基于改進(jìn)ReliefF?MSET算法的風(fēng)電機(jī)組發(fā)電機(jī)異常預(yù)警方法研究

摘" 要： 發(fā)電機(jī)作為風(fēng)電機(jī)組中的關(guān)鍵部件，其性能的優(yōu)劣直接影響著風(fēng)電場的效益和電能轉(zhuǎn)換的穩(wěn)定。為監(jiān)測風(fēng)電機(jī)組發(fā)電機(jī)異常狀態(tài)，減少故障率并提高發(fā)電效率，通過對其SCADA歷史數(shù)據(jù)分析，提出一種基于數(shù)據(jù)驅(qū)動的風(fēng)電機(jī)組發(fā)電機(jī)異常預(yù)警方法。首先針對SCADA中海量數(shù)據(jù)，用改進(jìn)ReliefF特征算法（SIG?ReliefF）篩選出用于識別與目標(biāo)變量（在這種情況下可能是發(fā)電機(jī)故障）具有最強(qiáng)關(guān)聯(lián)性的多個特征參數(shù)，這種方法的優(yōu)勢在于能夠有效考慮到特征之間的相關(guān)性，最大程度地保留發(fā)電機(jī)故障相關(guān)特征與交互特征；然后建立MSET狀態(tài)參數(shù)預(yù)測模型，通過滑動窗口法對殘差的分布進(jìn)行統(tǒng)計(jì)，從而確定故障閾值；最后通過實(shí)例驗(yàn)證了所提方法的有效性與準(zhǔn)確性，并通過與BPNN和SVM算法進(jìn)行對比，驗(yàn)證了其具有更優(yōu)的異常預(yù)警性能。

關(guān)鍵詞： 風(fēng)電機(jī)組； 發(fā)電機(jī)； ReliefF； MSET； 異常預(yù)警； 特征交互； 標(biāo)準(zhǔn)化交互增益； 滑動窗口

中圖分類號： TN911.23?34" " " " " " " " " " " " " 文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2025）04?0091?06

Method of wind turbine generator abnormal warning based on

improved ReliefF?MSET algorithm

SHEN Xu1， WANG Haiyun1， DU Xin2， HUANG Xiaofang2

（1. Engineering Research Center of Education Ministry for Renewable Energy Power Generation and Grid Connection， College of Electrical Engineering， Xinjiang University， Urumqi 830047， China; 2. Beijing Gold Wind Science and Creation Wind Power Equipment Co.， Ltd.， Beijing 100176， China）

Abstract： As a key component in wind turbines， the performance of generators can directly affect the efficiency of wind farms and the stability of electric energy conversion. In order to monitor the abnormal states of the generator in wind turbines， reduce the failure rate， and improve power generation efficiency， a data?driven based method wind turbine generator abnormal warning is proposed by analyzing the historical SCADA data. The improved ReliefF feature algorithm （SIG ReliefF） is used to identify multiple feature parameters with the strongest correlation with the target variable （which may be a generator fault in this case） for massive data in SCADA. The advantage of this method is that it can effectively take into account the correlation between the features and preserve the generator fault correlation features and interaction features to the greatest extent. An MSET state parameter prediction model is established， and the distribution of residuals is analyzed statistically by means of sliding window approach to determine fault thresholds. The effectiveness and accuracy of the proposed method were validated by examples， and compared with BPNN and SVM algorithms， demonstrating its superior performance in anomaly warning.

Keywords： wind turbine; generator; ReliefF; MSET; abnormal warning; feature interaction; standardized interaction gain; sliding window

0" 引" 言

根據(jù)中國國家能源局最新統(tǒng)計(jì)數(shù)據(jù)顯示，截至2022年10月底，全國風(fēng)電裝機(jī)容量約為3.5×108" kW，同比2021年增長16.6%。Wood Mackenzie于2023年1月在“2022 in review for offshore wind”中提出：到2030年，全球海上風(fēng)電產(chǎn)業(yè)將實(shí)現(xiàn)5倍增長[1]。盡管裝機(jī)熱潮已經(jīng)過去，但在后期機(jī)組的運(yùn)維時代，如何保證機(jī)組的安全穩(wěn)定運(yùn)行，降低故障率，減少運(yùn)維成本，并提高發(fā)電效率是需要長期關(guān)注的問題。風(fēng)電機(jī)組主要包括葉片、齒輪箱、發(fā)電機(jī)、變槳系統(tǒng)、偏航系統(tǒng)等關(guān)鍵部件[2]。其中，發(fā)電機(jī)作為風(fēng)電機(jī)組產(chǎn)生電能的關(guān)鍵部件，其較高的故障率一直是影響風(fēng)電機(jī)組可靠性與穩(wěn)定性的重要問題。

風(fēng)電場普遍采用數(shù)據(jù)采集與監(jiān)視控制（Supervisory Control and Data Acquisition， SCADA）系統(tǒng)，該系統(tǒng)中存儲了大量關(guān)于自然環(huán)境和設(shè)備運(yùn)行參數(shù)的數(shù)據(jù)，通過對這些數(shù)據(jù)進(jìn)行挖掘和分析，可以發(fā)現(xiàn)潛在的設(shè)備故障或異常情況，從而及時采取修復(fù)措施，減少停機(jī)時間，提高風(fēng)電場的發(fā)電量和經(jīng)濟(jì)效益[3]。當(dāng)前基于SCADA系統(tǒng)數(shù)據(jù)的風(fēng)電機(jī)組發(fā)電機(jī)異常識別，主要是基于歷史數(shù)據(jù)建立發(fā)電機(jī)正常運(yùn)行下相關(guān)狀態(tài)變量的模型，通過預(yù)測值與實(shí)際值之間殘差的變化進(jìn)行故障預(yù)警。當(dāng)發(fā)電機(jī)正常運(yùn)行時，其狀態(tài)參數(shù)的殘差較小，而當(dāng)殘差明顯增大時，表明發(fā)電機(jī)異常。在實(shí)際工程應(yīng)用中，溫度溫升是判斷風(fēng)電機(jī)組發(fā)電機(jī)是否異常的關(guān)鍵變量，當(dāng)發(fā)電機(jī)處于異常狀態(tài)時，溫度的殘差特性分布會發(fā)生較大的改變。因此，本文將以多參數(shù)溫度作為狀態(tài)變量，以其殘差為閾值進(jìn)行發(fā)電機(jī)異常預(yù)警。

近年來，大數(shù)據(jù)技術(shù)發(fā)展迅速，將智能算法與海量的數(shù)據(jù)信息相結(jié)合來實(shí)現(xiàn)風(fēng)電機(jī)組的異常診斷已成為實(shí)際工程應(yīng)用中一個重要的手段。針對風(fēng)電機(jī)組發(fā)電機(jī)異常預(yù)測，文獻(xiàn)[4?5]均通過如發(fā)電機(jī)繞組溫度、發(fā)電機(jī)轉(zhuǎn)速、發(fā)電機(jī)功率等不同狀態(tài)參數(shù)來建立模型，評估發(fā)電機(jī)的運(yùn)行狀態(tài)，從而達(dá)到狀態(tài)監(jiān)測的目的。文獻(xiàn)[6]提出了一種基于K?CNN和N?GRU相結(jié)合的深度學(xué)習(xí)框架，用于建立風(fēng)電機(jī)組發(fā)電機(jī)多參數(shù)狀態(tài)預(yù)測模型。該模型利用真實(shí)風(fēng)電場的SCADA系統(tǒng)記錄多維傳感器參數(shù)，通過Pearson相關(guān)系數(shù)進(jìn)行數(shù)據(jù)降維，找到與發(fā)電機(jī)故障相關(guān)的多個特征參數(shù)；然后通過CNN分層提取特征、KPCA降維等步驟，實(shí)現(xiàn)對發(fā)電機(jī)狀態(tài)的預(yù)測和評估。該方法具有較好的降維與預(yù)測效果。文獻(xiàn)[7]通過協(xié)整和向量誤差修正來識別發(fā)電機(jī)驅(qū)動端軸承異常，并使用指數(shù)加權(quán)移動平均值進(jìn)行閾值設(shè)定，結(jié)果表明該方法具有較高的準(zhǔn)確性和精度。MSET（Multivariate State Estimation Technique）算法是由Singer等提出的一種非線性的多元預(yù)測診斷技術(shù)，目前在風(fēng)電機(jī)組中多用于齒輪箱的故障預(yù)警。文獻(xiàn)[8]依據(jù)馬氏距離對預(yù)處理后的數(shù)據(jù)構(gòu)造過程記憶矩陣，有效地減小了數(shù)據(jù)的維度，提高了MSET的運(yùn)算效率。文獻(xiàn)[9]利用灰色關(guān)聯(lián)度分析法對變量進(jìn)行篩選，在保證精度的前提下提高了MSET模型的運(yùn)算速度。

基于上述研究，考慮到MSET算法在風(fēng)電機(jī)組發(fā)電機(jī)中缺少相關(guān)探討，并且其本身算法特點(diǎn)能夠通過多尺度分析、嵌入式特征學(xué)習(xí)和跨時空關(guān)聯(lián)分析，提高發(fā)電機(jī)溫度相關(guān)故障的診斷準(zhǔn)確性和預(yù)測能力，本文從特征選擇、考慮特征相關(guān)性、處理非線性和多重關(guān)聯(lián)等角度，提出了一種SIG?ReliefF?MSET的風(fēng)電機(jī)組發(fā)電機(jī)異常預(yù)警方法。通過使用改進(jìn)的SIG?ReliefF對冗余信息進(jìn)行處理，有效地降低了數(shù)據(jù)的維度，提高了模型的效率與準(zhǔn)確性。最后，以某4.5 MW風(fēng)電機(jī)組進(jìn)行實(shí)例分析，驗(yàn)證了該方法的準(zhǔn)確度與可行性。

1" 基于改進(jìn)ReliefF算法的特征參數(shù)選擇

1.1" ReliefF特征選擇理論

ReliefF算法是一種常見的特征選擇算法，用于從給定的特征集合中選擇具有較高相關(guān)性和重要性的特征。該算法的主要思想[10]是：通過計(jì)算特征之間的距離和樣本之間的距離來評估特征的重要性，簡而言之，就是通過特征變量區(qū)分不同樣本的能力賦予權(quán)重，對于區(qū)分能力較強(qiáng)的特征變量增加權(quán)重，而對于區(qū)分能力較弱的變量則減小權(quán)重。從訓(xùn)練集S中隨機(jī)挑選出一個樣本A，然后分別計(jì)算A的不同類最近鄰（NearMiss）和同類最近鄰（NearHit），最后通過以下規(guī)則迭代每個特征的權(quán)重[11]：

[W（X）=w（X）-j=1kdiff（X，Ai，Hj）fk+C≠Class（A）P（C）1-P（Class（Ai））·j=1kdiff（X，Ai，Sj）fk]""（1）

式中：[X]為某一特征參數(shù)；[w（X）]為特征[X]的權(quán)重，其初始值通常設(shè)為0；[f]為循環(huán)次數(shù)；[Ai]為第[i]次選擇的隨機(jī)樣本；[k]為選取的近鄰個數(shù)；[Hj]為樣本[Ai]同種類別中的最近鄰樣本；[Sj]為樣本[Ai]不同類別中的最近鄰樣本；[Class（Ai）]為樣本[Ai]的類別；[P（C）]為類別[C]所占的比例；[diff（X，Ai，Hj）]為同種類別的故障樣本在特征參數(shù)[X]上的差值。

1.2" 特征交互

交互信息（Interaction Information）是用于衡量隨機(jī)變量之間相互作用程度的概念，它基于信息論的原理，用于描述變量一起出現(xiàn)時所包含的信息量，以及這種信息量相對于單獨(dú)出現(xiàn)時的信息量的增益，所以交互信息又被稱為交互增益（Interaction Gain， IG）。本文中IG指的是用于在特征選擇中衡量多種特征之間相互作用對于目標(biāo)變量的預(yù)測性能的提升程度。其中，三方交互增益的定義[12]如下：

[IG（fi;fj;C）=I（fi;fj;C）-I（fi;C）-I（fj;C）] （2）

式中[I（fi;fj;C）]為在類別[C]中特征變量[fi]與特征變量[fj]之間的交互信息。當(dāng)[IG（fi;fj;C）gt;0]時，說明特征變量[fi]與特征變量[fj]聯(lián)合所提供的信息量大于兩個單體特征變量分別提供的信息量之和，說明兩者之間存在交互性；否則說明兩者聯(lián)合所提供的信息量與類別[C]無關(guān)或者信息量冗余重復(fù)。

1.3" 基于特征交互的ReliefF算法

標(biāo)準(zhǔn)化交互增益（Standardized Interaction Gain， SIG）可以使得不同特征之間的交互增益具有可比性，更好地反映它們對模型性能提升的貢獻(xiàn)程度。SIG定義如下：

[SIG（fi;fj;C）=IG（fi;fj;C）H（fi）+H（fj）] （3）

將式（1）與式（3）相結(jié)合，可以得到改進(jìn)后特征[Xi]的權(quán)重公式為：

[w（Xi）=1Nj=1NSIG（Xi;Xj;C）+w（Xi）] （4）

采用式（4）作為新的算法來更新權(quán)重，這里定義為SIG?ReliefF算法。相比于傳統(tǒng)的ReliefF算法，SIG?ReliefF算法可以消除特征之間不同量綱的影響，提高特征權(quán)重計(jì)算的準(zhǔn)確性，并更全面地考慮特征之間的相互作用，從而提高特征選擇的效果，改善模型的性能。

2" 基于MSET的發(fā)電機(jī)狀態(tài)變量建模

2.1" MSET模型

MSET算法是一種基于多元時間序列的生成算法，其核心原理是通過分析對比風(fēng)電機(jī)組發(fā)電機(jī)實(shí)時監(jiān)測數(shù)據(jù)與正常運(yùn)行狀態(tài)下的歷史數(shù)據(jù)，找到兩者之間的關(guān)聯(lián)程度，從而對實(shí)際運(yùn)行狀態(tài)做出最優(yōu)估計(jì)[13?14]。這種關(guān)聯(lián)程度通過權(quán)值向量來評判，用于衡量實(shí)際工況與正常工況下的相似性。本文通過對發(fā)電機(jī)的實(shí)際狀態(tài)與健康狀態(tài)進(jìn)行對比分析，以及對殘差分布開展分析來實(shí)現(xiàn)異常識別，從而達(dá)到異常預(yù)警的目的。

首先通過SIG?ReliefF算法在風(fēng)電機(jī)組發(fā)電機(jī)部分歷史數(shù)據(jù)中篩選出與發(fā)電機(jī)故障相關(guān)的主要特征參數(shù)，利用這些低維度、交互性強(qiáng)、可解釋性強(qiáng)的數(shù)據(jù)作為觀測向量構(gòu)造過程記憶矩陣D：

[D=[x（i1）x（i2）…x（im）]=D11D12…D1mD21D22…D2m????Dn1Dn2…Dnmn×m] （5）

式中：[x（i）]為[i]時刻的觀測向量；n為篩選出的風(fēng)電機(jī)組發(fā)電機(jī)相關(guān)的狀態(tài)監(jiān)測參數(shù)個數(shù)；m為狀態(tài)參數(shù)的樣本點(diǎn)個數(shù)。

矩陣D中的每一列觀測向量代表發(fā)電機(jī)的一個正常運(yùn)行的動態(tài)過程。MSET的輸入為某一時刻的觀測向量[Xobs]，輸出為對應(yīng)輸入的預(yù)測值[Xest]。對于任一輸入，MSET生成的權(quán)值向量為：

[W=[w1w2…wm]T] （6）

從而得到：

[Xest=D?W=w1?x（i1）+w2?x（i2）+…+wm?x（im）] （7）

權(quán)值向量[W]可以通過以下方式確定，首先構(gòu)造模型輸入觀測向量與輸出預(yù)測向量之間的殘差[ε]：

[ε=Xobs-Xest] （8）

為了使模型具有更好的預(yù)測精度，需使[ε]越接近0越好。現(xiàn)對[ε]求平方和：

[S（w）=i=1ne2i=eTe=（Xobs-Xest）T?（Xobs-Xest）=（Xobs-DW）T?（Xobs-DW）=i=1nXobs（i）-j=imwjDij] （9）

令[?S（w）?wk=0]，求[S（w）]的最小值，由此可以得到：

[W=（DT?D）-1?（DT?Xobs）]" "（10）

將式（10）代入式（7）可以得到預(yù)測值：

[Xest=DW=D?（DT?D）-1?（DT?Xobs）] （11）

為了使此非線性狀態(tài)參數(shù)估計(jì)方法具有更加直觀的物理意義，考慮到變量之間的相關(guān)性在點(diǎn)乘[DT?D]后出現(xiàn)不可逆的情況，采用歐氏距離來替代點(diǎn)乘，從而更加能代表向量之間的相關(guān)性。將式（10）變?yōu)椋?/p>

[W=（DT?D）-1?（DT?Xobs）] （12）

[?（X，Y）=i=1n（xi-yi）2] （13）

則可得到最優(yōu)估計(jì)值[Xest]：

[Xest=DW=D?（DT?D）-1?（DT?Xobs）] （14）

2.2" 滑動窗口殘差分析與預(yù)警

風(fēng)電機(jī)組發(fā)電機(jī)正常運(yùn)行狀態(tài)下的狀態(tài)參數(shù)殘差分布特性反映了其在正常工況下的特征。當(dāng)發(fā)電機(jī)正常運(yùn)轉(zhuǎn)時，狀態(tài)參數(shù)的殘差應(yīng)在一個小范圍內(nèi)波動，而殘差越大時說明異常程度越高[15]。因此，通過對殘差分布特性的分析能夠?qū)崿F(xiàn)對發(fā)電機(jī)的異常預(yù)警。

相比于貫序概率比法[16]、時間序列分析法、神經(jīng)網(wǎng)絡(luò)殘差分析法等方法，滑動窗口法在殘差分析中具有實(shí)時性、自適應(yīng)性等優(yōu)勢，并且其原理簡單，具有較好的工程實(shí)用性。本文采用滑動窗口法對殘差進(jìn)行分析來實(shí)現(xiàn)對發(fā)電機(jī)的異常預(yù)警。

假設(shè)一段時間內(nèi)模型的殘差序列如下：

[ε={ε1，ε2，…， εn，…}] （15）

設(shè)窗口的長度為[N]，計(jì)算窗口內(nèi)連續(xù)[N]個殘差的均值：

[ε=1Ni=1Nεi] （16）

由此可設(shè)預(yù)警閾值為：

[Ep=kEmax] （17）

式中：[Emax]為[ε]的最大絕對值；[k]為根據(jù)實(shí)際工程條件設(shè)置的系數(shù)，正常情況下[kgt;1]。

風(fēng)電機(jī)組發(fā)電機(jī)的異常預(yù)警流程如下。

1） 針對從SCADA系統(tǒng)中采集到的歷史數(shù)據(jù)，采用均值替代法對數(shù)據(jù)中缺失值進(jìn)行填補(bǔ)，然后做歸一化處理；接著利用改進(jìn)的SIG?ReliefF算法篩選出待建模型的狀態(tài)變量及觀測向量，將篩選出的特征劃分為相應(yīng)的訓(xùn)練樣本和測試樣本。

2） 根據(jù)實(shí)際工程經(jīng)驗(yàn)及模型訓(xùn)練，確定滑動窗口的窗口長度及閾值系數(shù)；通過構(gòu)建的MSET模型計(jì)算測試樣本的殘差分布，并合理調(diào)整窗口長度與閾值系數(shù)，從而計(jì)算出異常預(yù)警的閾值。

3） 使用訓(xùn)練好的SIG?ReliefF?MSET模型對測試樣本進(jìn)行性能驗(yàn)證，如果殘差的均值絕對值超出所設(shè)置的閾值，則發(fā)出異常預(yù)警。

2.3" 模型性能評估

本文借鑒國內(nèi)外常用的模型預(yù)測精度評估標(biāo)準(zhǔn)[17]，采用平均絕對誤差（MAE）、均方根誤差（RMSE）、平均絕對百分比誤差（MAPE）以及可決系數(shù)（R2）作為風(fēng)電機(jī)組發(fā)電機(jī)模型的性能評價指標(biāo)。其中，MAE的作用是衡量模型預(yù)測值與真實(shí)值之間的平均差異程度；RMSE反映了模型預(yù)測值與真實(shí)值之間的平均偏差；MAPE的作用是衡量模型在預(yù)測過程中相對于真實(shí)值的平均誤差百分比，它可以幫助評估模型對于不同數(shù)值范圍的數(shù)據(jù)的擬合能力；R2表示模型對因變量變化的解釋程度，取值范圍在0～1之間，越接近1表示模型擬合得越好。各指標(biāo)公式如下：

[MAE=1ni=1nyi，real-yi，pre] （18）

[RMSE=1ni=1n（yi，real-yi，pre）2] （19）

[MAPE=1ni=1nyi，real-yi，preyi，real×100%] （20）

[R2=1-i=1n（yi，real-yi，pre）2i=1n（yi，real-yi，mean）2] （21）

3" 實(shí)例分析

3.1" SIG?ReliefF特征參數(shù)選擇

本文以實(shí)際運(yùn)行的某4.5 MW風(fēng)電機(jī)組為例，對其從SCADA系統(tǒng)中采集到的原始數(shù)據(jù)集進(jìn)行數(shù)據(jù)異常檢測和缺失值處理后，采用SIG?ReliefF算法進(jìn)行特征參數(shù)選擇，篩選出與風(fēng)電機(jī)組發(fā)電機(jī)異常相關(guān)的特征參數(shù)權(quán)值，如表1所示。

通過對原始數(shù)據(jù)中與發(fā)電機(jī)相關(guān)的46個特征參數(shù)的權(quán)值計(jì)算，由表1可以發(fā)現(xiàn)，發(fā)電機(jī)繞組溫度、發(fā)電機(jī)前/后軸承內(nèi)/外圈溫度、風(fēng)速、發(fā)電機(jī)轉(zhuǎn)速、網(wǎng)側(cè)有功功率等特征參數(shù)的權(quán)值相對較大。因此，本文選取表1所示的13個特征參數(shù)構(gòu)成觀測向量，作為MSET異常預(yù)警模型的輸入，由此達(dá)到數(shù)據(jù)降維與特征交互式選擇的目的。

3.2" 基于MSET建模結(jié)果與分析

由3.1節(jié)可知，篩選出的風(fēng)電機(jī)組發(fā)電機(jī)的觀測向量共計(jì)13個，挑選其中的發(fā)電機(jī)繞組溫度和發(fā)電機(jī)后軸承外圈溫度分別作為狀態(tài)變量進(jìn)行模型有效性驗(yàn)證。圖1和圖2分別為發(fā)電機(jī)繞組溫度與發(fā)電機(jī)后軸承外圈溫度的預(yù)測效果圖。圖3為發(fā)電機(jī)繞組溫度異常預(yù)警效果圖，圖中垂直虛線表明MSET模型在第917個樣本點(diǎn)處發(fā)出溫度異常預(yù)警信息，而SCADA系統(tǒng)則在第943個樣本點(diǎn)處才發(fā)出溫度異常報警信息。實(shí)驗(yàn)結(jié)果表明，MSET模型較SCADA系統(tǒng)提前1.2 h左右發(fā)出預(yù)警。

由圖1與圖2可知，MSET模型的預(yù)測值與實(shí)際值之間殘差分布較小，模型能夠較好地跟隨實(shí)際的狀態(tài)參數(shù)，表明基于MSET的模型具有較好的預(yù)測精度。

不同模型之間的性能對比如表2所示。由表2可知，本文所提出的SIG?ReliefF?MSET方法R2明顯高于其他方法，表明其具有更優(yōu)的性能。

4" 結(jié)" 論

風(fēng)電機(jī)組發(fā)電機(jī)繞組溫度、發(fā)電機(jī)軸承溫度是衡量發(fā)電機(jī)及其軸承運(yùn)行狀態(tài)的重要指標(biāo)，識別場內(nèi)發(fā)電機(jī)繞組溫度、發(fā)電機(jī)軸承溫度離群機(jī)組有助于提前感知發(fā)電機(jī)絕緣損傷、過負(fù)荷、冷卻系統(tǒng)故障、軸承故障等異常狀態(tài)，及時采取維護(hù)措施消除相應(yīng)故障，避免故障惡化或因發(fā)電機(jī)繞組溫度或軸承溫度過高導(dǎo)致的故障停機(jī)。鑒于此，本文提出了一種SIG?ReliefF?MSET方法對風(fēng)電機(jī)組發(fā)電機(jī)進(jìn)行異常預(yù)警，通過研究得到以下結(jié)論。

1） 相比于傳統(tǒng)的數(shù)據(jù)降維方法，采用改進(jìn)的SIG?ReliefF算法進(jìn)行特征選擇，可以有效地減少冗余特征對模型性能的影響，提高模型的精度和可靠性。

2） 采用MSET算法構(gòu)建模型，可以充分利用時間序列數(shù)據(jù)的相關(guān)性，進(jìn)一步提高模型的預(yù)測精度和可靠性。在實(shí)際應(yīng)用中，相比于SIG?ReliefF?BPNN和SIG?ReliefF?SVM方法，SIG?ReliefF?MSET具有更高的準(zhǔn)確率和較低的誤報率。

參考文獻(xiàn)

[1] SANTOS A C， SOUZA W A， BARBARA G V， et al. Diagnos?tics of early faults in wind generator bearings using hjorth parameters [J]. Sustainability， 2023， 15： 1467.

[2] 胡姚剛，劉懷盛，時萍萍，等.風(fēng)電機(jī)組偏航系統(tǒng)故障診斷與壽命預(yù)測綜述[J].中國電機(jī)工程學(xué)報，2022，42（13）：4871?4884.

[3] LIU Z P， ZHANG L. A review of failure modes， condition monitoring and fault diagnosis methods for large?scale wind turbine bearings [J]. Measurement， 2020（2）： 149.

[4] JIN X， XU Z， QIAO W. Condition monitoring of wind turbine generators using SCADA data analysis [J]. IEEE transactions on sustainable energy， 2020（99）： 1.

[5] 趙洪山，閆西慧，王桂蘭，等.應(yīng)用深度自編碼網(wǎng)絡(luò)和XGBoost的風(fēng)電機(jī)組發(fā)電機(jī)故障診斷[J].電力系統(tǒng)自動化，2019，43（1）：81?86.

[6] 柴同，袁逸萍，馬軍巖，等.基于K?CNN和N?GRU的風(fēng)電機(jī)組發(fā)電機(jī)狀態(tài)預(yù)測[J].機(jī)械強(qiáng)度，2023，45（5）：1043?1049.

[7] 張超，張少飛.基于SCADA溫度數(shù)據(jù)的風(fēng)電機(jī)組發(fā)電機(jī)驅(qū)動端軸承異常識別方法[J].軸承，2022（6）：67?73.

[8] 任夢祎，焦嵩鳴.改進(jìn)型非線性狀態(tài)估計(jì)的制粉系統(tǒng)故障診斷[J].熱力發(fā)電，2015，44（12）：87?92.

[9] 李大中，常城，許炳坤.基于樣本優(yōu)化的風(fēng)電機(jī)組齒輪箱軸承溫度預(yù)測[J].系統(tǒng)仿真學(xué)報，2017，29（2）：374?380.

[10] WU C C， GUPTA J N D， CHENG S R， et al. Robust scheduling for a two?stage assembly shop with scenario?dependent processing times [J]. International journal of production research， 2020（2）： 1?16

[11] 李雨沛，王新利.改進(jìn)的ReliefF?BPNN分類模型[J].計(jì)算機(jī)時代，2023（6）：20?24.

[12] WANG L X， JIANG S Y. A feature selection method via analysis of relevance， redundancy， and interaction [J]. Expert systems with applications， 2021， 183： 115365.

[13] 劉長良，王梓齊.基于MSET和集成學(xué)習(xí)的風(fēng)電機(jī)組齒輪箱故障預(yù)警[J].太陽能學(xué)報，2020，41（11）：228?233.

[14] 胡杰，唐靜，謝仕義.基于實(shí)時動態(tài)基線的運(yùn)行設(shè)備多元狀態(tài)估計(jì)方法[J].熱力發(fā)電，2021，50（2）：125?131.

[15] 王洪斌，王紅，何群，等.基于深度信念網(wǎng)絡(luò)的風(fēng)機(jī)主軸承狀態(tài)監(jiān)測方法[J].中國機(jī)械工程，2018，29（8）：948?953.

[16] 孫英杰，彭敏俊.基于MSET和SPRT的核動力裝置異常狀態(tài)監(jiān)測技術(shù)研究[J].核動力工程，2015，36（3）：57?61.

[17] 王偉，王海云，黃曉芳.基于Informer的風(fēng)電機(jī)組葉根載荷預(yù)測[J].水力發(fā)電，2023，49（9）：85?89.

[18] 曹學(xué)華，張建輝，楊月波.基于紅外傳感器的風(fēng)電機(jī)組智能消防系統(tǒng)設(shè)計(jì)[J].電子設(shè)計(jì)工程，2024，32（13）：167?171.

作者簡介：沈" 旭（1997—），男，江蘇揚(yáng)州人，碩士研究生，主要研究方向?yàn)轱L(fēng)電機(jī)組的數(shù)據(jù)挖掘與故障診斷方法。

王海云（1973—），女，新疆烏魯木齊人，教授，博士生導(dǎo)師，主要研究方向?yàn)樾履茉窗l(fā)電與并網(wǎng)技術(shù)。

杜" 新（1986—），男，新疆烏魯木齊人，金風(fēng)科技股份有限公司運(yùn)營管理部項(xiàng)目經(jīng)理，主要研究方向?yàn)樾履茉醇夹g(shù)、風(fēng)力發(fā)電制氫、大型風(fēng)力發(fā)電機(jī)組核心關(guān)鍵技術(shù)開發(fā)與應(yīng)用。

黃曉芳（1982—），女，新疆烏魯木齊人，碩士研究生，高級工程師，金風(fēng)科技股份有限公司研發(fā)中心副部長，主要研究方向?yàn)轱L(fēng)電場智能化數(shù)字化控制及保護(hù)技術(shù)。