[发明专利]一种基于代价敏感极端随机森林的故障检测方法及装置

说明书

本发明公开了一种基于代价敏感极端随机森林的故障检测方法及装置，提高了故障检测率及实时性。方法包括：获取风力发电机的历史数据，对历史数据进行特征提取，获得训练样本集；根据代价敏感极端随机决策树算法及训练样本集，构建得到代价敏感极端随机森林故障检测模型；获取风力发电机的待检测样本集；通过代价敏感极端随机森林故障检测模型及待检测样本集，检测得到风力发电机的故障检测结果。

技术领域

本发明涉及风力发电领域，特别是涉及一种基于代价敏感极端随机森林的故障检测方法及装置。

背景技术

2019年全球风力发电的新装机容量为60.4GW，同比增长19％，运行维护费用约占总成本的15％～30％。发电机故障约占总故障的4％，风力发电机故障检测的实现对降低非计划故障具有重要意义。发电机是风力发电机组中最重要的部件之一，发电机的故障识别一直备受关注。对发电机进行故障检测能够有效维护发电机的正常运行，提高机组的运行效率，降低运营和维护的成本。然而，不规则的负荷模式、间歇性的运行条件和恶劣的天气对风力发电机的安全运行提出了挑战。

发电机故障检测可以分为基于模型的故障检测方法和基于数据的故障检测方法。基于模型的故障检测方法包括：参数估计法、状态估计法和等价空间法等。基于模型的故障检测方法可以深入动态系统的本质进行实时故障检测。但风力发电机结构复杂，特征参数较多。基于模型的故障检测方法难以获取精确的模型。基于数据的故障检测方法可以将其看作二分类问题。例如人工神经网络(Artificial Neural Networks，ANN)、支持向量机、决策树、Bagging、提升决策树(Boosting Decision Tree，Boosting)、随机森林(RandomForest，RF)等。基于数据的故障检测方法可以更有效的预测风力发电机的运行状态。

Teng Wei提出了一种基于深度神经网络(Deep Neural Networks，DNN)故障检测方法，用于检测风力发电机永磁体脱落故障。利用随机森林算法评估特征变量与目标变量之间的相关性，通过DNN故障检测模型实现发电机故障检测。但是，深度神经网络计算复杂度高，容易过拟合。Gao QW提出了一种基于积分延伸载荷均值分解多尺度熵和最小二乘支持向量机的故障诊断方法。通过积分延伸载荷均值分解多尺度熵方法对风力发电机振动信号进行处理，将特征参数输入最小二乘支持向量机进行故障检测。解决了风力发电机非平稳和非线性特性振动信号难以准确提取特征，故障检测精度低的问题。尽管支持向量机(Support Vector Machines，SVM)方法取得了较高故障检测性能，但在处理海量数据时计算实时性低。Rajendiran提出扰动属性投影(Nuisance attribute projection)与CART树相结合的方法，利用扰动属性投影提取电流信号的频域统计特征，CART树作为决策模型，实现同步发电机故障检测。因此，决策树具有结构简单，实时性强，可以处理海量数据的特点。决策树方法面临单一分类器不稳定的问题。Mengshi Li提出了基于随机森林的风力发电机故障检测方法，有效地检测恶劣环境下风力发电机的早期故障。该方法实现了残差生成器的短期记忆网络，并利用随机森林算法进行决策。随机森林模型通过集成的方式提高模型的泛化能力。Geurts P在随机森林算法的基础上提出极端随机森林算法。通过在节点分裂时加入随机扰动，使模型具有更强的泛化能力，降低计算复杂度。每个基分类器利用完整的训练数据集进行训练，降低了极端随机森林算法的方差。但是，在处理类别不平衡数据时极端随机森林方法的故障检测率低。