基于LOF-DBSCAN与优化XGBoost的风电机组异常状态预警

摘要

针对风电机组长期处于恶劣环境导致故障频发问题，提出了一种局部离群因子(LOF)与基于密度的空间聚类算法(DBSCAN)结合的异常数据清洗和基于优化极端梯度提升(XGBoost)算法的异常工况预警方法。首先采用LOF算法结合DBSCAN算法对风电机组状态监控与数据采集系统(SCADA)中的异常数据进行预处理。之后根据机理分析选取模型输入输出参数，基于Optuna框架自动优化XGBoost算法的超参数建立风电机组正常运行工况预测模型。在此基础上，利用时移滑动窗口方法计算风电机组有功功率和发电机转速的平均绝对误差(MAE)并作为状态识别指标，结合统计学中的区间估计法确定指标预警阈值。最后应用某风场的真实历史故障数据进行实验，结果表明所提方法可以对风电机组的异常工况进行及时正确的预警。

关键词

风电机组 / LOF / DBSCAN / Optuna / XGBoost / 异常工况预警

基金资助

河北省中央引导地方科技发展资金项目(226Z2103G)