在風力發(fā)電機組運行維護過程中,對設備故障診斷的要求越來越高,隨著近年來大數(shù)據的廣泛應用,其對風力發(fā)電的影響也越來越大,許多研究人員基于大數(shù)據展開了相關工作。在利用風電機組SACDA數(shù)據進行故障診斷的過程中,所用的特征量不同,解決問題的效果會受到影響。為了提高風電機組故障診斷的精準性,須要對其所用到的故障特征進行選擇。文章提出了用最小角回歸（Least Angle Regression, LARS）方法來對特征向量進行選擇,針對這些被選出的特征向量用HMM（Hidden Markov Model）建立故障模型。利用某風場的運行數(shù)據進行驗證,結果表明,文章提出的基于HMM-LARS方法建立的模型對故障類型具有較好的識別效果。 

【文章來源】：可再生能源. 2020,38(10)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

變槳系統(tǒng)超級電容不平衡故障模型訓練過程

圖2為100組測試數(shù)據在上述不同模型下的匹配程度。由圖2可知：模型一有64%的測試數(shù)據對數(shù)似然概率在-0.1附近，有30%的測試數(shù)據對數(shù)似然概率在-3.3附近；對模型二，大部分測試數(shù)據的對數(shù)似然概率都在-1.5上下波動，雖然某些觀測值的匹配度與模型一相比低了些，但是在整個測試范圍內識別率較平穩(wěn)，而且與后面的模型相比，對數(shù)似然概率也不低。因此，本文選擇模型二為最佳模型。圖3為整個模型的建立過程。

由圖2可知：模型一有64%的測試數(shù)據對數(shù)似然概率在-0.1附近，有30%的測試數(shù)據對數(shù)似然概率在-3.3附近；對模型二，大部分測試數(shù)據的對數(shù)似然概率都在-1.5上下波動，雖然某些觀測值的匹配度與模型一相比低了些，但是在整個測試范圍內識別率較平穩(wěn)，而且與后面的模型相比，對數(shù)似然概率也不低。因此，本文選擇模型二為最佳模型。圖3為整個模型的建立過程。3.2 結果分析

【參考文獻】：
期刊論文
[1]基于LSSVM和GMM的風電機組傳動系統(tǒng)故障預測研究[J]. 曾小欽,侯正男,莊圣賢,廖仲篪,鄢文.  可再生能源. 2019(10)
[2]風電機組變工況變槳系統(tǒng)異常狀態(tài)在線識別[J]. 王爽心,郭婷婷,李蒙.  中國電機工程學報. 2019(17)
[3]基于數(shù)據驅動的風電機組狀態(tài)評估方法研究[J]. 孫培旺,張磊,肖成,郭瑩瑩.  可再生能源. 2019(03)
[4]基于特征選擇的數(shù)據驅動軟測量方法[J]. 董澤,賈昊,姜煒.  熱力發(fā)電. 2019(09)
[5]基于深度學習的直驅風電機組故障辨識[J]. 丁顯,韓寧寧,滕偉.  可再生能源. 2018(10)
[6]基于最小角回歸與GA-PLS的NIR光譜變量選擇方法[J]. 顏勝科,楊輝華,胡百超,任超超,劉振丙.  光譜學與光譜分析. 2017(06)
[7]基于FDA貢獻圖的風電機組變槳系統(tǒng)故障定位[J]. 董興輝,閆慧麗,張曉亮.  可再生能源. 2017(01)



本文編號：3313536