靳志杰，霍志红，许 昌，郭宏宇，周华建

（河海大学 能源与电气学院，江苏 南京 211100）

0 引言

近年来，风电产业高速发展，随着风电装机容量的增加，风电装备运行安全保障和运维成本增加愈发成为风电行业的重要问题。部分风电场进入运营中后期后，运维成本不断上涨，做好风电机组运行状态预测和故障诊断能有效减小风电机组故 障 率，提 升 风 电 场 效 益[1]，[2]。

目前，风电机组的故障诊断主要分为基于解析模型和基于数据的故障诊断方法[3]。随着机器学习和神经网络技术的发展，大量学者开展了基于机组运行数据的故障诊断研究。文献[4]提出了一种基于风电机组SCADA数据的轴承故障预警方法，通过相关性分析提取SCADA所记录的轴承运行相关特征数据，使用BP神经网络实现轴承故障预警。文献[5]利用FDA故障贡献图分析变桨系统故障强相关特征变量，进而实现故障定位。文献[6]对现有的各种支持向量机模型的特点进行了系统分析，提出了包括标准型支持向量机、最小二乘支持向量机以及和其相关的混合模型对电机故障进行诊断。文献[7]采用极端梯度提升算法提取隐含特征信息，应用支持向量机算法实现基于数据的故障诊断。以上研究中，故障诊断过程中的特征选取方式均影响模型性能，对风电机组数据进行初始特征选择时多依赖人的先验知识，在数据特征较多时无法完全排除人的主观性影响。依靠相关性分析和主成分分析进行特征变换只能处理具有线性关系的特征，存在新构造特征向量可解释性弱，降维后反而不利于模型训练的问题[8]。……