基于改進SVM的風機SCADA系統(tǒng)故障分類識別方法研究.pdf

1、目前，風機遠程監(jiān)控系統(tǒng)一般都采用數(shù)據(jù)采集與監(jiān)控（SCADA）系統(tǒng)。然而，在實際風機運行中，由于風機本身硬件結(jié)構(gòu)、系統(tǒng)保護以及外部復雜環(huán)境等的影響，風機有時會因一個故障引發(fā)同一時間內(nèi)的一連串故障。目前的 SCADA系統(tǒng)會同時顯示出一系列的故障報警信號，但無法顯示出真正的故障源，造成故障的無法自動識別，使得風電維護人員（工人師傅）很難找到最初的故障源。因此只能根據(jù)個體的經(jīng)驗去判斷故障源，逐一排除不正確的故障源，這耗費了很多人力物力，同時也增

2、加了停機時間。因此，如何快速的找到故障源，減少維修時間，提高有效運行時間變得十分關(guān)鍵。基于這樣的背景，結(jié)合上海電氣集團風電公司的在研 SCADA系統(tǒng)項目，本文提出了通過算法的訓練學習建立智能故障專家?guī)斓姆椒?，使其能智能化的識別故障。本文主要研究內(nèi)容如下：
　　針對上述提出的問題，本文將同一時間內(nèi)發(fā)生的大量故障信息作為故障特征進行訓練，將經(jīng)驗值作為分類類別，構(gòu)建較好的 SVM分類器，以此來完成故障的自動分類識別,從而建立起故障專家?guī)?/p>

3、，從而加快了故障排查的時間，提高維修效率。
　　針對支持向量機（SVM）分類器中的重要參數(shù)c、g。本文利用量子遺傳算法（QGA）來找尋最佳c、g值。為解決QGA收斂速度慢、易陷入局部極值等問題，引進了動態(tài)量子旋轉(zhuǎn)門用來根據(jù)進化過程動態(tài)的調(diào)整量子旋轉(zhuǎn)角。調(diào)整策略為：進化前期給定一個較大的旋轉(zhuǎn)角，然后隨著進化代數(shù)的增加，逐漸縮小旋轉(zhuǎn)角。同時，引進了量子變異。通過典型函數(shù)的測試驗證了改進的QGA比傳統(tǒng)QGA更有效。
　　將改進的Q