为进一步提高风电发电机组覆冰故障诊断模型的精度,缩短隐患消除的周期,提出基于多变量相关性平稳自适应增强(Gentle Adaboost)的风机叶片覆冰故障诊断方法。首先,对监控与数据采集(supervisory control and data acquisition,SCADA)系...为进一步提高风电发电机组覆冰故障诊断模型的精度,缩短隐患消除的周期,提出基于多变量相关性平稳自适应增强(Gentle Adaboost)的风机叶片覆冰故障诊断方法。首先,对监控与数据采集(supervisory control and data acquisition,SCADA)系统的多变量数据进行归一化处理,统一变量量纲;然后,通过一维卷积神经网络提取多变量间的相关性信息,并通过主成分分析法减少特征向量的维度,提取向量中的关键成分;最后,将特征向量导入具有强鲁棒性的集成学习算法Gentle Adaboost中进行学习,以获得具有高泛化能力的覆冰故障诊断模型。针对实际数据与6种经典算法进行了对比实验,结果表明,所提方法的覆冰故障诊断精度更高。展开更多
文摘为进一步提高风电发电机组覆冰故障诊断模型的精度,缩短隐患消除的周期,提出基于多变量相关性平稳自适应增强(Gentle Adaboost)的风机叶片覆冰故障诊断方法。首先,对监控与数据采集(supervisory control and data acquisition,SCADA)系统的多变量数据进行归一化处理,统一变量量纲;然后,通过一维卷积神经网络提取多变量间的相关性信息,并通过主成分分析法减少特征向量的维度,提取向量中的关键成分;最后,将特征向量导入具有强鲁棒性的集成学习算法Gentle Adaboost中进行学习,以获得具有高泛化能力的覆冰故障诊断模型。针对实际数据与6种经典算法进行了对比实验,结果表明,所提方法的覆冰故障诊断精度更高。