在分析清洁能源公司风能存储单元频繁故障的基础上，分析该部门风能存储单元的常见故障和误差诊断技术，本文对一组风能储存公司进行现场调查，以获得影响缺陷发生的关键因素。建了故障识别指标体系，采用随机森林算法构建了风力机冷库单元故障诊断智能预警模型。能是能源工业的新技术之一，它不污染环境，不消耗化石燃料。能已得到社会各界的充分认可。

　　年来，冷库安装风能年增长率保持稳定上升趋势，已成为世界上增长最快，最受认可的可再生能源。中国，大多数风能冷藏仓库主要位于偏远地区和沿海地区等偏远地区，由于其自​​然环境和不稳定性，西部地区风能充足。作很常见，其故障直接影响风力发电。

　　全和经济。了实现风力发电的长期稳定发展，提高自身的能源竞争力，有必要对风能存储的故障进行快速预测和诊断。组效率最大化企业的经济效益。
　　风能冷库的故障诊断过程中，有必要通过诊断了解风能冷库的设备故障诊断方法。

　　分析以达到预定目标。能冷藏机组的故障诊断方法大致可分为传统诊断方法，数学诊断方法和智能诊断方法。谓的传统诊断方法是指对状态监测技术数据的分析，以及用于诊断风能存储单元的硬件故障的数据挖掘方法;数学诊断方法主要采用基于数学公式的数据理论，模型单元缺陷的诊断主要由故障树分析，小波分析，模糊诊断，灰色系统诊断，分形几何和混沌分析。
　　要的诊断算法包括神经网络，随机森林，遗传算法，蚁群算法，粒子群算法等。文采用智能故障诊断方法的随机森林算法对风能制冷机组进行智能故障诊断。于分析了风能存储单元的常见缺陷，可以知道风能存储单元的误差源是多种形式的。部件的性能直接影响风能储存单元的正常运行，另外，各部件的运行参数采集技术受多种因素的影响。实际研究过程中，我们选择了影响风能冷藏机组故障的14个关键因素，包括风力涡轮机，变速箱，发电机，电气系统，变桨系统等。能冷库的组成部分。
　　机森林（RF）是一种具有良好分类性能的组合分类算法：它使用决策树回归树作为基本分类器，并通过装袋方法生成不同的训练样本集。构建决策树的过程中，通过随机方法划分节点样本集。机森林（RF）可以看作是树分类器的集合，其中x是输入向量并且是独立且相同的随机向量。于分类问题，随机森林的结果是简单多数投票方法的结果，而对于回归问题，随机森林的结果是随机森林结果的简单平均值。
　　策树。先，通过装袋方法生成k组不同的训练样本。Of Bag，OOB），off-bag数据用于评估随机森林算法的性能。次，每组学习样本构建分类决策树，并且学习集的集合生成k个分类决策树。样本特征数放在M处，从每棵树的除数节点上的M个特征变量中随机选择m，最后根据构造的多个分类决策树预测新的未知样本。分类器的每个投票结果的简单多数表决方法确定未知样本的分类结果信息熵：表示信息的不确定性（混淆程度），冷库安装加上熵是伟大的，信息越混乱，预测就越难。
　　供的信息量越小，指标的权重越小，重要性就越小。于分类系统，类别C是变量，其可能的值是，并且每个类别的出现概率等于n。信息对应于功能，但也对应于功能t。息量根据系统是否具有不同而不同，两者之间的差异是它为系统提供的信息量。益：当系统包含特征t时，很好地计算信息量，这只是公式，它表示包含所有特征时系统的信息量。分类系统中，属性的选择和决策树的划分基于信息增益。了做出选择，选择根节点和子节点作为具有最重要信息增益的属性变量，然后通过方法构造整个决策树和随机森林。于风能存储单元的故障诊断，结合前一节的监测数据指标，构建了风能冷库。元故障的智能故障诊断和预警模型为了验证算法的有效性和准确性，本文档选择风能存储单元的故障数据，并使用RStudio软件分析故障。用诊断。
　　果设备正常运行作为输出属性，则分析和处理数据，然后解析模型。2显示，对于冷风能量存储单元的正常运行，非OOB包装错误率为2.7％，这表明整体排名效果这个模型很弱。

　　想：随机森林的假阳性率随着决策树数量的增加而减少，然后收敛到较小的固定值。过对该组测试的8个数据的诊断和分析，预测是正确的，从而表明模型的诊断。果理想且可以知道：根据测试结果，第一，第四，第六，第八风力涡轮机冷库单元正常运行，第二，第三，第五和第七风力发电机组存储单元发布警告信息，必须立即采取相应的预防措施，以避免进一步的安全事故和经济损失。实际应用中，应尽可能收集风能储存单元的历史缺陷和正常数据，使模型尽可能地覆盖特征，并且每年可形成一次模型。个月，它可以及时更新，以不断提高模型的准确性。文分析了新型风能储能装置的常见缺陷，建立了风能储能装置的诊断预警模型，采用随机森林算法形成风能装置的历史数据。能储存和利用风能储存单元的缺陷。子的特征模式确定每个故障发生指标的阈值，基于设备的实时操作执行风能存储单元的在线诊断和预警，这为风能存储单元的故障监控提供了技术支持，从而降低了存储单元的维护效率。本，提高风冷存储单元的盈利能力。
　　本文转载自
　　冷库安装 https://www.iceage-china.com