(tái) 264000；3.華風(fēng)數(shù)據(jù)(深圳)有限公司，深圳 518110)

0 引言

風(fēng)能是一種清潔而且可待續(xù)的新能源，在生態(tài)問(wèn)題日益嚴(yán)重、溫室氣體排放量逐年增加的大環(huán)境下，風(fēng)電成為全球認(rèn)可的安全、低碳、可再生電源，并且利用風(fēng)電減緩氣候變化的方案引起了各國(guó)政府、企業(yè)和機(jī)構(gòu)等的高度關(guān)注。隨著風(fēng)電機(jī)組裝機(jī)規(guī)模的不斷增大，以及由于相關(guān)技術(shù)不斷進(jìn)步使現(xiàn)有風(fēng)電機(jī)組的運(yùn)行年限隨之增加，風(fēng)電機(jī)組的安全運(yùn)行受到廣泛關(guān)注。在長(zhǎng)時(shí)間的運(yùn)行過(guò)程中，風(fēng)電機(jī)組易發(fā)生諸如起火、倒塔、葉片斷裂等事故。然而，由于風(fēng)電機(jī)組零部件的多樣性和復(fù)雜性，其運(yùn)行維護(hù)困難重重[1]。傳統(tǒng)的人工檢修方法一般是在風(fēng)電機(jī)組事故發(fā)生后進(jìn)行檢修，而且由于運(yùn)維人員的技術(shù)水平存在差異，導(dǎo)致檢修的耗時(shí)各不相同，這不但會(huì)給風(fēng)電場(chǎng)帶來(lái)一定程度的損失，還會(huì)影響電網(wǎng)的穩(wěn)定性。近年來(lái)，大數(shù)據(jù)和人工智能技術(shù)的不斷發(fā)展為智能化的故障預(yù)警和故障診斷提供了可能，通過(guò)基于風(fēng)電機(jī)組數(shù)據(jù)采集與監(jiān)控(SCADA)系統(tǒng)的大數(shù)據(jù)，利用人工智能算法判斷風(fēng)電機(jī)組的健康狀況并診斷潛在性故障[2]已成為風(fēng)電行業(yè)解決故障預(yù)警及故障診斷技術(shù)問(wèn)題的重要途徑。

在風(fēng)電機(jī)組發(fā)電機(jī)的故障預(yù)警和故障診斷方面，國(guó)內(nèi)外學(xué)者開(kāi)展了大量研究并取得了豐富的成果。CHEN等[3]利用遷移學(xué)習(xí)算法進(jìn)行了葉片結(jié)冰和齒輪齒形帶斷裂的故障診斷。ZARE等[4]建立了一個(gè)多通道卷積神經(jīng)網(wǎng)絡(luò)模型，可用于7種常見(jiàn)的風(fēng)電機(jī)組故障診斷。REN等[5]提出了一種基于變分模態(tài)分解(VMD)多尺度排列熵(MPE)和基于特征的遷移學(xué)習(xí)(FTL)的故障診斷方法，用于識(shí)別齒輪箱故障。王挺韶等[6]針對(duì)風(fēng)電機(jī)組發(fā)電機(jī)在發(fā)生不同故障時(shí)相應(yīng)的傳感器數(shù)據(jù)會(huì)發(fā)生變化這一特點(diǎn)，提出了一種基于自動(dòng)降噪編碼器與一維卷積網(wǎng)絡(luò)的故障診斷模型。褚景春等[7]建立了故障樹(shù)結(jié)構(gòu)的風(fēng)電機(jī)組傳動(dòng)鏈故障信息知識(shí)庫(kù)，可根據(jù)實(shí)時(shí)檢測(cè)的故障特征信息在該知識(shí)庫(kù)中進(jìn)行檢索并定位相應(yīng)的故障樹(shù)，然后根據(jù)該知識(shí)庫(kù)中預(yù)設(shè)的數(shù)據(jù)和貝葉斯網(wǎng)絡(luò)推理該故障樹(shù)下所有觸發(fā)的底事件，形成故障原因診斷集合。郭梅[8]探究了不同故障模式下風(fēng)電機(jī)組發(fā)電機(jī)傳動(dòng)系統(tǒng)振動(dòng)信號(hào)的特點(diǎn)，從時(shí)域、頻域、時(shí)頻3個(gè)方面驗(yàn)證了該研究采用的信號(hào)處理分析算法，提出了將基于互信息的最大相關(guān)最小冗余方法用于發(fā)電機(jī)故障信號(hào)的特征提取，并結(jié)合反向傳播(BP)神經(jīng)網(wǎng)絡(luò)分析了發(fā)電機(jī)的分布式控制系統(tǒng)(DCS)的溫度信號(hào)特點(diǎn)。針對(duì)風(fēng)電機(jī)組發(fā)電機(jī)故障的敏感性，趙洪山等[9]提出了一種基于風(fēng)電機(jī)組發(fā)電機(jī)正常狀態(tài)下SCADA系統(tǒng)中樣本數(shù)據(jù)的堆疊自編碼網(wǎng)絡(luò)深度學(xué)習(xí)方法，用于進(jìn)行風(fēng)電機(jī)組的異常檢測(cè)分析。莊哲民等[10]首次利用改進(jìn)的局域判別基(LDB)算法提取了風(fēng)電機(jī)組的初始故障特征，進(jìn)一步提高了類(lèi)間可分離度。該方法是將風(fēng)電機(jī)組的初始故障特征通過(guò)自組織特征映射(SOM)網(wǎng)絡(luò)映射到一個(gè)類(lèi)別可分性更高的特征空間，最后利用BP神經(jīng)網(wǎng)絡(luò)，根據(jù)映射后的特征實(shí)現(xiàn)故障特征的非線(xiàn)性分類(lèi)，從而完成故障診斷與故障定位。任孝儒[11]采用定子電流信號(hào)分析法，對(duì)風(fēng)電機(jī)組發(fā)電機(jī)的齒輪和轉(zhuǎn)子進(jìn)行了故障診斷研究。趙洪山等[12]提出了基于深度自編碼(DAE)網(wǎng)絡(luò)和梯度提升(Exterme Gradient Boosting，XGBoost)算法的風(fēng)電機(jī)組發(fā)電機(jī)故障診斷算法，先采用DAE故障檢測(cè)算法獲取SCADA數(shù)據(jù)的重構(gòu)值，以分離正常和故障時(shí)段數(shù)據(jù)，再用貝葉斯優(yōu)化搜索XGBoost算法的最優(yōu)超參數(shù)，并建立XGBoost算法多分類(lèi)故障識(shí)別模型。

綜合以上研究者的經(jīng)驗(yàn)，本文以發(fā)電機(jī)軸承A的溫度和發(fā)電機(jī)軸承B的溫度為研究對(duì)象，利用XGBoost算法進(jìn)行風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警研究。本研究的主要內(nèi)容包括：1)特征工程方面：結(jié)合運(yùn)維專(zhuān)家經(jīng)驗(yàn)，同時(shí)運(yùn)用Pearson相關(guān)系數(shù)、XGBoost算法等篩選出與2個(gè)研究對(duì)象相關(guān)性較強(qiáng)的18個(gè)關(guān)鍵特征變量，并進(jìn)行重要性排序。2)模型構(gòu)建方面：利用篩選出的關(guān)鍵特征變量，分別建立發(fā)電機(jī)軸承A溫度(在模型中表示為“generator_bearing_temperature_a”)和發(fā)電機(jī)軸承B溫度(在模型中表示為“generator_bearing_temperature_b”)的風(fēng)電機(jī)組發(fā)電工機(jī)故障監(jiān)測(cè)預(yù)警模型[13]，用于發(fā)電機(jī)軸承A、B溫度的預(yù)測(cè)，并與隨機(jī)森林算法模型和CatBoost算法模型進(jìn)行性能比較。3)故障監(jiān)測(cè)預(yù)警方面：基于模型預(yù)測(cè)溫度與實(shí)測(cè)溫度殘差大小及持續(xù)波動(dòng)趨勢(shì)，在殘差波動(dòng)明顯且持續(xù)時(shí)間長(zhǎng)時(shí)進(jìn)行故障預(yù)警，可以在風(fēng)電機(jī)組停機(jī)前預(yù)知其隨后的運(yùn)行狀態(tài)，使風(fēng)電機(jī)組在故障發(fā)生前停止工作，同時(shí)按照關(guān)鍵特征變量的重要性進(jìn)行故障診斷與維護(hù)。

1 數(shù)據(jù)處理與特征工程

1.1 數(shù)據(jù)獲取及預(yù)處理

本研究數(shù)據(jù)來(lái)源于山東省威海市文登區(qū)某風(fēng)電場(chǎng)的SCADA系統(tǒng)的數(shù)據(jù)庫(kù)，選擇其中某臺(tái)1.5 MW風(fēng)電機(jī)組的數(shù)據(jù)，時(shí)間跨度為2018-2019年，采樣間隔時(shí)間為1 min，數(shù)據(jù)總量為97萬(wàn)條。

由風(fēng)電機(jī)組運(yùn)維專(zhuān)家對(duì)數(shù)據(jù)進(jìn)行變量初篩，依據(jù)控制狀態(tài)篩選出風(fēng)電機(jī)組在并網(wǎng)狀態(tài)下正常運(yùn)行的數(shù)據(jù)行，去除缺失數(shù)據(jù)行，并刪除風(fēng)電機(jī)組在待機(jī)、維修等非正常運(yùn)行時(shí)的記錄數(shù)據(jù)，最終得到的有效樣本數(shù)據(jù)為665667條。

1.2 特征工程

將發(fā)電機(jī)軸承A的溫度與發(fā)電機(jī)軸承B的溫度作為2個(gè)被解釋變量，其余的變量測(cè)點(diǎn)作為解釋變量，然后建立回歸模型。為建立簡(jiǎn)潔高效的機(jī)器學(xué)習(xí)模型，需要選擇關(guān)鍵解釋變量(測(cè)點(diǎn))，即特征工程的關(guān)鍵特征變量，該環(huán)節(jié)可有效降低模型存在共線(xiàn)性的可能性，也能為后期故障診斷與故障部位的定點(diǎn)維修提供一定的參考價(jià)值，可有效降低維修時(shí)間。

首先采用Pearson相關(guān)系數(shù)、XGBoost算法等方法獨(dú)立排序，然后對(duì)相同權(quán)重的特征變量進(jìn)行加權(quán)；將初始32個(gè)特征變量進(jìn)行排名，此排名對(duì)于模型報(bào)警后的運(yùn)維檢修測(cè)點(diǎn)順序具有一定的指導(dǎo)意義；最后結(jié)合風(fēng)電場(chǎng)運(yùn)維專(zhuān)家的經(jīng)驗(yàn)，選取排名前18位的關(guān)鍵特征變量。最終模型的輸入測(cè)點(diǎn)名稱(chēng)及關(guān)鍵特征變量的重要性排序如表1所示。

表1 模型的輸入測(cè)點(diǎn)名稱(chēng)及關(guān)鍵特征變量的重要性排序Table 1 Name of input measuring points of model and ranking of key characteristic variables importance

2 采用XGBoost算法建立風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型

2.1 模型介紹

XGBoost算法是一種加強(qiáng)版的梯度提升算法，其運(yùn)用集成思想，利用加法模型和前向分布的算法將多個(gè)分類(lèi)與回歸樹(shù)(classification and regression trees，CART)基學(xué)習(xí)器構(gòu)成集成樹(shù)模型，并對(duì)決策樹(shù)進(jìn)行打分，以“分高者勝”為原則，實(shí)現(xiàn)目標(biāo)值預(yù)測(cè)。目前，XGBoost算法已成為大數(shù)據(jù)競(jìng)賽、基因工程、信貸金融等領(lǐng)域的重要算法。

相較于傳統(tǒng)的梯度提升決策樹(shù)( gradient boosting decision tree，GBDT)算法，XGBoost算法的優(yōu)點(diǎn)更多，比如：1)加入了正則項(xiàng)，使用列抽樣，可防止過(guò)擬合的發(fā)生，使其具有更好的推廣能力；2)可以自主定義目標(biāo)函數(shù)，提高了模型的精確度；3)用近似算法改進(jìn)貪心算法，同時(shí)使用多個(gè)CPU并行訓(xùn)練，提高了訓(xùn)練速度，可使訓(xùn)練結(jié)果更快達(dá)到最優(yōu)。

采用XGBoost算法建立風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型，進(jìn)行風(fēng)電機(jī)組發(fā)電機(jī)故障預(yù)警、診斷和定位，所建模型的工作流程如圖1所示。

圖1 風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型的工作流程圖Fig.1 Workflow diagram of fault monitoring and early warning model of wind turbine generator

由圖1可知，風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型的工作流程為：

1)提取原始數(shù)據(jù)并進(jìn)行清洗后，結(jié)合運(yùn)維專(zhuān)家經(jīng)驗(yàn)，利用Pearson相關(guān)系數(shù)和XGBoost算法篩選關(guān)鍵特征變量并對(duì)其進(jìn)行排序。

2)利用XGBoost算法分別建立關(guān)鍵特征變量與發(fā)電機(jī)軸承A溫度、發(fā)電機(jī)軸承B溫度這2個(gè)研究對(duì)象的函數(shù)關(guān)系，經(jīng)過(guò)模型訓(xùn)練和參數(shù)調(diào)整，可得到2個(gè)最優(yōu)風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型。

3)將得到的2個(gè)風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型嵌套入實(shí)時(shí)風(fēng)電機(jī)組監(jiān)測(cè)系統(tǒng)，根據(jù)這2個(gè)模型各自預(yù)測(cè)的發(fā)電機(jī)軸承A、B的溫度曲線(xiàn)與2個(gè)軸承的實(shí)測(cè)溫度曲線(xiàn)之間的變化趨勢(shì)進(jìn)行對(duì)比分析，從而進(jìn)行發(fā)電機(jī)的故障預(yù)警。通常，當(dāng)發(fā)電機(jī)的2個(gè)軸承正常工作時(shí)，模型的預(yù)測(cè)溫度曲線(xiàn)與實(shí)測(cè)溫度曲線(xiàn)應(yīng)幾乎吻合；而當(dāng)這2個(gè)軸承出現(xiàn)故障征兆時(shí)(即故障發(fā)生前的某時(shí)段)，預(yù)測(cè)溫度曲線(xiàn)與實(shí)測(cè)溫度曲線(xiàn)一般會(huì)有偏離趨勢(shì)，根據(jù)偏離趨勢(shì)對(duì)風(fēng)電機(jī)組發(fā)電機(jī)運(yùn)行狀態(tài)進(jìn)行故障監(jiān)測(cè)預(yù)警。當(dāng)風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型判斷發(fā)電機(jī)處于故障狀態(tài)(預(yù)警)時(shí)，可繼續(xù)診斷故障產(chǎn)生的原因，并確定故障產(chǎn)生的位置。針對(duì)這一目標(biāo)，結(jié)合運(yùn)維人員的技術(shù)經(jīng)驗(yàn)與模型關(guān)鍵特征變量的重要性大小排序，逐個(gè)檢查發(fā)電機(jī)可疑部位的相關(guān)部件并對(duì)其進(jìn)行維護(hù)，從而實(shí)現(xiàn)風(fēng)電機(jī)組發(fā)電機(jī)的故障維護(hù)。

2.2 模型參數(shù)調(diào)整

在風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型的訓(xùn)練過(guò)程中，需綜合考慮訓(xùn)練模型過(guò)程的時(shí)效性、模型預(yù)測(cè)的準(zhǔn)確性，以及后期更新模型的簡(jiǎn)便性。為此，采取如下策略進(jìn)行模型訓(xùn)練。1)在模型參數(shù)調(diào)整的過(guò)程中，需要關(guān)注的主要參數(shù)包括：樹(shù)的個(gè)數(shù)(當(dāng)該參數(shù)取值適當(dāng)大時(shí)，可以提升模型的魯棒性)、樹(shù)的最大深度(該參數(shù)設(shè)定適當(dāng)時(shí)，可防止模型的過(guò)擬合)、學(xué)習(xí)速率，以及最小葉子節(jié)點(diǎn)樣本權(quán)重和等。2)采用網(wǎng)格搜索方法(GridSearchCV)和3折交叉驗(yàn)證，可有效避免隨機(jī)劃分訓(xùn)練集帶來(lái)的偶然性。

最終的風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型采用的參數(shù)的最優(yōu)值如表2所示。

表2 風(fēng)電機(jī)組發(fā)電機(jī)故障預(yù)測(cè)預(yù)警模型中參數(shù)的最優(yōu)值Table 2 Optimal value of parameters in wind turbine generator fault monitoring and early warning model

2.3 評(píng)價(jià)指標(biāo)

為客觀(guān)評(píng)價(jià)所建立的風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型的預(yù)測(cè)效果，計(jì)算預(yù)測(cè)溫度與實(shí)測(cè)溫度的均方誤差(mean squared error，MSE)、平均絕對(duì)誤差(mean absolute error，MAE)、平均相對(duì)誤差絕對(duì)值(mean absolute percent error，MAPE)、調(diào)整的擬合優(yōu)度(adjustedRsquared)，以及訓(xùn)練時(shí)長(zhǎng)(單位為s)等5項(xiàng)評(píng)價(jià)指標(biāo)，用于評(píng)估該模型的準(zhǔn)確率及穩(wěn)健性。

各評(píng)價(jià)指標(biāo)中，MSE的計(jì)算式為：

式中：yi為發(fā)電機(jī)軸承的實(shí)測(cè)溫度；為發(fā)電機(jī)軸承的預(yù)測(cè)溫度；i為采集點(diǎn)；m為采樣點(diǎn)個(gè)數(shù)。

MAE的計(jì)算式為：

擬合優(yōu)度R2的計(jì)算式為：

值越接近1，說(shuō)明模型預(yù)測(cè)值對(duì)實(shí)際值的擬合程度越好。的計(jì)算式為：

式中：(n–1)為總體平方和的自由度；(n–k–1)為殘差平方和的自由度。

3 模型驗(yàn)證

3.1 模型對(duì)比

為客觀(guān)評(píng)價(jià)XGBoost算法在預(yù)測(cè)風(fēng)電機(jī)組發(fā)電機(jī)軸承溫度方面的能力，在硬件配置相同的情況下，另外采用隨機(jī)森林算法、CatBoost算法建立相應(yīng)模型對(duì)相同訓(xùn)練集和檢驗(yàn)集進(jìn)行比較。采用與前文XGBoost算法相同的參數(shù)調(diào)整策略，對(duì)建立的隨機(jī)森林算法模型、CatBoost算法模型進(jìn)行參數(shù)調(diào)整和訓(xùn)練，得到的不同評(píng)價(jià)指標(biāo)結(jié)果如表3所示。將表3得到的指標(biāo)結(jié)果繪制成對(duì)比圖，如圖2所示。

表3 不同算法模型的評(píng)價(jià)指標(biāo)結(jié)果Table 3 Results of evaluation indexes of different algorithm models

圖2 不同算法模型的評(píng)價(jià)指標(biāo)結(jié)果比較Fig.2 Comparison of evaluation indexes results of different algorithm models

在3種算法模型硬件配置均相同的條件下，從表3和圖2的結(jié)果可以看出：1)在模型誤差方面，XGBoost算法模型的MSE、MAE和MAPE這幾項(xiàng)評(píng)價(jià)指標(biāo)的值均小于隨機(jī)森林算法模型和CatBoost算法模型的值；2)在擬合效果方面，XGBoost算法模型的值最高；3)在訓(xùn)練時(shí)長(zhǎng)方面，隨機(jī)森林算法模型的訓(xùn)練時(shí)長(zhǎng)最短，XGBoost算法模型的訓(xùn)練時(shí)長(zhǎng)最長(zhǎng)。綜上所述，XGBoost算法在發(fā)電機(jī)軸承溫度預(yù)測(cè)方面的能力顯著優(yōu)于隨機(jī)森林算法和CatBoost算法，且其預(yù)測(cè)的準(zhǔn)確率高、時(shí)效性強(qiáng)、穩(wěn)健性好。

將訓(xùn)練好的采用XGBoost算法建立的風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型部署到風(fēng)電場(chǎng)的SCADA系統(tǒng)的大數(shù)據(jù)平臺(tái)，即可實(shí)現(xiàn)發(fā)電機(jī)軸承A溫度和發(fā)電機(jī)軸承B溫度的實(shí)時(shí)預(yù)測(cè)。

3.2 模型實(shí)證

為了驗(yàn)證所訓(xùn)練的風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型的準(zhǔn)確性及適用性，選取了位于山東省日照市莒縣的風(fēng)電場(chǎng)中同為1.5 MW型號(hào)的5號(hào)風(fēng)電機(jī)組進(jìn)行實(shí)證分析。以2020年1-6月時(shí)該風(fēng)電機(jī)組的實(shí)測(cè)數(shù)據(jù)為輸入值，根據(jù)風(fēng)電場(chǎng)的實(shí)況故障記錄表，將記錄中故障前、后各一段時(shí)間的數(shù)據(jù)輸入訓(xùn)練好的風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型，對(duì)該風(fēng)電機(jī)組的發(fā)電機(jī)軸承A、B的溫度進(jìn)行預(yù)測(cè)。若模型預(yù)測(cè)的溫度曲線(xiàn)與風(fēng)電場(chǎng)實(shí)測(cè)溫度曲線(xiàn)出現(xiàn)持續(xù)偏離狀態(tài)，則可認(rèn)為該風(fēng)電機(jī)組運(yùn)行狀態(tài)異常。

以發(fā)電機(jī)軸承B的溫度為例，選擇其中1條故障記錄進(jìn)行分析。該風(fēng)電機(jī)組的發(fā)電機(jī)于2020年3月18日09:43:00這一時(shí)間點(diǎn)發(fā)生了故障，取其故障前、后各一段時(shí)間的數(shù)據(jù)進(jìn)行分析，共約400個(gè)樣本數(shù)據(jù)(發(fā)生故障的時(shí)間點(diǎn)在樣本編號(hào)200附近)。發(fā)電機(jī)軸承B的溫度趨勢(shì)圖如圖3所示。

圖3 發(fā)電機(jī)軸承B的溫度趨勢(shì)圖Fig.3 Temperature trend diagram of generator bearing B

在圖3中標(biāo)出的a點(diǎn)附近，發(fā)電機(jī)部件出現(xiàn)了故障，導(dǎo)致實(shí)測(cè)溫度與預(yù)測(cè)溫度出現(xiàn)偏差，而在風(fēng)電場(chǎng)故障表中確實(shí)有該時(shí)間點(diǎn)發(fā)電機(jī)部位的故障記錄(發(fā)電機(jī)碳刷故障)，表明本文提出的風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型能夠有效監(jiān)測(cè)到發(fā)電機(jī)故障。

發(fā)電機(jī)軸承B的溫度殘差(即實(shí)測(cè)溫度與預(yù)測(cè)溫度之差)圖如圖4所示。

圖4 發(fā)電機(jī)軸承B的溫度殘差圖Fig.4 Temperature residuals diagram of generator bearing B

由圖4可以看出，發(fā)電機(jī)軸承B的溫度殘差曲線(xiàn)在持續(xù)波動(dòng)。雖然起初波動(dòng)幅度較小，但仍可明顯看出，在紅框范圍內(nèi)溫度殘差曲線(xiàn)的波動(dòng)幅度巨大，這是由于發(fā)電機(jī)故障發(fā)生后，故障數(shù)據(jù)導(dǎo)致的結(jié)果。因此，風(fēng)電場(chǎng)的維修人員可根據(jù)故障前溫度殘差曲線(xiàn)的持續(xù)波動(dòng)信號(hào)，結(jié)合關(guān)鍵特征變量重要性排序表(即表1)，對(duì)風(fēng)電機(jī)組發(fā)電機(jī)進(jìn)行提前定點(diǎn)維修檢查，從而可避免風(fēng)電機(jī)組發(fā)電機(jī)后期出現(xiàn)較大的故障導(dǎo)致部件損壞。

4 結(jié)論

本文在特征工程中融合運(yùn)維專(zhuān)家經(jīng)驗(yàn)和Pearson相關(guān)系數(shù)、 XGBoost算法對(duì)特征集進(jìn)行綜合篩選，并在此基礎(chǔ)上利用SCADA系統(tǒng)的數(shù)據(jù)庫(kù)建立了集成機(jī)器學(xué)習(xí)模型，經(jīng)過(guò)參數(shù)調(diào)整后得到了最優(yōu)風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型。隨后，在相同配置硬件情況下，對(duì)XGBoost算法模型與采用隨機(jī)森林算法、CatBoost算法建立的模型進(jìn)行了對(duì)比，結(jié)果顯示：XGBoost算法模型的精度高、可并行計(jì)算且綜合效果最好。將訓(xùn)練好的風(fēng)電機(jī)組發(fā)電機(jī)故障監(jiān)測(cè)預(yù)警模型部署完成后，可利用模型態(tài)勢(shì)分析(即實(shí)測(cè)溫度曲線(xiàn)與模型預(yù)測(cè)溫度曲線(xiàn))、溫度殘差對(duì)比判斷出風(fēng)電機(jī)組發(fā)電機(jī)的運(yùn)行狀態(tài)。若風(fēng)電機(jī)組發(fā)電機(jī)發(fā)生故障，運(yùn)維人員結(jié)合自身經(jīng)驗(yàn)，按模型關(guān)鍵特征變量相關(guān)性大小診斷故障產(chǎn)生的原因，并定位故障部件，從而可實(shí)現(xiàn)故障狀態(tài)監(jiān)測(cè)和故障原因診斷，降低風(fēng)電機(jī)組的故障損失，最終提高風(fēng)電場(chǎng)的經(jīng)濟(jì)效益。