《表1 支持向量机预测结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于机器学习的风电机组变桨系统故障研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为考察模型的泛化能力以及稳定性，对同风场其他3台风电机组A2、A3、A4的监测数据进行整理验证。将预处理步骤5中得到的数据分层抽样并按照时序排列。采用相同的惩罚系数和核函数半径，同时用A1风电机组机器学习模型进行交叉验证。模型训练各测试数组的结果如表1和图5所示。图5中的结果均为识别标签，为判断故障诊断模型的预测准确性，将标签区间回归到各机组原始SCADA数据中，并与实际断裂故障发生点作比较。预测准确率及误判样本点总数见表1。结合图5和表1中的结果表明本文对SCADA数据的处理方法能较好地预测出不同风电机组的变桨系统故障发生区间，并且通过不同机组之间的交叉验证证明模型具有一定的泛化能力。在计算速度方面，该方法构建训练模型迅速，占用计算机资源较少。