基于LARS特征选择的风电机组故障诊断的研究

发布时间：2021-07-31 13:16

　　在风力发电机组运行维护过程中,对设备故障诊断的要求越来越高,随着近年来大数据的广泛应用,其对风力发电的影响也越来越大,许多研究人员基于大数据展开了相关工作。在利用风电机组SACDA数据进行故障诊断的过程中,所用的特征量不同,解决问题的效果会受到影响。为了提高风电机组故障诊断的精准性,须要对其所用到的故障特征进行选择。文章提出了用最小角回归（Least Angle Regression, LARS）方法来对特征向量进行选择,针对这些被选出的特征向量用HMM（Hidden Markov Model）建立故障模型。利用某风场的运行数据进行验证,结果表明,文章提出的基于HMM-LARS方法建立的模型对故障类型具有较好的识别效果。 

【文章来源】：可再生能源. 2020,38(10)北大核心

【文章页数】：6 页

【部分图文】：

变桨系统超级电容不平衡故障模型训练过程

图2为100组测试数据在上述不同模型下的匹配程度。由图2可知：模型一有64%的测试数据对数似然概率在-0.1附近，有30%的测试数据对数似然概率在-3.3附近；对模型二，大部分测试数据的对数似然概率都在-1.5上下波动，虽然某些观测值的匹配度与模型一相比低了些，但是在整个测试范围内识别率较平稳，而且与后面的模型相比，对数似然概率也不低。因此，本文选择模型二为最佳模型。图3为整个模型的建立过程。

由图2可知：模型一有64%的测试数据对数似然概率在-0.1附近，有30%的测试数据对数似然概率在-3.3附近；对模型二，大部分测试数据的对数似然概率都在-1.5上下波动，虽然某些观测值的匹配度与模型一相比低了些，但是在整个测试范围内识别率较平稳，而且与后面的模型相比，对数似然概率也不低。因此，本文选择模型二为最佳模型。图3为整个模型的建立过程。3.2 结果分析

【参考文献】：
期刊论文
[1]基于LSSVM和GMM的风电机组传动系统故障预测研究[J]. 曾小钦,侯正男,庄圣贤,廖仲篪,鄢文.  可再生能源. 2019(10)
[2]风电机组变工况变桨系统异常状态在线识别[J]. 王爽心,郭婷婷,李蒙.  中国电机工程学报. 2019(17)
[3]基于数据驱动的风电机组状态评估方法研究[J]. 孙培旺,张磊,肖成,郭莹莹.  可再生能源. 2019(03)
[4]基于特征选择的数据驱动软测量方法[J]. 董泽,贾昊,姜炜.  热力发电. 2019(09)
[5]基于深度学习的直驱风电机组故障辨识[J]. 丁显,韩宁宁,滕伟.  可再生能源. 2018(10)
[6]基于最小角回归与GA-PLS的NIR光谱变量选择方法[J]. 颜胜科,杨辉华,胡百超,任超超,刘振丙.  光谱学与光谱分析. 2017(06)
[7]基于FDA贡献图的风电机组变桨系统故障定位[J]. 董兴辉,闫慧丽,张晓亮.  可再生能源. 2017(01)



本文编号：3313536