基于AdaBoost-SAMME的风力发电机组变桨异常识别系统

摘要

为了实现对风力发电机组变桨系统的预见性维护,提出了在机组健康管理平台上开发变桨异常识别系统的设计思路.在模型算法构建过程中,提出将变桨速度的频域特征作为分类特征,实现了对异常征兆的精确刻画.利用AdaBoost-SAMME算法将变桨速度分为高频、低频以及正常三类,与人工神经网络、支持向量机、随机森林等五种算法对比发现,即使各类样本数量严重不均衡,AdaBoost-SAMME算法的准确率、查准率、查全率及G-mean等评价指标也都优于其他算法.为了提高系统的自学习能力,提出了一种基于欧式距离的新样本判断方法,以此自动扩增训练样本规模.应用实例验证表明,基于AdaBoost-SAMME算法的变桨异常识别系统具有显著的分类效果和良好的稳定性,解决了不同机型的变桨速度频域特征普适性规律不明显,常规逻辑判断方法无法识别变桨系统异常的技术难题.该系统实现了在故障前识别出异常的预警功能,能够指导现场人员开展预见性维护,提高机组的可靠性和可利用率.