【精彩论文】基于PCA-KNN融合算法的风力机变桨角度故障诊断方法

观点凝练

摘要：针对风力机变桨系统变桨角度4种主要故障类型，基于机组SCADA数据分析，提出一种基于非参数核密度估计和Relief-F特征参数提取数据处理，以及PCA-KNN融合算法故障诊断的风力机变桨角度异常状态识别方法。首先，对风力机SCADA数据进行非参数核密度估计预处理，运用Relief-F算法提取变桨角度故障的7类（13个）特征参数；然后，通过PCA-KNN融合算法对变桨角度故障状态进行识别，结果表明：该方法能够准确识别变桨角度4种主要的故障类型。最后，将改进的PCA-KNN融合算法与常用的KNN算法、PCA-KNN算法和BP神经网络进行对比，结果表明：改进的PCA-KNN融合算法具有更为准确的识别率。
结论：（1）对风力机变桨系统变桨故障进行了分类，具体分析了变桨系统变桨角度故障，将变桨角度故障类型划分为变桨失效、变桨角度偏差、限位开关触发和收桨超时4种状态，并对其故障机理进行了分析。

（2）在风力机SCADA数据Relief-F特征参数提取的基础上，提出先运用非参数核密度估计对数据进行预处理，有效地去除了分布异常的数据，提高了Relief-F特征参数提取的运算精度和效率，更有效避免了KNN算法对数据依赖程度高以及容错性差的弊端。通过Relief-F特征参数提取，得到了变桨系统变桨角度的7类（13个）主要特征参数。

（3）在KNN状态识别的基础上，引入PCA算法融入各主成分的贡献率，提出改进的PCA-KNN融合算法对变桨角度状态进行识别，结果表明该方法能够准确识别变桨角度4种主要的故障类型，且优于常用的KNN算法、PCA-KNN算法和BP神经网络。

引文信息

陈茜, 李录平, 刘瑞, 等. 基于PCA-KNN融合算法的风力机变桨角度故障诊断方法[J]. 中国电力, 2021, 54(11): 190-198.CHEN Xi, LI Luping, LIU Rui, et al. Fault diagnosis method of wind turbine pitch angle based on PCA-KNN fusion algorithm[J]. Electric Power, 2021, 54(11): 190-198.欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：杨彪

校对：蒋东方

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。