基于LightGBM的风电机组齿轮箱油温故障预警研究

基于风电机组运维历史大数据,探索齿轮箱油温异常预测性预警及异常原因分析的方法。首先,基于齿轮箱油温正常状态的SCADA运维大数据,在特征工程中采用方差排序、Pearson相关系数和递归特征消除进行降维,产生三个不同特征组合的数据集,分别建立LightGBM模型并选出表现最优的数据集;其次,选取boosting另外两个流行算法XGBoost与CatBoost作为对照算法,从均方误差(MSE),拟合优度(R Squared)等多个评价指标进行综合评价;最后,通过比较齿轮箱的预测油温与真实油温的偏离程度,在偏离较大时启动预警。结果显示,LightGBM算法模型保证时效性的同时,误差值明显低于其他算法模型,预测齿轮箱油温的效果最佳。本文提出的模型系统能够提前对齿轮箱油温异常进行预警,提升风电场能源持续输出效率。

基于PCA和SPC-动态神经网络的风电机组齿轮箱油温趋势预测

针对风电机组齿轮箱油温趋势预测中存在的信号非线性、多变量相关、各相关变量之间存在数据冗余等问题,同时为了克服人工神经网络离线训练的不足,该文提出了一种基于主成分分析（principal component analysis,PCA）和动态神经网络的齿轮箱油温趋势预测模型,并结合统计过程控制（statistical process control,SPC）实现该模型在线学习能力。确定影响油温变化的相关变量集,利用PCA消除相关变量间的数据冗余,采用有外部输入的非线性自回归动态神经网络（nonlinear autoregressive with external input,NARX）对油温和相关变量集进行建模,采用考虑残差分布规律的SPC方法控制模型在线学习行为。实际应用结果表明：该方法具有较高的稳定性和准确度,能够有效实现油温趋势预测。

基于改进GRU的海上风电机组齿轮箱故障诊断

为提高风电机组中齿轮箱故障诊断的准确性,提出一种在门控循环单元(GRU)神经网络中引入注意力机制进行风电机组齿轮箱油温预测的方法,充分挖掘数据参量中的关联关系,以提高模型预测的准确性。针对模型预测的残差,采用一种基于粒子群算法的自适应阈值方案进一步实现对风电机组齿轮箱油温异常的诊断,引入自适应阈值能提高模型诊断的灵敏度。针对江苏某海上风电场实际运行的SCADA数据进行仿真分析和验证,结果证明采用该方法能较早地判断出风电机组齿轮箱的异常状态。