本發(fā)明屬于風(fēng)電機(jī)組故障預(yù)警，具體涉及風(fēng)電機(jī)組齒輪箱油池溫度預(yù)測(cè)方法。

背景技術(shù)：

1、齒輪箱是風(fēng)電機(jī)組的重要部件，由于受惡劣的運(yùn)行環(huán)境和多變的工況等因素影響，導(dǎo)致齒輪箱故障頻發(fā)，且齒輪箱發(fā)生故障后，機(jī)組停機(jī)時(shí)間長(zhǎng)，維修費(fèi)用高，對(duì)風(fēng)電場(chǎng)安全可靠性和運(yùn)行效率造成較大影響。

2、風(fēng)電機(jī)組齒輪箱在運(yùn)行時(shí)，由于摩擦生熱、環(huán)境溫度波動(dòng)、載荷及轉(zhuǎn)速變化等因素，會(huì)在齒輪和潤(rùn)滑油之間將產(chǎn)生的熱量進(jìn)行傳導(dǎo)。風(fēng)電機(jī)組scada系統(tǒng)采集了風(fēng)電機(jī)組、變電站、氣象站等設(shè)備的運(yùn)行參數(shù)，通過對(duì)scada數(shù)據(jù)的挖掘分析，可實(shí)現(xiàn)對(duì)風(fēng)電機(jī)組齒輪箱的運(yùn)行狀況評(píng)估，是對(duì)風(fēng)電機(jī)組齒輪箱進(jìn)行故障診斷和優(yōu)化調(diào)度的重要依據(jù)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供了風(fēng)電機(jī)組齒輪箱油池溫度預(yù)測(cè)方法，采用四分位法和基于數(shù)據(jù)離散度的縱向?yàn)V波方法對(duì)風(fēng)速-功率數(shù)據(jù)進(jìn)行清洗，并通過距離相關(guān)系數(shù)進(jìn)行特征選擇，構(gòu)建貝葉斯優(yōu)化lightgbm的油池溫度預(yù)測(cè)模型，旨在充分挖掘數(shù)據(jù)之間的相關(guān)性，提高了風(fēng)電機(jī)組齒輪箱運(yùn)行工況監(jiān)測(cè)的可靠性。

2、本發(fā)明所采用的技術(shù)方案是，風(fēng)電機(jī)組齒輪箱油池溫度預(yù)測(cè)方法，具體步驟如下：

3、s1、獲取風(fēng)電機(jī)組基本信息數(shù)據(jù)；

4、s2、對(duì)風(fēng)電機(jī)組基本信息數(shù)據(jù)進(jìn)行清洗，剔除風(fēng)電機(jī)組非正常工況運(yùn)行數(shù)據(jù)；

5、s3、利用距離相關(guān)系數(shù)算法，計(jì)算齒輪箱油池溫度與待選參數(shù)之間的相關(guān)性，篩選出與齒輪箱油池溫度的相關(guān)性大于閾值的參數(shù)作為輸入?yún)?shù)；

6、s4、以s3中篩選得到的參數(shù)為預(yù)測(cè)模型的輸入?yún)?shù)，以齒輪箱油池溫度為輸出參數(shù)，采用lightgbm算法建立齒輪箱油池溫度預(yù)測(cè)模型；

7、s5、采用tpe算法優(yōu)化齒輪箱油池溫度預(yù)測(cè)模型參數(shù)設(shè)置，提升齒輪箱油池溫度預(yù)測(cè)模型的預(yù)測(cè)精度。

8、本發(fā)明的特點(diǎn)還在于：

9、s1中風(fēng)電機(jī)組基本信息數(shù)據(jù)包括風(fēng)電機(jī)組切入風(fēng)速、額定風(fēng)速、切出風(fēng)速、功率曲線和機(jī)組scada數(shù)據(jù)。

10、s2為根據(jù)風(fēng)速-功率曲線分布，剔除風(fēng)電機(jī)組非正常工況運(yùn)行數(shù)據(jù)，得到機(jī)組正常工況下的運(yùn)行數(shù)據(jù)，具體操作步驟為：

11、s2.1、對(duì)風(fēng)速-功率進(jìn)行基于四分位法的第一次清洗，具體如下：

12、首先剔除風(fēng)速小于切入風(fēng)速和大于切除風(fēng)速的數(shù)據(jù)點(diǎn)，根據(jù)風(fēng)速-功率數(shù)據(jù)分布情況，再將風(fēng)速軸劃分為[切入風(fēng)速，額定風(fēng)速]和[額定風(fēng)速，切出風(fēng)速]兩個(gè)風(fēng)速段，將各風(fēng)速段數(shù)據(jù)按功率值大小平均劃分成四部分，處于三個(gè)分割點(diǎn)位置的數(shù)值，依次為下分位數(shù)q1、中位數(shù)q2和上分位q3，對(duì)于一個(gè)按照升序排列的樣本x＝{x1,x2,…,xn-1,xn}，序列中xi＜xi+1，n為樣本總數(shù)，i表示序列中的某一點(diǎn)，

13、首先計(jì)算第二個(gè)中位數(shù)：

14、

15、然后計(jì)算下分位數(shù)q1與上分位數(shù)q3，

16、q1和q3表示樣本x中分隔前后25％數(shù)據(jù)點(diǎn)的位置所表示的數(shù)值，當(dāng)n＝2k(k＝0,1,2…)時(shí)，有

17、

18、當(dāng)n＝4k+1(k＝0,1,2…)時(shí)，有

19、

20、通過式(2)與式(3)的計(jì)算，四分位距iqr，即：

21、iqr＝q3-q1?????????????????????????????(4)

22、在統(tǒng)計(jì)學(xué)中，用iqr確定序列x的內(nèi)限范圍，即：

23、[f1,fu]＝[q1-ω1iqr,q3+ω2iqr]?????????????????(5)

24、式中：f1為四分位法確定的x的下限值；fu為x的上限值；w1和w2為權(quán)值，

25、取ω1＝ω2＝1.5，如果判定為異常數(shù)據(jù)，剔除；反之xi保留，完成對(duì)風(fēng)速-功率進(jìn)行基于四分位法的第一次清洗；

26、s2.2、采用基于數(shù)據(jù)離散度的縱向?yàn)V波方法進(jìn)行第二次清洗，

27、對(duì)每個(gè)風(fēng)速子區(qū)間內(nèi)的功率值，計(jì)算其均值和方差，即：

28、

29、式(6)中：σi為第i個(gè)區(qū)間的功率均方差；ni為第i個(gè)區(qū)間的散點(diǎn)量；xj為第i個(gè)區(qū)間的第j個(gè)功率值；μi為第i個(gè)區(qū)間的功率均值，

30、機(jī)組正常運(yùn)行時(shí)，風(fēng)速與功率散點(diǎn)正態(tài)分布于功率帶周圍，即95％的數(shù)據(jù)在均值上下兩個(gè)均方差所覆蓋的置信區(qū)間內(nèi)，據(jù)此，各風(fēng)速區(qū)間以功率均值μi為中心，實(shí)現(xiàn)有效剔除功率帶周圍離散型數(shù)據(jù)。

31、s3的具體方法為：

32、設(shè)兩個(gè)變量為x和y，兩個(gè)變量之間的相關(guān)性記為dcor(x,y)，當(dāng)dcor(x,y)＝0時(shí)，表示兩個(gè)變量x和y之間獨(dú)立，dcor(x,y)越大，表示變量x和y的相關(guān)性越強(qiáng)，距離相關(guān)系數(shù)的算法如式(7)：

33、

34、式中：dcor(x,y)為x與y的距離相關(guān)系數(shù)；dcov(x,y)為x與y的距離協(xié)方差；dvar(x)為x的方差；dvar(y)為y的方差；

35、取閾值為0.5，取dcor(x,y)>0.5的參數(shù)作為預(yù)測(cè)模型輸入?yún)?shù)。

36、s4的具體操作方法為：

37、lightgbm通過單邊梯度下降和互斥特征捆綁兩種改進(jìn)技術(shù)使得gbdt算法更加的高效，單邊梯度下降算法如下：

38、假設(shè)訓(xùn)練集數(shù)據(jù)s＝{(x1,y1),(x2,y2),…,(xn,yn)}，其中x為輸入特征向量，y為輸出數(shù)據(jù)，lightgbm模型優(yōu)化過程的目標(biāo)是找到一個(gè)函數(shù)使損失函數(shù)l(y,f(x))最小化，若模型預(yù)測(cè)值記為f(x)，則函數(shù)可表示為：

39、

40、假設(shè)模型的決策樹的數(shù)量為m，因模型使用前向分布算法，在第m棵樹時(shí)模型的輸出值可以表示為：

41、

42、在第m棵樹時(shí)，模型的損失函數(shù)記為：

43、

44、在lightgbm模型中，函數(shù)是用牛頓法逼近的，在移除上述公式中的常數(shù)項(xiàng)后，損失函數(shù)可以等價(jià)為：

45、

46、其中，gi，hi表示損失函數(shù)的一階與二階梯度，因?yàn)槟Ｐ鸵詻Q策樹為基函數(shù)，每顆樹都可以表示為：wq(x)，q∈{1,2,…,j}，j表示決策樹中葉子的數(shù)量，q代表決策規(guī)則，w表示葉節(jié)點(diǎn)組成的權(quán)值向量，因此，公式(11)可轉(zhuǎn)化為：

47、

48、對(duì)于一個(gè)特定結(jié)構(gòu)的樹，每個(gè)葉子節(jié)點(diǎn)的最優(yōu)權(quán)值wj*和損失函數(shù)的極值γk可以求解為：

49、

50、其中，可以看作是衡量樹結(jié)構(gòu)質(zhì)量的評(píng)分函數(shù)，最后，損失函數(shù)被分割后的公式為：

51、

52、il，ir分別為左右分支的樣本集，通過引入單邊梯度下降算法，模型訓(xùn)練速度得到進(jìn)一步的提升，同時(shí)增加了弱學(xué)習(xí)器的多樣性，模型的泛化能力有了進(jìn)一步的提升。

53、s5中tpe算法的主要原理是通過對(duì)目標(biāo)函數(shù)進(jìn)行建模并使用貝葉斯定理不斷更新先驗(yàn)概率分布，以便在下一步選擇更有可能產(chǎn)生最佳結(jié)果的搜索點(diǎn)，主要流程如下：

54、將目標(biāo)函數(shù)f(x)小于某一閾值y*的期望作為算法的評(píng)價(jià)指標(biāo)，記為ei(expectedimprovement)：

55、

56、定義如下兩個(gè)概率密度：

57、

58、其中，g(x)表示為目標(biāo)函數(shù)f(xi)值大于等于閾值y*所對(duì)應(yīng)的{xi}集合的概率密度；l(x)則相反，表示小于閾值y*所對(duì)應(yīng)的{xi}集合的概率密度；

59、因p(y|x)的概率無法直接得到，需利用貝葉斯公式將上述公式轉(zhuǎn)換為：

60、

61、現(xiàn)將小于閾值y*的概率記為γ＝p(y<y*)，則：

62、p(x)＝∫p(x|y)p(y)dy＝γl(x)+(1-γ)g(x)????????(19)

63、經(jīng)推導(dǎo)得出：

64、

65、由公式(20)可以看出，評(píng)價(jià)指標(biāo)的大小取決于概率密度函數(shù)g(x)和l(x)，g(x)與l(x)的比值越小，評(píng)價(jià)指標(biāo)ei越大；

66、在tpe算法中，概率密度函數(shù)g(x)和l(x)使用樹結(jié)構(gòu)表示，這種表示方法會(huì)比較方便的根據(jù)l(x)進(jìn)行采樣，通過此方法在每一輪迭代都能獲得使評(píng)價(jià)指標(biāo)ei最大的x*。

67、本發(fā)明的有益效果是：

68、(1)本發(fā)明提供的風(fēng)電機(jī)組齒輪箱油池溫度預(yù)測(cè)方法，采用四分位法和基于數(shù)據(jù)離散度的縱向?yàn)V波方法對(duì)風(fēng)速-功率數(shù)據(jù)進(jìn)行清洗，并通過距離相關(guān)系數(shù)進(jìn)行特征選擇，構(gòu)建貝葉斯優(yōu)化lightgbm的油池溫度預(yù)測(cè)模型，旨在充分挖掘數(shù)據(jù)之間的相關(guān)性，提高風(fēng)電機(jī)組齒輪箱運(yùn)行工況監(jiān)測(cè)的可靠性；

69、(2)本發(fā)明風(fēng)電機(jī)組齒輪箱油池溫度預(yù)測(cè)方法，可有效挖掘風(fēng)電機(jī)組scada數(shù)據(jù)，對(duì)齒輪箱油池溫度快速、精確預(yù)測(cè)，實(shí)時(shí)監(jiān)控齒輪箱運(yùn)行狀態(tài)，及時(shí)發(fā)現(xiàn)異常情況并采取相應(yīng)措施，減少設(shè)備停機(jī)時(shí)間,提高機(jī)組的運(yùn)行效率；同時(shí)減少現(xiàn)場(chǎng)運(yùn)維人員的工作量,降低人力成本，進(jìn)而提升風(fēng)電場(chǎng)運(yùn)行效益。