一种针对事件级风电故障的高精度预测模型的探究

本文针对常见的风电故障事件进行类别和性质上的分类,并通过分析事件的发生频率、故障率和差异概率等属性对事件类别和事件性质进行深入分析,结合了属性分析、业务逻辑理解和风电故障相关的经验总结,用以进行后续特征工程中的特征构建。在特征工程过程中,我们主要从线性趋势、波变换、分布描述、异常点和检验统计量等几个角度出发,结合了风电故障的特点以及传统时序分析的技巧,并利用主成分分析去除特征的多重共线性并进行数据降维,随后本文利用LightGBM算法构建了针对故障事件的预测,并实现了针对事件级的时间跨度为7天的高精度预测。最终针对整理的23类风电事件,共有12类事件得到有效预测(预测精度超过70%),其中可以精准预测(预测精度超过90%)的有4件,而综合故障预测精度为85.24%。最后本文将LighGBM与传统机器学习算法进行了对比,证明了算法的高可用性,随后本文对模型的优缺点进行分析,肯定了模型在实际应用中的积极意义,最后本文对模型进行了综合的评价并对改进方向提供了探索思路。