[发明专利]基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法

说明书

基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，包括以下步骤：数据收集与处理，在建模前收集足够的风机运行数据，并进行初步处理；训练模型，选择带有变桨电机传感器故障的数据进行模型训练，保存为lightGBM模型；调参优化，为了使算法达到最优的训练效果，对模型调整参数变量；运行模型得出预警结果，模型保存后，在新的数据预测过程中，需要先加载保存的模型，需要预测的数据，通过预测值与实际值的比较来判断故障点，输出预警信息；再对预警信息进行分析，找到引起故障的根本原因，给出合理的维修建议。本发明克服了现有技术的不足，利用LightGBM分布式、高效的特性，很好的解决了风电机组变桨电机故障预警建模困难、准确率低的问题。

技术领域

本发明涉及故障预警技术领域，具体涉及基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法。

背景技术

变桨电机是风机重要的组成部件，变桨电机高温故障会导致风机停机，严重影响发电量，同时变桨设备也会受到不同程度的损伤。在变桨电机高温故障中，如果变桨电机PT100温度传感器发生漂移或其他方面的损坏，PT100会误报高温情况，会导致变桨系统频繁启停，同时造成风机停机从而导致损失发电量。另外如果变桨电机PT100温度偏低，会导致出现高温情况而不能及时停机的现象，严重影响变桨设备的稳定性，甚至使风机遭受不可预测的损坏。

在智能算法大范围应用前，基于SCADA数据的故障预警多是通过统计或者设置阈值的方法达到故障预警的目的，阈值的设定依赖于工作人员的经验，而且功能单一，错报率高，不能有效达到故障预警的目的。

智能算法普及后，基于神经网络等机器学习算法的风电机组故障预警逐渐增多，但算法训练需要大量的SCADA数据，训练耗时长，调参不方便，准确率低，并且难以识别出引发故障的根本原因。另外此类机器学习算法在训练及使用过程中，无法直接将类别特征数据作为算法输入，需要将数据转换成多维的[0,1]特征值，带来计算和内存上的额外消耗。

在涉及非结构化数据（图像、文本）的预测问题中，人工神经网络显著优于其他算法，但涉及到中小型结构或者表格数据时，基于决策树的算法被认为是最佳算法，因此近年来GBDT和XGBoost等boosting算法在预测方面得到广泛应用。

但GBDT和XGBoost等boosting算法在对数据特征进行切分时，都需要对每一个特征的所有样本点进行扫描，需要消耗大量时间，在如今风电领域大样本和高维度的环境下，传统的boosting算法在效率和可扩展性上都存在一定不足。

发明内容

针对现有技术的不足，本发明提供了基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，克服了现有技术的不足，利用LightGBM分布式、高效的特性，很好的解决了风电机组变桨电机故障预警建模困难、准确率低的问题。

为实现以上目的，本发明通过以下技术方案予以实现：

基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，包括以下步骤：

步骤S1：数据收集与处理，在建模前收集足够的风机运行数据，并进行初步处理；

步骤S2：训练模型，选择带有变桨电机传感器故障的数据进行模型训练，保存为lightGBM模型；

步骤S3：调参优化，为了使算法达到最优的训练效果，对模型调整参数变量；

步骤S4：运行模型得出预警结果，模型保存后，在新的数据预测过程中，需要先加载保存的模型，需要预测的数据，通过预测值与实际值的比较来判断故障点，输出预警信息；

步骤S5：根因分析，对预警信息进行分析，找到引起故障的根本原因，给出合理的维修建议。