[发明专利]基于SVR算法和偏峰度的风电机组发电机故障预警方法

权利要求书

1.一种基于SVR算法和偏峰度的风电机组发电机故障预警方法，所述方法包括如下步骤：

S1、对风电机组发电机的历史数据进行数据采集；

S2、对采集到的数据进行数据清洗，去除异常数据；

S3、提取模型特征：采用随机森林算法提取建模特征；

S4、建立预警模型：使用支持向量回归算法建立预警模型；

S5、残差分析预警。

2.如权利要求1所述的基于SVR算法和偏峰度的风电机组发电机故障预警方法，其特征在于，步骤S5中，基于统计学中的峰度和偏度，计算所述预警模型输出值的残差，所述残差为模型预测值与实时数据之差；通过滑动窗口算法按天计算残差的峰度和偏度，通过计算偏度的最大值和峰度的最大值二者的均值作为预警模型阈值的最大值，通过计算偏度的最小值和峰度的最小值二者的均值作为预警模型阈值的最小值，以所述阈值的最大值、阈值的最小值作为风电机组发电机故障发生的阈值对风电机组发电机实时数据进行在线监测预警。

3.如权利要求1所述的基于SVR算法和偏峰度的风电机组发电机故障预警方法，其特征在于，步骤S2中，所述数据清洗的具体步骤如下：

S2.1数据缺失值处理：若缺失值样本小于设定比例，采用删除法；若缺失值样本大于等于所述设定比例，采用热卡填充法填充数据缺失值；

S2.2对经S2.1处理后的数据进行滤波处理：通过统计过程控制SPC和高斯复合滤波去除数据中的异常点。

4.如权利要求1所述的基于SVR算法和偏峰度的风电机组发电机故障预警方法，其特征在于，步骤S3中，采用随机森林算法提取模型的特征的具体步骤如下：

S3.1采用随机森林算法对数据集的多个特征进行重要性度量；

S3.2根据每个特征的重要性按降序排序；

S3.3依据特征重要性剔除相应比例的特征，得到一个新的特征集；

S3.4用新的特征集重复S3.1至S3.3的过程，直到剩下m个特征，m为设定值；

S3.5选择袋外误差率最低的特征集作为模型特征。

5.如权利要求4所述的基于SVR算法和偏峰度的风电机组发电机故障预警方法，其特征在于，步骤S3.1的具体方法为：

步骤3.1.1对每一个决策树，选择相应的袋外数据OOB计算袋外数据误差，记为errOOB1；

步骤3.1.2随机对袋外数据OOB所有样本的特征X加入噪声干扰，再次计算袋外数据误差，记为errOOB2；

步骤3.1.3假设森林中有N棵树，则特征X的重要性等于∑^{(errOOB2-errOOB1)/N}。

6.如权利要求1所述的基于SVR算法和偏峰度的风电机组发电机故障预警方法，其特征在于，步骤S4中，建立预警模型的具体步骤如下：

S4.1特征标准化处理：将步骤S3中选取好的特征进行标准化处理；

S4.2切分数据集：将特征分为训练集、验证集和测试集；

S4.3训练：将训练集导入模型进行训练；

S4.4诊断模型：训练完成后将测试集输入模型，利用均方误差和R平方评价指标对模型的泛化能力进行评价；

S4.5模型调优：通过验证集选择模型的超参数。