基于Hadoop平臺(tái)的風(fēng)機(jī)群落故障預(yù)警

姚萬(wàn)業(yè)， 姚吉行

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003)

0 引言

近些年來(lái)，以可再生能源為主要內(nèi)容的能源轉(zhuǎn)型是當(dāng)今世界尋求穩(wěn)定持續(xù)發(fā)展的出路，對(duì)中國(guó)來(lái)講，若要實(shí)現(xiàn)綠色低碳等可持續(xù)發(fā)展就必須順應(yīng)世界潮流，向發(fā)展可再生能源轉(zhuǎn)變。中國(guó)依據(jù)自身獨(dú)特的地理優(yōu)勢(shì)擁有著豐富的風(fēng)資源，風(fēng)力發(fā)電在我國(guó)發(fā)展迅速。

風(fēng)電的發(fā)展帶動(dòng)風(fēng)電場(chǎng)的規(guī)模日益擴(kuò)大，由于工作環(huán)境十分惡劣且工況復(fù)雜多變，風(fēng)機(jī)極易發(fā)生故障。當(dāng)風(fēng)機(jī)發(fā)生故障后，故障診斷、維修需要耗費(fèi)大量的人力、財(cái)力，對(duì)于重大故障事件會(huì)造成整個(gè)風(fēng)機(jī)停機(jī)，進(jìn)而影響整個(gè)風(fēng)場(chǎng)的發(fā)電量，可謂損失巨大[1]。在風(fēng)電企業(yè)高速發(fā)展的同時(shí)產(chǎn)生了海量的數(shù)據(jù)，如何將這些信息轉(zhuǎn)化為資源，提升企業(yè)的經(jīng)濟(jì)效益，已經(jīng)成為行業(yè)關(guān)注的重點(diǎn)。在此背景下，基于海量數(shù)據(jù)信息的風(fēng)機(jī)故障預(yù)警技術(shù)便應(yīng)運(yùn)而生了。

1 Hadoop平臺(tái)及數(shù)據(jù)挖掘算法

1.1 Hadoop平臺(tái)介紹

Hadoop是一個(gè)處理、存儲(chǔ)和分析海量的分布式、非結(jié)構(gòu)化數(shù)據(jù)的開(kāi)源框架，以MapReduce為基礎(chǔ)發(fā)展而來(lái)，主要用來(lái)處理分布在多個(gè)并行節(jié)點(diǎn)的PB級(jí)和EB級(jí)數(shù)據(jù)集群。集群能從單個(gè)服務(wù)器擴(kuò)展到數(shù)千個(gè)，每個(gè)服務(wù)器都可以提供本地計(jì)算和存儲(chǔ)，與依賴(lài)硬件提供高可用性相比，Hadoop在應(yīng)用層檢測(cè)并處理故障，保障了集群的高可用性。Hadoop處理大數(shù)據(jù)的體系模塊如圖1所示。

圖1 Hadoop平臺(tái)處理模塊

1.2 數(shù)據(jù)挖掘算法

1.2.1 顯著性差異分析方法

顯著性差異分析是統(tǒng)計(jì)學(xué)中對(duì)大量同工況下的數(shù)據(jù)樣本中具有顯著性差異的數(shù)據(jù)個(gè)體的分析、評(píng)價(jià)。在同工況下，這些離群個(gè)體可能是由于實(shí)驗(yàn)條件處理不同而導(dǎo)致的異常點(diǎn)[2]。生產(chǎn)過(guò)程中，在相同工況下對(duì)于同一批次的設(shè)備，由于其工業(yè)設(shè)計(jì)、制造工藝和材質(zhì)等條件基本相同，設(shè)備在運(yùn)行期間生成的數(shù)據(jù)雖有不同，但不應(yīng)存在太大差異，否則，該數(shù)據(jù)差異有較大概率為早期故障信號(hào)。顯著性差異分析方法根據(jù)大量實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)故障概率，設(shè)置一個(gè)合理的靜態(tài)閾值對(duì)異常狀態(tài)進(jìn)行有效的預(yù)警。

利用顯著性差異分析方法對(duì)樣本數(shù)據(jù)進(jìn)行處理分析需滿足：

1)待分析數(shù)據(jù)必須來(lái)自于同一工況數(shù)據(jù)樣本總體。

2)樣本數(shù)據(jù)基本符合正態(tài)分布，即樣本概率密度函數(shù)應(yīng)滿足正態(tài)分布函數(shù)。

參考GB/T4883-2008，在變量分布中，在顯著水平之外的離群點(diǎn)為具有顯著性差異的異常點(diǎn)。通過(guò)對(duì)離群點(diǎn)的分析，顯著性差異條件為：

u≥u1-α

(1)

在工程應(yīng)用中，被觀測(cè)參數(shù)多表現(xiàn)為離散特性[3]。設(shè)共有n臺(tái)設(shè)備處于同一工況(不包含離群設(shè)備)，對(duì)于某觀測(cè)狀態(tài)量X，其平均值為U，標(biāo)準(zhǔn)差為S，離群設(shè)備的當(dāng)前測(cè)量值為x，其顯著性差異分析有如下幾種情況：

1) 當(dāng)劣化表現(xiàn)為狀態(tài)量值減少時(shí)：x

2) 當(dāng)劣化表現(xiàn)為狀態(tài)量值增加時(shí)：x>U+kS

3) 當(dāng)劣化表現(xiàn)為狀態(tài)量值偏離初值時(shí)：x?{U-kS,U+kS}

其中，k的取值大小與所選取的設(shè)備臺(tái)數(shù)n的大小有一定的關(guān)系，具體關(guān)系根據(jù)現(xiàn)場(chǎng)工作人員的經(jīng)驗(yàn)所得，如表1所示。

表1 k值與n的關(guān)系

1.2.2 多元線性回歸分析方法

一般來(lái)講，對(duì)于給定的p個(gè)變量x1,x2,…,xp能確定變量y,并且用某一種函數(shù)關(guān)系式y(tǒng)=f(x1,x2,…,xp)來(lái)表示。但在實(shí)際情況中，參數(shù)之間往往存在著無(wú)法詳細(xì)描述的非線性關(guān)系[4]。本文采用多元線性回歸分析方法對(duì)樣本數(shù)據(jù)進(jìn)行建模預(yù)測(cè)，其一般形式如式(2)所示：

y=β0+β1x1+β2x2+…+βpxp+ε

(2)

(3)

E(ε)=0,Var(ε)=δ2

(4)

2 基于Hadoop的風(fēng)機(jī)群落異常風(fēng)機(jī)識(shí)別

2.1 風(fēng)機(jī)預(yù)警指標(biāo)體系

風(fēng)場(chǎng)中風(fēng)機(jī)的測(cè)點(diǎn)參數(shù)類(lèi)型眾多，數(shù)量較大，故障類(lèi)型也比較復(fù)雜[5]。對(duì)歷史故障信息數(shù)據(jù)統(tǒng)計(jì)分析，溫度類(lèi)故障在歷史故障中發(fā)生比例較大，且風(fēng)機(jī)設(shè)備溫度值變化表現(xiàn)為漸變特性，同工況下的風(fēng)機(jī)溫度值表現(xiàn)有一定的正態(tài)特性[6]。鑒于箱式圖對(duì)于溫度參數(shù)具有獨(dú)特的處理優(yōu)勢(shì)，故選取風(fēng)機(jī)的溫度指標(biāo)作為故障預(yù)警的首選參數(shù)[7-11]。結(jié)合風(fēng)機(jī)工作原理及現(xiàn)場(chǎng)SCADA系統(tǒng)歷史記錄，選取的風(fēng)機(jī)預(yù)警指標(biāo)體系如圖2所示。

圖2 風(fēng)機(jī)預(yù)警指標(biāo)

本文所選用的數(shù)據(jù)來(lái)自河北赤沽某大型風(fēng)場(chǎng)共345臺(tái)風(fēng)機(jī)中，風(fēng)機(jī)提供廠商也有多家，機(jī)型眾多，運(yùn)行工況也錯(cuò)綜復(fù)雜。對(duì)于同型號(hào)的風(fēng)機(jī)，不同的并網(wǎng)時(shí)間和停機(jī)時(shí)間對(duì)風(fēng)機(jī)各部件的運(yùn)行狀況影響不一樣，導(dǎo)致溫度類(lèi)、電氣類(lèi)參數(shù)的值也略有差別[12]。以10 s為采集單位對(duì)風(fēng)機(jī)發(fā)電功率歷史數(shù)據(jù)進(jìn)行分析，為觀察同機(jī)型風(fēng)機(jī)的變化情況，對(duì)風(fēng)機(jī)10 min的平均功率和功率變化方差進(jìn)行分析。以75臺(tái)金風(fēng)1.5 MW機(jī)型的風(fēng)機(jī)為分析對(duì)象，對(duì)風(fēng)機(jī)群落進(jìn)行聚類(lèi)劃分，為確保準(zhǔn)確性，分別對(duì)6 m/s(啟動(dòng))、12 m/s(穩(wěn)定運(yùn)行)、18 m/s(變槳運(yùn)行)3種不同階段進(jìn)行分析[13]，聚類(lèi)結(jié)果如圖3所示。

圖3 不同風(fēng)速風(fēng)機(jī)群落聚類(lèi)結(jié)果

由圖3可以看出：在不同的風(fēng)速下，風(fēng)場(chǎng)中75臺(tái)金風(fēng)1.5 MW機(jī)型的風(fēng)機(jī)依據(jù)10 min內(nèi)的平均功率和功率方差劃分成了3個(gè)群落。在每個(gè)群落中，風(fēng)機(jī)的運(yùn)行特性相似，各子系統(tǒng)中部件的溫度類(lèi)參數(shù)也在一定的范圍內(nèi)變化。對(duì)同一個(gè)風(fēng)機(jī)群落中的風(fēng)機(jī)采用箱式分布圖和顯著性差異分析的方法能夠提高異常識(shí)別率，增加預(yù)警準(zhǔn)確性。

2.2 風(fēng)機(jī)群落規(guī)則分析與設(shè)計(jì)

為了能夠?qū)︼L(fēng)場(chǎng)中所有風(fēng)機(jī)同時(shí)進(jìn)行監(jiān)測(cè)，利用Hadoop平臺(tái)對(duì)風(fēng)機(jī)群落進(jìn)行信息分布式存儲(chǔ)和并行式計(jì)算，既保證了預(yù)警的全面性又增加了實(shí)時(shí)預(yù)警的快速性，其中對(duì)每個(gè)群落都采用圖4所示的預(yù)警流程。

圖4 風(fēng)機(jī)群落預(yù)警流程

以群落1為分析對(duì)象，選取風(fēng)場(chǎng)SCADA系統(tǒng)歷史故障前30 min時(shí)段的溫度體系參數(shù)值作為箱式分布對(duì)象。據(jù)查詢(xún)2016年4月5日13:34為故障發(fā)生時(shí)刻，選取30 min之前的數(shù)據(jù)，采用箱式分布圖對(duì)變槳系統(tǒng)溫度評(píng)估模型體系進(jìn)行分析，結(jié)果如圖5所示。

圖5 變槳系統(tǒng)溫度箱式分布圖

圖中就1#變槳電機(jī)溫度而言，在群落1中，12#和13#風(fēng)機(jī)表現(xiàn)為離群風(fēng)機(jī)；就變槳電池溫度而言，68#風(fēng)機(jī)為離群風(fēng)機(jī)；就變槳變頻器溫度而言，29#風(fēng)機(jī)為離群風(fēng)機(jī)。對(duì)機(jī)械傳動(dòng)系統(tǒng)和發(fā)電系統(tǒng)同樣做箱式分布圖，結(jié)果分別如圖6和圖7所示。

圖6 機(jī)械傳動(dòng)系統(tǒng)溫度箱式分布圖

圖7 發(fā)電機(jī)系統(tǒng)溫度箱式分布圖

對(duì)于離群風(fēng)機(jī)進(jìn)行顯著性差異分析，首先求出風(fēng)機(jī)群落的溫度平均值和方差，再計(jì)算預(yù)警閾值來(lái)分析離群風(fēng)機(jī)的異常與否。如表2所示。

2.3 風(fēng)機(jī)群落異常風(fēng)機(jī)識(shí)別案例分析

在Hadoop平臺(tái)中對(duì)河北赤沽地區(qū)某風(fēng)場(chǎng)所有風(fēng)機(jī)的運(yùn)行溫度類(lèi)參數(shù)進(jìn)行批量式處理。

Hadoop平臺(tái)共分?jǐn)?shù)據(jù)采集層、數(shù)據(jù)存儲(chǔ)層、數(shù)據(jù)分析層、信息發(fā)布層4個(gè)層級(jí)，每個(gè)層級(jí)的功能作用如下：

數(shù)據(jù)采集層：該預(yù)警系統(tǒng)主要對(duì)整個(gè)風(fēng)場(chǎng)中溫度類(lèi)參數(shù)進(jìn)行故障預(yù)警，考慮到溫度參數(shù)的漸變性和易測(cè)量性，采用溫度傳感器進(jìn)行測(cè)量，以 5 s為采集單位實(shí)時(shí)采集溫度數(shù)據(jù)。

數(shù)據(jù)存儲(chǔ)層：鑒于風(fēng)場(chǎng)存儲(chǔ)信息的復(fù)雜與龐大，數(shù)據(jù)存儲(chǔ)采用HDFS分布式存儲(chǔ)，數(shù)據(jù)存儲(chǔ)規(guī)則存儲(chǔ)在NameNode中固定區(qū)域，存儲(chǔ)規(guī)則為所有風(fēng)機(jī)按照上文中劃分的群落來(lái)存儲(chǔ)。在每個(gè)群落中，按照風(fēng)機(jī)子系統(tǒng)來(lái)集中存儲(chǔ)各溫度參數(shù)，分別為變槳系統(tǒng)、機(jī)械傳動(dòng)系統(tǒng)、發(fā)電機(jī)系統(tǒng)。采集的實(shí)時(shí)數(shù)據(jù)按照NameNode中的存儲(chǔ)規(guī)則來(lái)有序的存儲(chǔ)在DataNode中并實(shí)時(shí)更新NameNode中存儲(chǔ)規(guī)則。

表2 離群風(fēng)機(jī)異常判斷表

數(shù)據(jù)分析層：按照上文中的箱式分布圖分析方法和顯著性差異分析法對(duì)每一個(gè)存儲(chǔ)模塊下的實(shí)時(shí)數(shù)據(jù)進(jìn)行并行式計(jì)算，實(shí)時(shí)判斷每臺(tái)風(fēng)機(jī)的異常與否。

信息發(fā)布層：經(jīng)過(guò)Hadoop平臺(tái)對(duì)風(fēng)機(jī)溫度類(lèi)參數(shù)的分布式存儲(chǔ)和并行式計(jì)算分析，最終可以得出每個(gè)群落中的異常風(fēng)機(jī)。

鑒于上述描述預(yù)警規(guī)則，在Hadoop平臺(tái)對(duì)該風(fēng)場(chǎng)風(fēng)機(jī)群落實(shí)時(shí)溫度參數(shù)進(jìn)行分析，結(jié)果如表3所示。由表3顯示結(jié)果表明，在Hadoop平臺(tái)中對(duì)整個(gè)風(fēng)場(chǎng)下所有風(fēng)機(jī)的溫度類(lèi)參數(shù)進(jìn)行并行計(jì)算分析，在上述時(shí)刻下群落1中32#風(fēng)機(jī)的1#變槳電機(jī)溫度、群落5中84#風(fēng)機(jī)的驅(qū)動(dòng)軸承溫度、群落14中314#風(fēng)機(jī)的發(fā)電機(jī)繞組溫度表現(xiàn)異常，可初步判定相應(yīng)的風(fēng)機(jī)中可能存在故障隱患。

表3 風(fēng)機(jī)群落異常識(shí)別結(jié)果

3 基于NEST的異常風(fēng)機(jī)故障預(yù)警

依據(jù)上節(jié)Hadoop平臺(tái)計(jì)算結(jié)果，對(duì)異常風(fēng)機(jī)的具體運(yùn)行工況進(jìn)行分析，本節(jié)以84#金風(fēng)3.0 MW異常風(fēng)機(jī)的齒輪箱溫度為研究對(duì)象。主要對(duì)在運(yùn)期間齒輪箱溫度的實(shí)測(cè)值和預(yù)測(cè)值之間的偏差程度進(jìn)行分析，通過(guò)在線監(jiān)測(cè)齒輪箱前期溫度的變化情況來(lái)及時(shí)發(fā)現(xiàn)隱藏故障。離線部分先對(duì)大量與齒輪箱相關(guān)參數(shù)進(jìn)行數(shù)據(jù)分析，建立正常情況下的回歸預(yù)測(cè)模型。在線部分實(shí)時(shí)觀察預(yù)測(cè)值與實(shí)測(cè)值之間的殘差并依據(jù)現(xiàn)場(chǎng)經(jīng)驗(yàn)設(shè)置合理的偏差閾值，當(dāng)殘差超過(guò)設(shè)定的閾值后即發(fā)出報(bào)警信號(hào)并提示工作人員檢修設(shè)備。

3.1 NEST預(yù)測(cè)模型

通過(guò)對(duì)風(fēng)電場(chǎng)SCADA系統(tǒng)47個(gè)參數(shù)的分析、篩選，結(jié)合對(duì)齒輪箱工作原理的機(jī)理分析，確定以下幾個(gè)與齒輪箱溫度變化密切相關(guān)的參數(shù)作為觀測(cè)向量：

(1)機(jī)組輸出功率p：機(jī)組的輸出功率變化會(huì)影響齒輪箱載荷大小，當(dāng)機(jī)組輸出功率升高時(shí)，齒輪承受的載荷變大，導(dǎo)致齒輪箱溫度上升。

(2)風(fēng)速：作為風(fēng)機(jī)工作的能量來(lái)源，風(fēng)速的大小與整個(gè)風(fēng)機(jī)的溫度參數(shù)變化呈正相關(guān)性。

(3)環(huán)境溫度：風(fēng)電機(jī)組所處環(huán)境的溫度在短期(晝夜)或長(zhǎng)期(周、月)內(nèi)可能會(huì)發(fā)生較大變化，如在春季3、4月份某些地區(qū)因大風(fēng)寒潮等原因可能會(huì)導(dǎo)致溫差達(dá)20 ℃左右。在同一輸出功率和風(fēng)速情況下，齒輪箱的溫度可能會(huì)因環(huán)境溫度的變化而改變。

(4)齒輪箱上一時(shí)刻溫度Tg(k-1)：為了能夠追蹤齒輪箱溫度的變化趨勢(shì)，要預(yù)測(cè)下一采樣時(shí)刻的溫度需考慮當(dāng)前時(shí)刻的齒輪箱溫度值。

(5)齒輪油在上3個(gè)時(shí)刻的溫度值(Tgo(k-1)、Tgo(k-2)、Tgo(k-3))；

(6)齒輪軸承在上3個(gè)時(shí)刻的溫度值(Tgb(k-1)、Tgb(k-2)、Tgb(k-3))；

(7)主軸承在上3個(gè)時(shí)刻的溫度值(Tl(k-1)、Tl(k-2)、Tl(k-3))；

根據(jù)上節(jié)所述建模理論，依據(jù)以上觀測(cè)向量建立齒輪箱溫度的回歸預(yù)測(cè)模型，如式(5)：

(5)

3.2 基于NEST的異常風(fēng)機(jī)故障預(yù)警案例分析

本文所使用的建模數(shù)據(jù)為該風(fēng)場(chǎng)SCADA系統(tǒng)中#84風(fēng)機(jī)齒輪箱溫度的歷史數(shù)據(jù),該風(fēng)機(jī)的異常時(shí)刻為2016年7月11日9時(shí)17分，選擇異常時(shí)刻之前的正常數(shù)據(jù)，考慮到風(fēng)速的多變性以及季節(jié)的因素，時(shí)間跨度不應(yīng)過(guò)大。選取6～7月的數(shù)據(jù)，以5 min為采集單位，經(jīng)過(guò)預(yù)處理最終選擇200組正常數(shù)據(jù)作為處理對(duì)象。為了驗(yàn)證多元線性回歸法對(duì)風(fēng)電機(jī)組主要部件潛在故障的預(yù)測(cè)，采用前170組正常數(shù)據(jù)建立回歸預(yù)警模型，后30組數(shù)據(jù)作為驗(yàn)證樣本，驗(yàn)證結(jié)果分別如圖8和圖9所示。

圖8 正常運(yùn)行模式下的齒輪箱溫度預(yù)警曲線

圖9 正常運(yùn)行模式下的齒輪箱溫度預(yù)測(cè)殘差

據(jù)信息記錄查詢(xún)，在2016年6～7月份期間，#84風(fēng)電機(jī)組持續(xù)正常工作，并無(wú)故障情況。對(duì)圖9預(yù)警曲線進(jìn)行觀察分析，采用回歸分析方法建立#84風(fēng)機(jī)的健康模型，預(yù)警曲線能夠很好地跟隨實(shí)際曲線，預(yù)測(cè)殘差波動(dòng)范圍很小，在0.3 ℃以?xún)?nèi)，上述結(jié)果表明，采用線性回歸分析的方法能夠較好地對(duì)齒輪箱溫度進(jìn)行預(yù)測(cè)。

采用上述所建線性回歸預(yù)測(cè)模型對(duì)#84風(fēng)機(jī)異常時(shí)刻前后一段時(shí)間數(shù)據(jù)進(jìn)行預(yù)測(cè)分析。以 5 min為時(shí)間采集單位，據(jù)現(xiàn)場(chǎng)經(jīng)驗(yàn)設(shè)定預(yù)測(cè)殘差預(yù)警閾值為2 ℃，預(yù)測(cè)結(jié)果分別如圖10和圖11所示。

圖10 異常狀態(tài)下的齒輪箱溫度預(yù)警曲線

圖11 異常狀態(tài)下的齒輪箱溫度預(yù)測(cè)殘差

由圖10溫度預(yù)警曲線可以得出，在約第17個(gè)采集點(diǎn)時(shí)刻之前，實(shí)際溫度曲線能夠很好地跟隨預(yù)測(cè)曲線，溫度殘差浮動(dòng)較小，浮動(dòng)范圍在0.3 ℃之內(nèi)。在此之后實(shí)際測(cè)量溫度表現(xiàn)出異常特性，開(kāi)始偏離預(yù)測(cè)曲線，這種偏離特性隨著時(shí)間推移表現(xiàn)得尤為明顯。其中，溫度預(yù)測(cè)殘差也逐步增大。由圖11可知，從大約第22個(gè)采集點(diǎn)開(kāi)始，殘差值超過(guò)預(yù)警閾值，且呈增大趨勢(shì)，此時(shí)觸發(fā)報(bào)警，提醒工作人員該風(fēng)機(jī)可能存在潛在故障，在此之后預(yù)警曲線的溫度繼續(xù)上升，故障特征已經(jīng)很明顯。

4 結(jié)論

(1)依據(jù)箱式分布圖的方法確定風(fēng)機(jī)群落中的異常風(fēng)機(jī)。采用Hadoop大數(shù)據(jù)分析平臺(tái)對(duì)風(fēng)場(chǎng)中所有群落溫度參數(shù)指標(biāo)進(jìn)行存儲(chǔ)、計(jì)算、分析，不僅充分利用了該平臺(tái)高存儲(chǔ)量、計(jì)算速度快的優(yōu)勢(shì)，還兼顧了計(jì)算分析的實(shí)時(shí)性與準(zhǔn)確性。

(2)采用橫向分析的方法從整個(gè)風(fēng)場(chǎng)層面對(duì)所有風(fēng)機(jī)進(jìn)行分析，確定出異常運(yùn)行風(fēng)機(jī)，再采用線性回歸預(yù)測(cè)分析的方法對(duì)異常風(fēng)機(jī)進(jìn)行縱向分析。選擇合適的參數(shù)集作為預(yù)測(cè)模型的輸入變量，結(jié)合一定的現(xiàn)場(chǎng)經(jīng)驗(yàn)，設(shè)置合理的預(yù)測(cè)殘差預(yù)警閾值，觀察預(yù)測(cè)溫度的變化趨勢(shì)來(lái)進(jìn)行故障預(yù)警最終確保了故障預(yù)警的準(zhǔn)確性。

參考文獻(xiàn)：

[1]劉軒，孫建平.風(fēng)力發(fā)電機(jī)溫升故障預(yù)警方法研究[J].電力科學(xué)與工程，2016，32(6)：38-43.

[2]LIANG J, YANG J, WU Y, et al. Big data application in education: dropout prediction in edx MOOCs[C]// IEEE Second International Conference on Multimedia Big Data. IEEE, 2016:440-443.

[3]LIU W, TANG B, JIANG Y.Status and problems of wind turbine structural health monitoring techniques in China[J].Renewable Energy, 2010,35(7):1414-1418.

[4]孫建平，朱雯，翟永杰，等.基于MSET方法的風(fēng)電機(jī)組齒輪箱預(yù)警仿真研究[J].系統(tǒng)仿真學(xué)報(bào)，2013，25(12)：3009-3014.

[5]詹長(zhǎng)庚，萬(wàn)書(shū)亭，王聰.風(fēng)機(jī)傳動(dòng)齒輪箱故障的Hilbert及倒譜綜合分析[J].電力科學(xué)與工程，2013，29(5)：1-7.

[6]李若昭. 風(fēng)電機(jī)組綜合性能評(píng)估與運(yùn)行特性分析[D]. 北京：華北電力大學(xué)，2009.

[7]ANDREW K， ZHANG Z J，ANOOP V.Prediction，operations and condition monitoring in wind energy[J].Energy,2013:1-12.

[8]BOUCHIKHI E H E, CHOQUESUE V, BENBOUEID M E H. Non-stationary spectral estimation for wind turbine induction generator faults detection[C]// Industrial Electronics Society, IECON 2013, Conference of the IEEE. IEEE, 2013:7376-7381.

[9]童超，郭鵬.基于特征選擇和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障分類(lèi)監(jiān)測(cè)研究[J].動(dòng)力工程學(xué)報(bào)，2014，34(4)：313-317.

[10]SCHIECHTINGEN M, SANTOS I F, ACHICHE S. Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 1: System description[J]. Applied Soft Computing Journal, 2013, 13(1):259-270.

[11]JING C,HOU J.SVM and PCA based on fault classification approaches for complicated industrial process[J].Neurocomputing,2015:636-642.

[12]趙洪山，胡慶春，李志為.基于統(tǒng)計(jì)過(guò)程控制的風(fēng)機(jī)齒輪箱故障預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2012，40(13)：67-73.

[13]BUTLER S, RINGWOOD J, O'CONNOR F. Exploiting SCADA system data for wind turbine performance monitoring[C]// Control and Fault-Tolerant Systems. IEEE, 2014:389-394.