CN107609574A - 基于数据挖掘的风电机组故障预警方法 - Google Patents

Abstract

本发明涉及一种基于数据挖掘的风电机组故障预警方法，通过采用基于最大权重最小冗余的方法选择故障特征信号并对其降维，既保证了决策精度，又减少了数据处理的计算量；同时又依靠SCADA（数据采集与监视控制系统）系统的历史数据，建立了风电机组各个设备部件的预警模型，采用非线性状态估计技术，得到各个设备和部件的实时预测值。再此基础上，设计自适应阈值，避免了由于环境温度和风速变化等干扰而造成系统误报警。本方法可以在故障发生之前识别异常状态，以便及时采取相应的措施，从而进行预防检修，具有重要的实际应用价值。

Description

基于数据挖掘的风电机组故障预警方法

技术领域

本发明涉及一种电力预警方法，特别涉及一种基于数据挖掘的风电机组故障预警方法。

背景技术

长期以来，风电机组一直采用“计划检修”和“事后维修”的模式。由于缺乏对机组运行状态准确的判断和健康分析，按照一定的运行周期对机组实施维护，这就造成了一些不必要的维护，增加了运行维护成本。而故障发生后再进行维修，故障可能已经造成设备及器件的损坏，器件的更换或维修不但花费人力、物力和财力，而且需要较长的维修时间，不利用提高机组利用率，影响机组经济、高效运行。

虽然现在国内外针对大型复杂系统的预警方案提出了众多研究方案，虽然国内外提出了各种不同的方案，但大多数是基于恒定单一阈值预警或基于某一单参数划分工况。这样的预警方案存在一定的缺陷，举例来讲，对于变桨角度故障设定单一阈值，未考虑到突来阵风的影响，提出报警但实际并未引起故障；对于电机、轴承、齿轮箱温度故障来讲，设定单一阈值预警限，未考虑到环境温度和风速对电机、轴承、齿轮箱运行温度的影响，而出现误报警率高等问题。由于存在各种问题，导致无法合理预警故障信息，不利于机组的稳定运行。

发明内容

本发明是针对大型复杂系统的预警方案存在的问题，提出了一种基于数据挖掘的风电机组故障预警方法，合理预警各个故障信息。

本发明的技术方案为：一种基于数据挖掘的风电机组故障预警方法，具体包括如下步骤：

1)故障特征的选择与降维：用A个样本，每个样本包含有B个故障特征的数据集建立A×B的矩阵数据，对每个故障特征向量利用矩阵数据进行Relief加权特征选择算法进行特征权重计算，去除对分类无效的特征，保留分类能力较强的特征，用剩余的有效特征组成特征向量进行分类，实现故障特征的降维；

2)故障预警模型建立：首先，根据步骤1)确定好设备的特征参数后，在历史数据的基础上，利用基于相似性原理的非线性状态估计方法，建立该设备的故障预警模型；然后任选一时刻描述该设备的状态向量X_obs输入故障预警模型，得到模型输入与输出的残差ε，进行最小化该残差处理，确定模型中对应的权值向量W，建立非参数定性模型；

3)利用预警残差确定设备预警阈值：预警残差是系统的实际输出与故障预警模型估计输出的差值，根据各个设备属性以及正常时预警残差来设定设备预警阈值；

4)当某个特征的预警残差估计值大于预警阈值时，则产生故障预警；当某个特征的预警残差估计值小于等于预警系统的阈值时，则不产生故障预警。

所述步骤2)中具体步骤如下：

在t时刻描述该设备的状态向量X_obs(t)为：

X_obs(t)＝[X(1)X(2)...X(n)]^T (3)

经过模型计算的预测向量为X_est，对输入到模型的任意一组状态向量X_obs，模型对应生成一个m维的权值向量W：

W＝[w₁w₂…w_m]^T (4)

X_est＝DW＝w₁X(1)+w₂X(2)+…+w_mX(m) (5)

(5)式中D为历史状态矩阵，其形式为:

权值向量W通过计算确定，

ε为模型输入与输出的残差，最小化该残差：

ε＝X_obs-X_est (7)

X_obs(i)代表该向量的第i个元素；

将S(w)分别对权值向量W求偏导并令其等于0，得

将式(9)化简得：

将(10)式中的m个方程组写出矩阵形式即：

D^TDW＝D^TX_obs (11)

W＝(D^TD)^-1D^TX_obs (12)

带入(5)式得：

X_est＝DW＝D(D^TD)^-1D^TX_obs (13)

如果只需要对状态向量中某一个变量进行计算,那么只需取历史状态矩阵的对应行数据与权值向量进行相乘，即：

X_est＝[X_i(1)X_i(2)...X_i(m)]W＝[X_i(1)X_i(2)...X_i(m)](D^TD)^-1D^TX_obs

(14)

状态向量中任一变量的预测值是将历史状态矩阵中该变量的m个历史状态变量值乘以相似度权值累加而来，在权值W的计算过程中，为方便计算相似性程度将D^TD和D^TX_obs点乘更换为欧式距离运算。

本发明的有益效果在于：本发明基于数据挖掘的风电机组故障预警方法，可以在故障发生之前识别异常状态，以便及时采取相应的措施，从而进行预防检修，具有重要的实际应用价值。通过采用基于最大权重最小冗余的方法选择故障特征信号并对其降维，既保证了决策精度，又减少了数据处理的计算量；同时又依靠SCADA(数据采集与监视控制系统)系统的历史数据，建立了风电机组各个设备部件的预警模型，采用非线性状态估计技术，得到各个设备和部件的实时预测值。再此基础上，设计自适应阈值，避免了由于环境温度和风速变化等干扰而造成系统误报警。

附图说明

图1为本发明基于RELIEF算法的特征权重计算流程图。

具体实施方式

本发明基于数据挖掘的风电机组故障预警方法包括以下步骤：

1、故障特征的选择与降维：

在风机的运行过程中，每一种故障都会具有许多故障特征参数，如果将所有的特征参数都用于故障诊断会导致计算量按指数级增长，并且，由于众多特征中存在很多冗余的，与分类不相关的甚至会对分类产生干扰的特征，识别效率反而会下降。因此有必要对原始特征的分类能力进行评价，选择出分类能力强的特征，剔除无效的特征，以降低特征向量的维数，从而简化分类器的设计。

为此，本方法采用基于最大权重特征选择方法来选择特征。Relief加权特征选择算法对原始特征向量进行特征权重计算，去除对分类无效的特征，保留分类能力较强的特征，用剩余的有效特征组成特征向量进行分类，实现故障特征的降维。

如图1所示基于RELIEF算法的特征权重计算流程图，Relief算法具体实现步骤如下:

设维数为A×B的矩阵data中存放A个样本，每个样本有B个特征。其第a行存放了要训练的第a个样本中的B个特征；第b列存放了要训练的第b个特征的A个样本。对于样本的各维特征赋予权值初值w_b＝0,b＝1,2,…,B，接下来对第b个特征进行样本训练：

①共训练A个样本，a从1到A进行循环；

②每个样本有B个特征，b从1到B进行循环；

③迭代权值。

迭代公式如下：

代表训练a个样本后的第b个特征的权值，代表训练a+1个样本的第b个特征的权值,这是一个通过样本训练不断迭代的过程,其中x_a代表第a个样本值，Y代表与抽取的样本x_a同类的样本集合，S代表与样本x_a不同类的样本集合，H(x_a)和M(x_a)分别代表与x_a同类和非同类的最近邻点；

2、故障预警模型建立：

确定好设备的特征参数后，就能够以此来建立该设备的故障预警模型。基于相似性原理的非线性状态估计方法(NSET)是应用较为广泛的一种建模方法。通过比对当前数据与存储的系统运行过程状态的相似程度，即监测这些多维信号之间的相似度进行系统运行状态估计。通过对于系统状态的正常模式提取，从历史数据中挖掘出系统各观测变量之间的关系，以建立非参数定性模型，属于高级模式识别技术中的一种。然后通过模型中系统状态的正常模式进行加权组合计算出系统的状态估计，权重一般通过模式间的相似度来确定。

假设一个设备在其运行过程中，代表其运行状态有n个相互关联的测点，那么在某一时刻t观测到的n个数据即为这一时刻描述该设备的状态向量X_obs，在t时刻描述该设备的状态向量X_obs(t)为：

X_obs(t)＝[X(1)X(2)...X(n)]^T (3)

经过模型计算的预测向量为X_est，代表模型在这一个时刻给出的设备状态预估值。对输入到模型的任意一组状态向量X_obs，模型都能对应生成一个m维的权值向量W：

W＝[w₁w₂…w_m]^T (4)

X_est＝DW＝w₁X(1)+w₂X(2)+…+w_mX(m) (5)

(5)式中D为历史状态矩阵。历史状态矩阵中每一列状态向量都代表设备在过去某一时刻的正常状态，经过合理选择历史状态矩阵就能够描述出该设备在不同工况不同环境下正常运行的状态过程。所以构造历史状态矩阵的本质就是用正常数据来描述设备的运行特性。其形式为:

权值向量W通过计算确定。ε为模型输入与输出的残差，最小化该残差：

ε＝X_obs-X_est (7)

X_obs(i)代表该向量的第i个元素。

将S(w)分别对权值向量W求偏导并令其等于0，得

将式(9)化简得：

将(10)式中的m个方程组写出矩阵形式即：

D^TDW＝D^TX_obs (11)

W＝(D^TD)^-1D^TX_obs (12)

带入(5)式得：

X_est＝DW＝D(D^TD)^-1D^TX_obs (13)

如果只需要对状态向量中某一个变量进行计算,那么只需取历史状态矩阵的对应行数据与权值向量进行相乘，即：

X_est＝[X_i(1)X_i(2)...X_i(m)]W＝[X_i(1)X_i(2)...X_i(m)](D^TD)^-1D^TX_obs

(14)

由上式可知，状态向量中任一变量的预测值是将历史状态矩阵中该变量的m个历史状态变量值乘以相似度权值累加而来。在权值W的计算过程中，为方便计算相似性程度将D^TD和D^TX_obs点乘更换为欧式距离运算。模型输入的状态向量是在机组设备运行过程状态下得到的，而历史状态矩阵涵盖了机组设备在所有工况下的正常状态。所以输入状态向量会与历史状态矩阵中一些历史状态向量类似，而这些类似的状态向量经过上述计算处理就可以给出精确度较高的输出预测值。欧式距离运算公式如下：

其中x_i代表X中的第i个数据，y_i代表Y中第i个数据；X为计算欧式距离的第一个n维数据集，Y为第二个n维数据集。

3阈值设计

预警残差是系统的实际输出与确定后故障预警模型输出的差值，反映实际系统与系统数学模型之间不一致程度的一个量，其表达式为:

式中：为某个特征向量的实际值，为该特征向量的模型预估值。

然后根据各个设备的属性以及参考历史正常状态得实际值和模型估计值之间得偏差来设定设备阈值。

由此可得到故障预警的决策逻辑为：

当某个特征的预警残差估计值大于预警系统的阈值时，则产生故障预警；当某个特征的预警残差估计值小于等于预警系统的阈值时，则不产生故障预警。

下面以风电机组的变桨系统为例，简单介绍其故障预警方法的具体流程：

1故障原始样本的获取

为了对变桨系统进行监测、保护及故障诊断，需要对电动变桨系统的各个组成部件的运行参数进行监测，包括变桨电机的运行参数、变桨变频器的运行参数、后备电源的运行参数等。

变桨系统的运行状态不仅与风况相关，而且与机组运行参数如发电机转速、有功功率等密切相关。表1以某公司2MW双馈风电机组为例，详细介绍了机组SCADA系统监测及存储的变桨系统相关运行参数。

表1

根据某公司风电机组在2009年3月到2010年2月期间的运行数据及6个月的故障信息、后6个月的故障信息，构建了两个训练样本集。训练样本集一根据机组在2009年3月至2009年8月这6个月运行数据及变桨系统故障信息；训练样本集二根据机组在2009年9月至2010年3月这6个月的运行数据集变桨系统故障信息。训练样本集一包含1100个运行时刻点，其中故障数据集500个时刻点，正常数据集600个时刻点；训练样本集二同样包含1100个运行时刻点，其中故障数据集500个时刻点，正常数据集600个时刻点。每个运行时刻包含表1中列出的32个运行参数。

2原始特征向量的降维

根据上面所构建的变桨系统故障特征选择的训练样本集，利用Relief算法，对变桨系统故障特征参数进行选择。基于Relief算法的变桨系统故障特征参数权重计算流程如图1所示。

根据之前构建的1号训练样本和2号训练训练样本，按图1的计算流程，得到风电机组变桨系统故障特征参数的选择结果，如表2所示。

表2

由上表可知采用两个不同的训练样本集对变桨系统系统故障特征参数进行权重计算时，得到的每个特征的权重值有所差异。但是，1#叶片桨距角、2#叶片桨距角、3#叶片桨距角、1#叶片驱动电流、2#叶片驱动电流、3#叶片驱动电流、发电机转速、1#叶片IGBT温度、2#叶片IGBT温度、3#叶片IGBT温度等10个运行参数的权重排名都在前面。对样本集一，这10个运行参数的权重之和达到了0.872；对于样本集二，这10个运行参数的权重之和为0.875。这说明由桨距角、叶片驱动电流、发电机转速和叶片IGBT温度这四类运行参数对变桨系统的故障反映比较灵敏。对变桨系统进行运行状态评估、及异常识别时，应重点考虑前10个运行参数。

3故障预警

在故障发生以前，系统相关参数会发生变化，系统偏离正常运行状态，开始进入异常运行状态，如果没有采取相应措施系统发生故障。对系统早期的状态运行参数进行监测分析，检测系统异常运行状态，可以避免故障的发生。

风电机组的变桨系统是一个复杂的机电系统，相关运行参数较多，并且一些参数间存在较高的相关性。为了准确判断变桨系统运行状态，及时识别异常情况，首先必须构建变桨系统的观测向量。

根据原始特征向量的降维选择的变桨系统故障特征参数建立变桨系统观测向量A,其中观测向量A的维数及各维所表示的运行参数意义如下所示。

(1)构造记忆矩阵

在不同风速范围内，变桨系统处于不同的运行状态。在不同运行状态下，观测向量中的运行参数存在变化。为了使观测向量在变桨系统全工况正常范围内有较好的预测精度，按下面原则构建状态矩阵：(1)在从切入风速到切出风速范围内，变桨系统处于不同运行状态下的正常运行数据；(2)由于每个测点并不相同，传感器采集频率也有差别，所以要保证每个测点历史数据的同时性。表3列出了记忆矩阵D的一部分数据。

表3

(2)计算预测值

在2010年3月21日06：49，风电机组SCADA系统报出故障：#3变桨目标变桨位置与实际变桨位置相差大于0.1°。通过查询机组运行数据得到机组在2010年3月21日06：49发生故障前一段时间的运行数据以及故障时的运行数据，组成如下输入向量矩阵。

由下述公式计算实际向量A_obs的模型预测向量值，

(3)计算偏差并设置阈值

参考公式16，利用模型产生得估计值和实际值计算出相关测点得偏差，可以发现，除#3变桨角度偏差显著增大外，#3变桨驱动电流也在故障前发生了较大得变化，因此将叶片驱动电流也进行实时跟踪，如下表4所示相关测点偏差表：

表4

从上表可知，正常情况下，参考#1，#2叶片驱动电流偏差不超过1A，因此可以将偏差阈值设为1A。由此在06：47时，#3叶片驱动电流偏差值大于1A，系统发生预警，比SCADA系统报出故障提前2分钟，完全可以避免事态进一步恶化，造成机组紧急停机。

Claims (2)

1.一种基于数据挖掘的风电机组故障预警方法，其特征在于，具体包括如下步骤：

1)故障特征的选择与降维：用A个样本，每个样本包含有B个故障特征的数据集建立A×B的矩阵数据，对每个故障特征向量利用矩阵数据进行Relief加权特征选择算法进行特征权重计算，去除对分类无效的特征，保留分类能力较强的特征，用剩余的有效特征组成特征向量进行分类，实现故障特征的降维；

2)故障预警模型建立：首先，根据步骤1)确定好设备的特征参数后，在历史数据的基础上，利用基于相似性原理的非线性状态估计方法，建立该设备的故障预警模型；然后任选一时刻描述该设备的状态向量X_obs输入故障预警模型，得到模型输入与输出的残差ε，进行最小化该残差处理，确定模型中对应的权值向量W，建立非参数定性模型；

3)利用预警残差确定设备预警阈值：预警残差是系统的实际输出与故障预警模型估计输出的差值，根据各个设备属性以及正常时预警残差来设定设备预警阈值；

4)当某个特征的预警残差估计值大于预警阈值时，则产生故障预警；当某个特征的预警残差估计值小于等于预警系统的阈值时，则不产生故障预警。

2.根据权利要求1所述基于数据挖掘的风电机组故障预警方法，其特征在于，所述步骤2)中具体步骤如下：

在t时刻描述该设备的状态向量X_obs(t)为：

X_obs(t)＝[X(1)X(2)...X(n)]^T (3)

经过模型计算的预测向量为X_est，对输入到模型的任意一组状态向量X_obs，模型对应生成一个m维的权值向量W：

W＝[w₁w₂…w_m]^T (4)

X_est＝DW＝w₁X(1)+w₂X(2)+…+w_mX(m) (5)

(5)式中D为历史状态矩阵，其形式为:

权值向量W通过计算确定，

ε为模型输入与输出的残差，最小化该残差：

ε＝X_obs-X_est (7)

<mrow> <mtable> <mtr> <mtd> <mrow> <mi>S</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msubsup> <mi>&amp;epsiv;</mi> <mi>i</mi> <mn>2</mn> </msubsup> <mo>=</mo> <msup> <mi>&amp;epsiv;</mi> <mi>T</mi> </msup> <mi>&amp;epsiv;</mi> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>Xl</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>s</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>X</mi> <mrow> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>s</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>X</mi> <mrow> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>s</mi> </mrow> </msub> <mo>-</mo> <mi>D</mi> <mi>W</mi> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mo>(</mo> <msub> <mi>X</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>s</mi> </mrow> </msub> <mo>-</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>D</mi> <mi>W</mi> <mo>)</mo> <mo>=</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>s</mi> </mrow> </msub> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <msub> <mi>w</mi> <mi>j</mi> </msub> <msub> <mi>D</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>

X_obs(i)代表该向量的第i个元素；

将S(w)分别对权值向量W求偏导并令其等于0，得

<mrow> <mo>-</mo> <mn>2</mn> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>s</mi> </mrow> </msub> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <msub> <mi>w</mi> <mi>j</mi> </msub> <msub> <mi>D</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>D</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mn>0</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>

将式(9)化简得：

<mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>X</mi> <mrow> <mi>o</mi> <mi>b</mi> <mi>s</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <msub> <mi>D</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>=</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <msub> <mi>w</mi> <mi>j</mi> </msub> <msub> <mi>D</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>D</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>=</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <mrow> <mo>(</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>D</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>D</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>w</mi> <mi>j</mi> </msub> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>m</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>

将(10)式中的m个方程组写出矩阵形式即：

D^TDW＝D^TX_obs (11)

W＝(D^TD)^-1D^TX_obs (12)

带入(5)式得：

X_est＝DW＝D(D^TD)^-1D^TX_obs (13)

如果只需要对状态向量中某一个变量进行计算,那么只需取历史状态矩阵的对应行数据与权值向量进行相乘，即：

X_est＝[X_i(1)X_i(2)...X_i(m)]W＝[X_i(1)X_i(2)...X_i(m)](D^TD)^-1D^TX_obs

(14)

状态向量中任一变量的预测值是将历史状态矩阵中该变量的m个历史状态变量值乘以相似度权值累加而来，在权值W的计算过程中，为方便计算相似性程度将D^TD和D^TX_obs点乘更换为欧式距离运算。