[发明专利]一种基于GBRT的风电机组发电机轴承故障预警方法

权利要求书

1.一种基于GBRT的风电机组发电机轴承故障预警方法，其特征在于，所述方法包括离线训练阶段和在线应用阶段，所述方法包括以下步骤：

S1、进行离线训练阶段；

S2、进行数据获取和变量选取，构造数据集；

S3、设计数据预处理流程，并构建训练集：所述数据预处理流程步骤包括异常运行状态值剔除，孤立异常点剔除，以及停机状态数据剔除。

S4、建模，并对选取后的模型进行训练；

S5、进行残差训练，获取训练集估计残差序列；

S6、阙值上限设置；

S7、进行在线应用阶段；

S8、实时估计：获取风电机组的实时运行数据作为测试集，输入至离线阶段训练完成的GBRT模型获取模型估计值；

S9、实时估计残差获取：将目标变量实际运行值减去模型输出，即目标变量估计值，获取实时估计残差；

S10、实时判断，进行判别准则设计：设计连续超限判别准则与百分比超限判别准则相结合的方式进行轴承故障预警；

S11、得出最终预警结果。

2.根据权利要求1所述的一种基于GBRT的风电机组发电机轴承故障预警方法，其特征在于，所述步骤S2中进行数据获取和变量选取，构造数据集具体表现为获取风电机组SCADA系统中记录的正常运行时期运行数据，选取发电机轴承温度作为目标变量y，与发电机运行状况相关的变量作为相关变量X，构造数据集。

3.根据权利要求1所述的一种基于GBRT的风电机组发电机轴承故障预警方法，其特征在于，所述步骤S3的预处理流程包括以下步骤：

a)异常运行状态值为不符合风电机组控制策略的数据，依据在不同风速下的运行机理，当出现风速大于切入风速，同时输出功率小于功率阈值，或风速大于额定风速，同时输出功率小于额定功率减去功率阈值时，该数据点归类为异常运行状态值，予以剔除；

b)孤立异常点是由传感器记录错误或通信异常导致的记录错误值，具体判断条件基于变量的正常运行范围，当温度变量值大于150度或小于环境温度值，风速变量值大于机组切出风速或小于机组切入风速，功率变量值大于机组额定功率或为负值时，该数据点归类为孤立异常点，予以剔除；

c)结合机组的运维档案，当机组处于停机检修状态，SCADA系统是否同步停机未知，因此在机组停机期间SCADA系统依然可能存在记录数据，该数据无法表征机组正常运行状态，予以剔除。

4.根据权利要求1所述的一种基于GBRT的风电机组发电机轴承故障预警方法，其特征在于，所述步骤S4包括以下步骤：

步骤一、基于正常行为建模，对风电机组发电机轴承的正常工作状态进行表征；

步骤二、选取梯度提升回归树GBRT作为变量估计模型对发电机轴承温度进行建模；

步骤三、对目标变量发电机轴承温度进行实时估计。

5.根据权利要求4所述的一种基于GBRT的风电机组发电机轴承故障预警方法，其特征在于，所述正常行为建模的输入包括经预处理后的数据集作为训练集[X_train,y_train]。

6.根据权利要求4或5所述的一种基于GBRT的风电机组发电机轴承故障预警方法，其特征在于，所述选取梯度提升回归树GBRT的包括以下步骤：

a)输入训练集[X_train,y_train]，其中X_train为训练集相关变量，y_train为训练集目标变量；f(X_train)为一个回归树的模型估计值，损失函数L(y_train,f(X_train))，输出为回归树N为训练数据集样本个数，M为回归树的个数；

b)初始化即一棵只有根节点的树；

c)计算其中m＝1,2,...,M，i＝1,2,...,N；

d)对r_mi拟合一个回归树，得到第m棵树的叶节点区域R_mj，其中j＝1,2,...,J；

e)计算

f)更新

g)得到回归树