其他
【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.往期回顾
◀【精彩论文】电力市场环境下虚拟电厂两阶段能量经济优化调度◀【精彩论文】电力与通信共享铁塔的关键技术与商业模式◀【精彩论文】温度对电缆附件界面缺陷处局放引发影响机制研究◀【精彩论文】大停电事故后计及信息系统故障的机组启动次序优化策略◀【征稿启事】“面向碳达峰碳中和目标的清洁高效发电技术”专题征稿启事◀【征稿启事】“新型电力系统低碳规划与运行”专栏征稿启事◀【征稿启事】“新型电力系统源网荷储灵活资源运营及关键技术”专栏征稿启事◀【征稿启事】“低碳园区综合能源系统规划与运行关键技术”专题征稿启事
编辑：杨彪校对：于静茹审核：方彤
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。