CN104951851B - 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法 - Google Patents

Abstract

本发明公开了一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法，包括确定输入变量、回归支持向量机训练建模和预测阶段。标准支持向量机状态预测模型输入向量多、数据冗余、预测精度不佳、模型训练时间长等问题，本发明提出了一种基于灰关联‑回归支持向量机的风电机组状态预测模型建立方法，为保障机组安全运行、降低非计划停机次数提供坚实的技术支持对传统方法进行改进，将两种方法巧妙结合，建立了状态预测模型，以简单实用的方法实现了风力发电机组状态的预测，由于对各监测项目进行了灰关联度分析，筛选出了主因素，剔除掉不相关信息，因此本发明预测精度高、模型训练时间短、切实可行。

Description

一种基于灰关联回归支持向量机的风电机组状态预测模型建 立方法

技术领域

本发明涉及电网技术领域，具体涉及一种基于灰关联回归支持向量机的风电机组状态预测模型的建立方法，可用于对风电机组状态进行趋势预测。

背景技术

风力发电机组的状态预测是被国际电工技术委员会推荐的有效及时发现风电机组早期故障的重要手段。根据历史数据预测状态量未来的变化趋势，提前发现机组的潜伏性故障，监测机组的运行状况，对风电机组状态检修的合理安排具有重要的意义。

目前，针对状态预测的研究中，大多根据风电机组各子系统的不同特性以及监测项目的不同特征，从机组的温度量、速度、振动量、频谱、扭矩等方面进行预测[1-4]，从而及早的发现机组状态的异常。文献[5]建立寿命预测模型，将此应用于海上风力发电机组上，分别对不同元件的故障原理与预测方法进行分析。振动信号监测是应用较为成熟和广泛的技术，文献[6]利用谱峭度法研究振动信号中是否存在冲击信号，通过该方法来预测齿轮箱的行星齿轮是否存在潜在缺陷。文献[7]根据风电机组齿轮箱温度的监测数据建立温度趋势预测模型，通过校验实际运行状态数据与模型预测数据，得到残差分布特性，当残差均值或标准差置信区间超出设置阀值时发出预警。随着人工智能技术的崛起，传统预测方法与人工智能的结合为状态预测提供了新的思路。文献[8]通过三层反向传播神经网络(BackPropagation Neural Network,BPNN)对振动信号进行训练预测，该模型可对主轴故障、偏航故障以及叶片故障进行预测。文[9]则是采用自组织特征映射网络(Self-organizingFeature Map Network，SOFMN)将故障特征映射至一个特征空间，然后利用小波技术结合BPNN进行非线性分类，对风电机组的发电机、传动系统是否存在故障做出评判。

近年来，基于结构风险最小化原则的支持向量机(Support Vector Machine,SVM)理论，在风电机组状态预测领域中得到了大力推广并取得了一些成果[10-13]，特别是文献[14] 利用监控与数据采集(Supervisory Control and Data Acquisition，SCADA)系统的监测数据，通过数据挖掘手段，以有功功率反映机组状态建立风电机组支持向量机预测模型，对其状态进行实时评判。但是，标准支持向量机预测模型，对所有数据样本等同处理，输入向量多、数据繁杂冗余、不利于分析，造成预测精度差、分析时间长等问题；另一方面，目前的预测模型一般以单独某状态量或者全部的监测项目量作为模型输入，对各监测数据间的关联性及灰色性缺乏有效分析，而风电机组的运行状态受天气、电网运行情况、温度等多种因素的影响程度是不同的且非确定的，是一个复杂的非线性过程，上述方法显然会造成较大误差，导致预测精度无法达到工程需求。

灰色关联分析(Grey Relational Analysis，GRA)可分析灰色系统中各因素之间不确定关联程度，其基本思想是将灰色系统中各种因素之间的复杂关系转化为曲线间几何形状的比较，根据形状相似性来判断其联系的紧密性。因素曲线形状差异越大，它们之间的关联度就越小，反之则越大。利用GRA可以剔除与待测量不相关的因素，但传统方法中人为设置分辨系数为0.5，放大比较列中奇异值的影响作用，导致计算结果趋于平均化，同时减小关联度的分布区间，降低区分度；另一方面，传统GRA以各点灰关联系数的等权平均数作为灰关联度，但系统各序列在不同点的关联系数对于系统主行为序列的影响是不同的，这与实际工程应用不符。

提及的文献分别为：

[1]唐新安,谢志明,王哲,等.风力机齿轮箱故障诊断[J].噪声与振动控制,2007,1: 120-124.

Tang Xinan,Xie Zhiming,Wang Zhe,et al.Fault diagnosis of gearbox forwind turbine[J]. Noise and Vibration Control,2007,1:120-124.

[2]Watson S J,Xiang B J,Yang W,et al.Condition monitoring of thepower output of wind turbine generators using wavelets[J].Energy Conversion,IEEE Transactions on,2010, 25(3):715-721.

[3]Lu B,Li Y,Wu X,et al.A review of recent advances in wind turbinecondition monitoring and fault diagnosis[C]//Power Electronics and Machinesin Wind Applications, 2009.PEMWA 2009.IEEE.IEEE,2009:1-7.

[4]Liu W,Tang B,Jiang Y.Status and problems of wind turbinestructural health monitoring techniques in China[J].Renewable Energy,2010,35(7):1414-1418.

[5]Busca C.Modeling lifetime of high power IGBTs in wind powerapplications-An overview[C]//Industrial Electronics(ISIE),2011IEEEInternational Symposium on. IEEE,2011:1408-1413.

[6]Barszcz T,Randall R B.Application of spectral kurtosis fordetection of a tooth crack in the planetary gear of a wind turbine[J].Mechanical Systems and Signal Processing,2009, 23(4):1352-1365.

[7]郭鹏,杨锡运.风电机组齿轮箱温度趋势状态监测及分析方法[J].中国电机工程学报,2011,31(32):129-136.

Guo Peng,David Infield,Yang Xiyun.Wind turbine gearbox conditionmonitoring using temperature trend analysis[J].Proceedings of the CSEE,2011,31(32):129-136.

[8]An X,Jiang D,Li S.Application of back propagation neural networkto fault diagnosis of direct-drive wind turbine[C]//World Non-Grid-ConnectedWind Power and Energy Conference(WNWEC),2010.IEEE,2010:1-5.

[9]庄哲民,殷国华,李芬兰,等.基于小波神经网络的风力发电机故障诊断[J].电工技术学报,2009,24(4):224-228.

Zhuang Zhemin,Yin Guohua,Li Fenlan,et al.Fault diagnosis of windpower generation based on wavelet neural network[J].Transactions of ChinaElectrotechnical Society,2009, 24(4):224-228.

[10]茆美琴,曹雨,周松林.基于误差叠加修正的改进短期风电功率预测方法[J].电力系统自动化,2013,37(23):34-38.

Mao Meiqin,Cao Yu,Zhou Songlin.Improved short-term wind powerforecasting method based on accumulative error correction[J].Automation ofElectric Power Systems, 2013,37(23):34-38.

[11]赵洪山,胡庆春,李志为.基于统计过程控制的风机齿轮箱故障预测[J].电力系统保护与控制,2012,40(13):67-73.

Zhao Hongshan,Hu Qingchun,Li Zhiwei.Failure prediction of windturbine gearbox based on statistical process control[J].Power SystemProtection and Control,2012, 40(13):67-73.

[12]米增强,苏勋文,余洋,等.双馈机组风电场动态等效模型研究[J].电力系统自动化, 2010,34(17):72-77.

Mi Zengqiang,Su Xunwen,Yu Yang,et al.Study on dynamic equivalencemodel of wind farms with wind turbine driven double fed induction generator[J].Automation of Electric Power Systems,2010,34(17):72-77.

[13]李辉,杨超,李学伟,等.风机电动变桨系统状态特征参量挖掘及异常识别[J].中国电机工程学报,2014,34(12):1922-1930.

Li Hui,Yang Chao,Li Xuewei,et al.Conditions characteristic parametersmining and outlier identification for electric pitch system of wind turbine[J].Proceedings of the CSEE,2014,34(12):1922-1930.

[14]梁颖,方瑞明.基于SCADA和支持向量回归的风电机组状态在线评估方法[J].电力系统自动化,2013,37(14):7-31.

Liang Ying,Fang Ruiming.An online wind turbine condition assessmentmethod based on SCADAand support vector regression[J].Automation of ElectricPower Systems, 2013,37(14):7-31.

发明内容

发明的目的在于克服现有技术之不足，提供一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法，克服标准支持向量机状态预测模型输入向量多、数据冗余、预测精度不佳、模型训练时间长等问题，提出了一种基于灰关联-回归支持向量机的风电机组状态预测模型建立方法，为保障机组安全运行、降低非计划停机次数提供坚实的技术支持。

本发明解决其技术问题所采用的技术方案是：提供一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法，包括：确定输入变量、回归支持向量机训练建模和预测阶段；

所述确定输入变量的步骤为：

A1、通过风电厂SCADA系统收集待预测机组的历史数据；

A2、选定需要预测的一项状态量作为参考序列，即输出量；其余的监测项目则作为比较序列，即输入量；

A3、计算所有比较序列与参考序列的关联系数和关联度；

A4、将关联度按照由大到小的顺序排列，挑选出关联度较大的监测项目作为预测最终输入量；

所述回归支持向量机训练建模的步骤为：

B1、根据选出的关联度较大的监测项目，对原始数据进行处理，选取适当长度的数据序列用于建立支持向量机预测模型；

B2、确定核函数、设定参数，进行回归预测；将选定的最终输入量和输出量录入支持向量机预测模型中进行训练；

B3、判断训练样本序列是否预测完成；如果是则进入步骤B4，如果否则转入步骤B2；

B4、建立带权重的灰色回归支持向量机模型；

所述预测阶段的步骤为：

C1、利用灰色回归支持向量机模型对测试样本进行预测；

C2、比较预测数据与实际数据并输出预测结果；

C3、计算预测误差。

优选的，所述步骤A1中的通过风电厂SCADA系统收集待预测机组的历史数据包括横向纵向振动和/或叶轮转速和/或有功功率。

优选的，对所述步骤A1中的通过风电厂SCADA系统收集待预测机组的历史数据进行预处理，确保所选样本的前半个月内没有发生非计划性停机，并选择风速属于3m/s～21m/s范围内、风电机组的有功功率范围在0kW～1600kW范围内的数据，并对数据进行归一化处理。

优选的，设参考序列为

x₀＝{x₀(i)|i＝1,2,…,n}

比较序列为

x_k＝{x_k(i)|i＝1,2,…,n}，k＝1,2,…,m

m为比较序列的个数，记x0与xk的第i项关联系数为ε0k(i)，则

上式中：ρ为分辨系数，传统GRA中取ρ＝0.5；

△_0k(i)＝|x₀(i)-x_k(i)|

A、确定动态分辨系数ρ(i)

a)当△max>3△ν(i)时，有

ε△(i)<ρ(i)<1.5ε△(i)，

此时观测序列有异常值，为了抑制△max对关联度的支配作用，应增大差异信息熵，根据函数的单调性可知，此时应选取右边极限，即ρ(i)＝1.5ε△(i)；

b)当2△ν(i)≤△max≤3△ν(i)时，有

1.5ε△(i)≤ρ(i)≤2ε△(i)，

此时观测序列较平稳，为了增大序列的分辨度，更好的体现关联度的整体性，应减小差异信息熵，根据函数单调性知，此时应选取左半边极限，即ρ(i)＝1.5ε△(i)；

c)当0<△max<2△ν(i)时，有

ρ(i)∈[0.8，1]，

同样的，这时候的观测序列较为平稳，因此应选取左半边极限，即ρ(i)＝0.8。

利用ρ(i)重新计算关联系数，新的关联系数为ε’0k(i)。

B、确定权重系数

权重向量Wk的计算公式为：

W_k＝E^-1b

式中，b＝[0 0…1]T

则，改进后的灰色关联分析模型的关联度计算公式为：

优选的，所述步骤B2采用径向基函数作为核函数，核宽参数δ以及惩罚系数C选用网格法参数寻优和十折交叉验证，管道宽度取为ε＝0.1。

本发明的有益效果是：对传统方法进行改进，将两种方法巧妙结合，建立了状态预测模型，以简单实用的方法实现了风力发电机组状态的预测，由于对各监测项目进行了灰关联度分析，筛选出了主因素，剔除掉不相关信息，因此本发明预测精度高、模型训练时间短、切实可行。

以下结合附图及实施例对本发明作进一步详细说明；但本发明的一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法不局限于实施例。

附图说明

图1为回归支持向量机预测模型建模流程。

图2为基于改进灰色回归支持向量机的风电机组状态预测流程图。

图3为风电机组SCADA系统连续量监测项目。

图4为实施例中连续监测项目与有功功率的灰关联度值。

图5为实施例中训练样本和测试样本与实际值对比。

图6为实施例中原始SVR模型预测结果。

图7为实施例中故障前40分钟有功功率的预测值和实际值对比。

具体实施方式

实施例1

参见图1和图2所示，本发明的一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法，包括：确定输入变量、回归支持向量机训练建模和预测阶段；

所述确定输入变量的步骤为：

A1、通过风电厂SCADA系统收集待预测机组的历史数据；

A2、选定需要预测的一项状态量作为参考序列，即输出量；其余的监测项目则作为比较序列，即输入量；

A3、计算所有比较序列与参考序列的关联系数和关联度；

A4、将关联度按照由大到小的顺序排列，挑选出关联度较大的监测项目作为预测最终输入量；

所述回归支持向量机训练建模的步骤为：

B1、根据选出的关联度较大的监测项目，对原始数据进行处理，选取适当长度的数据序列用于建立支持向量机预测模型；

B2、确定核函数、设定参数，进行回归预测；将选定的最终输入量和输出量录入支持向量机预测模型中进行训练；

B3、判断训练样本序列是否预测完成；如果是则进入步骤B4，如果否则转入步骤B2；

B4、建立带权重的灰色回归支持向量机模型；

所述预测阶段的步骤为：

C1、利用灰色回归支持向量机模型对测试样本进行预测；

C2、比较预测数据与实际数据并输出预测结果；

C3、计算预测误差。

优选的，所述步骤A1中的通过风电厂SCADA系统收集待预测机组的历史数据包括横向纵向振动和/或叶轮转速和/或有功功率。

优选的，对所述步骤A1中的通过风电厂SCADA系统收集待预测机组的历史数据进行预处理，确保所选样本的前半个月内没有发生非计划性停机，并选择风速属于3m/s～21m/s范围内、风电机组的有功功率范围在0kW～1600kW范围内的数据，并对数据进行归一化处理。

优选的，设参考序列为

x₀＝{x₀(i)|i＝1,2,…,n}

比较序列为

x_k＝{x_k(i)|i＝1,2,…,n}，k＝1,2,…,m

m为比较序列的个数，记x0与xk的第i项关联系数为ε0k(i)，则

上式中：ρ为分辨系数，传统GRA中取ρ＝0.5；

△_0k(i)＝|x₀(i)-x_k(i)|

A、确定动态分辨系数ρ(i)

a)当△max>3△ν(i)时，有

ε△(i)<ρ(i)<1.5ε△(i)，

此时观测序列有异常值，为了抑制△max对关联度的支配作用，应增大差异信息熵，根据函数的单调性可知，此时应选取右边极限，即ρ(i)＝1.5ε△(i)；

b)当2△ν(i)≤△max≤3△ν(i)时，有

1.5ε△(i)≤ρ(i)≤2ε△(i)，

此时观测序列较平稳，为了增大序列的分辨度，更好的体现关联度的整体性，应减小差异信息熵，根据函数单调性知，此时应选取左半边极限，即ρ(i)＝1.5ε△(i)；

c)当0<△max<2△ν(i)时，有

ρ(i)∈[0.8，1]，

同样的，这时候的观测序列较为平稳，因此应选取左半边极限，即ρ(i)＝0.8。

利用ρ(i)重新计算关联系数，新的关联系数为ε’0k(i)。

B、确定权重系数

权重向量Wk的计算公式为：

W_k＝E^-1b

式中，b＝[0 0…1]T

则，改进后的灰色关联分析模型的关联度计算公式为：

优选的，所述步骤B2采用径向基函数作为核函数，核宽参数δ以及惩罚系数C选用网格法参数寻优和十折交叉验证，管道宽度取为ε＝0.1。

实施例2

本实施例中以东北某风电场单台机组2012年3月16日至4月15日安全运行一个月的 SCADA历史记录为数据来源，该系统的连续量监测项目共44项，采样频率为1次/min。

(1)数据预处理

采样时间段内的样本总数为44600×44组，对这些数据进行预处理，方法如下：

a)机组故障时其状态及相关的参数会发生较大波动，对预测产生影响，因此为了避免风电机组故障数据对模型建立的影响，应确保所选样本的前半个月内没有发生非计划性停机；

b)风力发电机组的状态与风速有着不可分割的联系，风速过低时叶轮转速不稳定导致机组的运行状态也不平稳，而风速过大时则需考虑机组的限功率，因此本文的样本选择选择风速属于[3m/s，21m/s]范围内的，去除超过这一范围的数据，剩下的样本共计28100×44 组；

c)风电机组的有功功率范围在[0kW，1600kW]，因此剔除有功功率为0的样本。以10min 为间隔，将一天1440条记录约简为一天144条记录，同时为了体现随机性，选取的数据均是10条记录中的任意一个；

d)选定训练样本以及测试样本，这里随机选取三天的记录作为模型的训练样本，第四天的数据作为测试样本；

e)为提高预测精度，消除数据级差带来的影响，对样本数据进行归一化处理。

(2)输入输出量的确定

风电机组SCADA系统的44项连续量监测项目参见图3。

风电机组的整体运行状态可以由有功功率来反应，因此本实施例中选定“有功功率”作为输出量。

对于输入量的选定，将所选样本随机分为3个组别，利用改进灰关联度分析法计算43 个连续监测项目与“有功功率”的灰关联度(分析结果参见图4)。将关联度值按从大至小的顺序排列，选取与输出量“有功功率”存在高关联性的22个连续监测项目作为预测模型的输入量。

(3)风电机组有功功率的灰色回归支持向量机模型(GR-SVR)预测

训练样本和测试样本的预测值与有功功率实际值的对比图见图5，表1为训练样本和测试样本的相关系数、平均相对误差以及相对均方根误差。

表1 训练样本与测试样本的预测误差

(4)GR-SVR预测模型的优越性分析

原始SVR模型的预测结果见图6，图中虚线圆圈标出的是标准向量机模型(SVR)与灰色回归支持向量机模型(GR-SVR)模型相比，误差较大的点。

表2中列出的是预测数据中随机抽样的对比结果以及预测数据的整体精度对比，同时给出了模型所需的训练时间。

表2 测试数据的预测结果对比

从表2中数据可知：①两种预测模型的平均相对误差都低于5％，满足工程预测的精度要求；②分别比较SVR和GR-SVR模型，可以发现，对于同样的输入样本，GR-SVR模型输出的预测数据误差比SVR模型的预测数据误差降低了近1％，这是因为利用灰色关联法分析监测项目与有功功率之间的相关性，选取能够及时准确反映有功功率变化的项目，提高了预测的鲁棒性和泛化能力，因此本文所建立的模型较原始SVR模型精度高；③从训练时间来看，由于GR-SVR模型采用了灰关联度算法，筛选出了强关联的监测项目，剔除低关联和无关联监测项目，减少了输入量的个数，有效解决数据冗余和输入量繁多的问题，因此大大缩短了模型训练所需的时间。

根据大量实验分析，当样本数量不断增长，原始SVR所需的训练时间呈指数增长的趋势，即很小样本数据量的增长将导致训练时间的很大增长。尤其是对于风电场来说，需要用较长一段时间的时间序列样本去预测后续的风电机组状态趋势，则所需的时间会更长，因此本文所提出的用灰关联度来减少输入量个数的方法从而缩短训练时间显得尤为重要。在预测精度不变甚至提高的基础上，大大减少训练时间，GR-SVR模型具有明显的优越性。

(5)GR-SVR预测模型的可行性说明

选取该风电机组的一次因变桨故障引起机组非计划停机前40分钟内的SCADA系统监测数据作为模型的样本。根据SCADA系统的记录，该故障发生前，机组所有的监测数据均显示正常，未显示出任何存在潜伏故障的征兆。

故障前40分钟的有功功率GR-SVR预测值和实际值的比较见图7。

我们可以清楚地看到，故障前40个样本的实际值与预测值的吻合度并不高，有一部分点的实际值远离预测值；另外从绝对误差曲线来看，这些样本的误差均较大且波动幅度大，尤其是第13个样本，绝对误差已经接近100，而相对误差有47.01％，图中用黑色虚线圆圈圈出。经误差数值分析表明，这些样本的平均相对误差高达15.96％，均方误差也达到了 0.366，这远远超出了可接受范围。在故障点，即图中的第41个数据点，预测数值为809.3kW，而实际数据仅有-2kW，这表明机组已存在严重故障。

根据本文所建立GR-SVR预测模型的精度来看，所有的预测值与实际值之间的相对误差均不应超过5％。而这40个样本中，有14个样本的相对误差高于10％，特别地从第13点开始，持续出现4个高偏差，这说明机组的运行状态已经偏离原先的预测状态，处于异常运行状态。维护人员经比对分析，可在故障发生的27分钟前发现机组中存在可能造成非计划停机的潜伏缺陷，从而加强监测力度。

上述实施例仅用来进一步说明本发明的一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法，但本发明并不局限于实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。

Claims (4)

1.一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法，其特征在于，包括：确定输入变量、回归支持向量机训练建模和预测阶段；

所述确定输入变量的步骤为：

A1、通过风电厂SCADA系统收集待预测机组的历史数据；

A2、选定需要预测的一项状态量作为参考序列，即输出量；其余的监测项目则作为比较序列，即输入量；

A3、计算所有比较序列与参考序列的关联系数和关联度；

A4、将关联度按照由大到小的顺序排列，挑选出关联度较大的监测项目作为预测最终输入量；

所述回归支持向量机训练建模的步骤为：

B1、根据选出的关联度较大的监测项目，对原始数据进行处理，选取适当长度的数据序列用于建立支持向量机预测模型；

B2、确定核函数、设定参数，进行回归预测；将选定的最终输入量和输出量录入支持向量机预测模型中进行训练；

B3、判断训练样本序列是否预测完成；如果是则进入步骤B4，如果否则转入步骤B2；

B4、建立带权重的灰色回归支持向量机模型；

所述预测阶段的步骤为：

C1、利用灰色回归支持向量机模型对测试样本进行预测；

C2、比较预测数据与实际数据并输出预测结果；

C3、计算预测误差；

设参考序列为

x₀＝{x₀(i)|i＝1,2,…,n}

比较序列为

x_k＝{x_k(i)|i＝1,2,…,n}，k＝1,2,…,m

m为比较序列的个数，记x0与xk的第i项关联系数为ε0k(i)，则

上式中：ρ为分辨系数，传统GRA中取ρ＝0.5；

△_0k(i)＝|x₀(i)-x_k(i)|

A、确定动态分辨系数ρ(i)

a)当△max>3△ν(i)时，有

ε△(i)<ρ(i)<1.5ε△(i)，

此时观测序列有异常值，为了抑制△max对关联度的支配作用，应增大差异信息熵，根据函数的单调性可知，此时应选取右边极限，即ρ(i)＝1.5ε△(i)；

b)当2△ν(i)≤△max≤3△ν(i)时，有

1.5ε△(i)≤ρ(i)≤2ε△(i)，

此时观测序列较平稳，为了增大序列的分辨度，更好的体现关联度的整体性，应减小差异信息熵，根据函数单调性知，此时应选取左半边极限，即ρ(i)＝1.5ε△(i)；

c)当0<△max<2△ν(i)时，有

ρ(i)∈[0.8，1]，

同样的，这时候的观测序列较为平稳，因此应选取左半边极限，即ρ(i)＝0.8；

利用ρ(i)重新计算关联系数，新的关联系数为ε’0k(i)；

B、确定权重系数

权重向量Wk的计算公式为：

W_k＝E^-1b

式中，b＝[0 0 … 1]T

则，改进后的灰色关联分析模型的关联度计算公式为：

2.根据权利要求1所述的一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法，其特征在于：所述步骤A1中的通过风电厂SCADA系统收集待预测机组的历史数据包括横向纵向振动和/或叶轮转速和/或有功功率。

3.根据权利要求1或2所述的一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法，其特征在于：对所述步骤A1中的通过风电厂SCADA系统收集待预测机组的历史数据进行预处理，确保所选样本的前半个月内没有发生非计划性停机，并选择风速属于3m/s～21m/s范围内、风电机组的有功功率范围在0kW～1600kW范围内的数据，并对数据进行归一化处理。

4.根据权利要求1所述的一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法，其特征在于：所述步骤B2采用径向基函数作为核函数，核宽参数δ以及惩罚系数C选用网格法参数寻优和十折交叉验证，管道宽度取为ε＝0.1。