[发明专利]基于数据挖掘的风电机组故障预警方法

权利要求书

1.一种基于数据挖掘的风电机组故障预警方法，其特征在于，具体包括如下步骤：

1)故障特征的选择与降维：用A个样本，每个样本包含有B个故障特征的数据集建立A×B的矩阵数据，对每个故障特征向量利用矩阵数据进行Relief加权特征选择算法进行特征权重计算，去除对分类无效的特征，保留分类能力较强的特征，用剩余的有效特征组成特征向量进行分类，实现故障特征的降维；

2)故障预警模型建立：首先，根据步骤1)确定好设备的特征参数后，在历史数据的基础上，利用基于相似性原理的非线性状态估计方法，建立该设备的故障预警模型；然后任选一时刻描述该设备的状态向量X_obs输入故障预警模型，得到模型输入与输出的残差ε，进行最小化该残差处理，确定模型中对应的权值向量W，建立非参数定性模型；

3)利用预警残差确定设备预警阈值：预警残差是系统的实际输出与故障预警模型估计输出的差值，根据各个设备属性以及正常时预警残差来设定设备预警阈值；

4)当某个特征的预警残差估计值大于预警阈值时，则产生故障预警；当某个特征的预警残差估计值小于等于预警系统的阈值时，则不产生故障预警。

2.根据权利要求1所述基于数据挖掘的风电机组故障预警方法，其特征在于，所述步骤2)中具体步骤如下：

在t时刻描述该设备的状态向量X_obs(t)为：

X_obs(t)＝[X(1)X(2)...X(n)]^T(3)

经过模型计算的预测向量为X_est，对输入到模型的任意一组状态向量X_obs，模型对应生成一个m维的权值向量W：

W＝[w₁w₂…w_m]^T(4)

X_est＝DW＝w₁X(1)+w₂X(2)+…+w_mX(m)(5)

(5)式中D为历史状态矩阵，其形式为:

权值向量W通过计算确定，

ε为模型输入与输出的残差，最小化该残差：

ε＝X_obs-X_est(7)

S(w)=Σi=1nϵi2=ϵTϵ=(Xlobs-Xest)T(Xobs-Xest)=(Xobs-DW)T(Xobs-DW)=Σi=1n(Xobs(i)-Σj=1mwjDij)2---(8)]]>

X_obs(i)代表该向量的第i个元素；

将S(w)分别对权值向量W求偏导并令其等于0，得

-2Σi=1n(Xobs(i)-Σj=1mwjDij)Dik=0---(9)]]>

将式(9)化简得：

Σi=1nXobs(i)Dik=Σi=1nΣj=1mwjDijDik=Σj=1m(Σi=1nDijDik)wj,k=1,2,...,m---(10)]]>

将(10)式中的m个方程组写出矩阵形式即：

D^TDW＝D^TX_obs(11)

W＝(D^TD)^-1D^TX_obs(12)

带入(5)式得：

X_est＝DW＝D(D^TD)^-1D^TX_obs(13)

如果只需要对状态向量中某一个变量进行计算,那么只需取历史状态矩阵的对应行数据与权值向量进行相乘，即：

X_est＝[X_i(1)X_i(2)...X_i(m)]W＝[X_i(1)X_i(2)...X_i(m)](D^TD)^-1D^TX_obs

(14)

状态向量中任一变量的预测值是将历史状态矩阵中该变量的m个历史状态变量值乘以相似度权值累加而来，在权值W的计算过程中，为方便计算相似性程度将D^TD和D^TX_obs点乘更换为欧式距离运算。