CN110378042A - 基于scada数据的风电机组齿轮箱油温异常检测方法及系统 - Google Patents

Abstract

本发明公开了基于SCADA数据的风电机组齿轮箱油温异常检测方法及系统，包括：从SCADA监测的众多状态参数中选择与齿轮箱油温相关的数据作为模型输入量；对所述数据进行滤波和归一化处理；构建齿轮箱油温的概率估计模型，并将覆盖率指标和带宽指标设定为模型评估指标；对齿轮箱油温的概率估计模型中核函数带宽进行优化，并对优化后的模型进行评估；在给定的置信度水平下对待检测时段的齿轮箱油温的分布区间进行估计；齿轮箱油温的分布区间与实际的齿轮箱油温进行比较，确定齿轮箱油温是否发生异常。本发明方法通过对齿轮箱油温异常的检测，可在风电机组齿轮箱发生严重故障之前发现其异常状态，进而为运维人员制定检修维护计划提供依据。

Description

基于SCADA数据的风电机组齿轮箱油温异常检测方法及系统

技术领域

本发明涉及风电机组齿轮箱油温异常检测技术领域，尤其涉及一种基于SCADA数据的风电机组齿轮箱油温异常检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

由于风电机组的运行环境恶劣，风电机组(下称‘风机’)的故障率相比于传统的火电/水电机组更高。加之风电机组所处的位置多在交通不便的偏远地区或海上，使得风机的运行维护成本居高不下，严重影响了运营商的经济效益。一种可行的方法是对风机进行状态监测，通过一定的异常检测方法提前判断风电机组的设备工况是否异常，运行人员根据检测结果制定合适的维护检修计划，从而提前消除异常。基于这一技术可以有效降低风机的故障率，提高其运行稳定性，减少风电运营商的运营维护成本。

当前的风机的故障主要可以分为机械类故障和电气类故障。其中电气类故障虽然发生频率高，但诊断和维修相对简单，造成的故障停机时间相对较短。相比之下机械类故障因风机复杂的结构，导致故障类型多样且难以识别和定位；而且机械类故障造成停机时间通常较长，维修费用也比较高，所造成的直接或间接经济损失都远大于电气类故障。在机械类故障中齿轮箱故障造成的损失又明显高于其它机械类故障，因而国内外许多学者针对齿轮箱的异常检测展开了广泛研究，其中基于数据挖掘的齿轮箱异常检测方法更是备受关注。

基于数据挖掘的风机齿轮箱异常检测方法是指从大量的齿轮箱状态监测数据中发现其隐含规律，得到对异常判断有价值的知识和规律的过程。根据监测数据的来源不同可分为基于CM(Condition Monitoring)系统和基于SCADA(Supervisory Control andData Acquisition)系统两种的数据挖掘。CM系统通常针对监测对象采用特定的高频传感器进行数据采集，如齿轮箱的震动信号，声音发射信号，齿轮箱油的碎屑，以及电信号等。而后通过小波变换、谱分析、包络线分析等数据处理手段，提取故障特征，进而判断齿轮箱的运行状态是否异常。这类方法虽然能够监测出齿轮箱的早期异常状态，但由于需要特定的传感器进行数据采集，前期投资成本较高。此外，一些传感器需要安装在齿轮箱内部，这对安装和布线具有较高的要求；而且，当这些传感器故障时，其检修和更换也不可避免的增加了风机的停机时间。

相比之下，基于SCADA数据的异常检测方式则廉价得多，因为当前的商用风机出场时一般都安装了SCADA系统用以监测风机的运行状态，因此无需额外的投资。由于SCADA系统的采样频率通常为分钟级，因而上述应用于CM数据的分析方法很难适用于SCADA数据。基于SCADA数据的异常检测通常采用智能算法和统计推理法来从历史数据和当前测量值中提取异常信息。其检测对象通常为与齿轮箱工况直接或间接相关的状态量，如齿轮箱油温、齿轮箱油压、轴转速与输出功率比、轴扭矩等。由于齿轮箱油与齿轮箱内部器件直接接触，内部设备的磨损产生的碎屑，会导致齿轮间的摩擦力增大，产热增加，从而致使的齿轮箱油温升高，因而根据油温对齿轮箱状态进行判断具有较高的可靠性。当前针对齿轮箱油温的异常检测主要是通过对风机历史正常数据的学习，构建齿轮箱油温估计模型，通过单点估计得到待检测时段内每个时刻的齿轮箱油温，并通过比较这些油温估计值与真实值的残差是否超出阈值来判断齿轮箱油温是否发生异常。常用的学习方法包括神经网络法，非线性估计法，支持向量机等。这些单点估计方法均依赖于一个假设：齿轮箱油温的升高仅由齿轮箱内部异常导致，从而忽略的环境因素和风机运行状态对齿轮箱油温的影响，这使得估计值存在一定的偏差。此外，基于这些方法也无法获取齿轮箱油温的误差范围，这可能降低油温异常检测结果的可靠性。

发明内容

为了解决上述问题，本发明提出一种基于SCADA数据的风电机组齿轮箱油温异常检测方法及系统，通过估计齿轮箱油温的概率分布消除环境因素和风机运行状态对异常检测结果的影响，从而提高齿轮箱油温异常检测结果的可靠性。

在一些实施方式中，采用如下技术方案：

基于SCADA数据的风电机组齿轮箱油温异常检测方法，包括：

从SCADA监测的众多状态参数中选择与齿轮箱油温相关的数据作为模型输入量；

对所述数据进行滤波和归一化处理，选取历史正常运行数据作为训练数据和测试数据，选取待检测时段的数据作为待测数据；

基于稀疏贝叶斯学习理论，构建齿轮箱油温的概率估计模型，并将覆盖率指标和带宽指标设定为模型评估指标；

在保障覆盖率情况下以带宽指标最小为目标，对齿轮箱油温的概率估计模型中核函数带宽进行优化，并对优化后的模型进行评估；

利用优化后的模型和待测数据，在给定的置信度水平下对待检测时段的齿轮箱油温的分布区间进行估计；

齿轮箱油温的分布区间与实际的齿轮箱油温进行比较，确定齿轮箱油温是否发生异常。

在一些实施方式中，采用如下技术方案：

基于SCADA数据的风电机组齿轮箱油温异常检测系统，包括：

用于从SCADA监测的众多状态参数中选择与齿轮箱油温相关的数据作为模型输入量的模块；

用于对所述数据进行滤波和归一化处理的模块；用于选取历史正常运行数据作为训练数据和测试数据，选取待检测时段的数据作为待测数据的模块；

用于基于稀疏贝叶斯学习理论，构建齿轮箱油温的概率估计模型的模块，用于将覆盖率指标和带宽指标设定为模型评估指标的模块；

用于在保障覆盖率情况下以带宽指标最小为目标，对齿轮箱油温的概率估计模型中核函数带宽进行优化的模块，用于对优化后的模型进行评估的模块；

用于利用优化后的模型和待测数据，在给定的置信度水平下对待检测时段的齿轮箱油温的分布区间进行估计的模块；

用于齿轮箱油温的分布区间与实际的齿轮箱油温进行比较，确定齿轮箱油温是否发生异常的模块。

在一些实施方式中，采用如下技术方案：

一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的基于SCADA数据的风电机组齿轮箱油温异常检测方法。

在一些实施方式中，采用如下技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于SCADA数据的风电机组齿轮箱油温异常检测方法。

与现有技术相比，本发明的有益效果是：

(1)本发明基于风机的历史运行数据对齿轮箱的运行状态进行检测，而无需运维人员到现场进行检测。该方法通过对齿轮箱油温异常的检测，可在风电机组齿轮箱发生严重故障之前发现其异常状态，进而为运维人员制定检修维护计划提供依据，进一步，可显著降低风电机组的运行维护费用。该方法尤其适合用于偏远地区和海上风电机组的异常检修。

(2)通常齿轮箱油温的分布服从正态分布，因而本发明中的油温估计方法采用的是参数估计方法，从而极大的简化了模型学习效率。因此，本发明提出的方法不仅可实现离线异常油温检测，同时也具有在线检测异常油温的潜力。

(3)根据华润集团某风电场提供的已知齿轮箱油温超限故障的风机运行数据，本发明提出的基于数据SCADA数据的齿轮箱油温异常检测方法的有效性和实用性得到了验证。

附图说明

图1为实施例一中风电机组齿轮箱油温异常检测流程图；

图2为实施例一中参数优化流程图；

图3为实施例一中假设检验流程图；

图4为实施例一中基于测试数据的90％置信区间时的齿轮箱油温区间分布；

图5为实施例一中基于检测数据的90％置信区间时的齿轮箱油温区间分布。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

在一个或多个实施方式中，公开了一种基于SCADA数据的齿轮箱油温异常检测方法，包括以下步骤：

步骤(1)：数据的选择。根据待检测的对象，依据专业背景知识和数据的相关性分析方法选取合适的监测量作为模型的输入和输出。

其中，数据的相关性分析法为皮尔逊相关性分析法，其计算公式为：

其中，cov(X,Y)为向量X,Y的协方差，σ_X,σ_Y分别为X,Y的标准差。

步骤(2)：数据预处理。按照步骤(1)的方法选出的对应的监测数据，选取历史正常运行数据作为训练数据和测试数据，选取待检测时段的数据作为待测数据。并对数据进行预处理，包括数据的滤波和归一化。

训练数据和测试数据均为风电机组正常运行情况下监测得到的数据。其中的滤波方法可采用卡尔曼滤波和移动滑窗法等方法。所选择的数据的归一化方法如下：

其中，x为实际监测值，min(x)和max(x)分别为实际值x所在向量中的最小值和最大值，x、为归一化后的值。

步骤(3)：模型构建。基于稀疏贝叶斯学习理论(SBL)，通过对训练数据的学习构建齿轮箱油温的概率估计模型；并设定相应的模型评估指标，包括覆盖率指标和带宽指标。

稀疏贝叶斯学习是一种基于核方法的稀疏推理方法，可表示为：

式中：y_output为待估计的随机变量；x_input为输入向量；x_i为训练样本中的输入向量；K(·)为核函数，本发明中采用高斯核函数形式；M为训练样本总数；w_i、w₀为权重系数，在稀疏贝叶斯学习中被看作随机变量，并假设其先验分布为ε为误差项，服从正态分布从而y_output服从均值为方差为σ²的正态分布。容易看出，对于任意给定的输入向量，均可得到被估计量的概率密度函数。

数据的学习过程则是根据贝叶斯原理对参数w＝[w₀,w₁,…,w_M]^T、超参α＝[α₀,α₁,…,α_M]^T以及σ²的后验分布进行推断的过程，即可表示为p(w,α,σ²|y)，其中，y＝[y₁,y₂,…,y_M]^T。由y_output的分布可知，在N次独立实验中，目标值y出现的概率为：

式中，Φ＝[φ(x₁),φ(x₂),…,φ(x_N)]^T，φ(x_n)＝[1,K(x_n,x₁),…,K(x_n,x_M)]^T。

直接采用极大似然估计方法求取w_i和σ²可能出现过学习情况，基于贝叶斯原理，SBL将w_i和σ²均视为随机变量，具体如下：设定w_i的先验分布为均值为0、方差为α_i ^-1的正态分布，且相互独立；进而，设定超参α_i与σ²的先验分布为伽马分布。

p(β)＝Gamma(β|c,d) (6)

式中，β≡σ^-2；Gamma(α_i|a,b)＝Γ(a)^-1b^aα^a-1e^-bα，为了保证先验分布不具有信息性，令参数a＝b＝c＝d＝0。上述先验分布的选择使模型在很好适应训练数据的同时保证了模型的稀疏性及泛化能力。

根据以上模型参数及变量假设条件，即贝叶斯框架，结合训练样本集，就可以推断出模型参数w,α,σ²的后验分布，

由于上式右侧p(y)＝∫p(y|w,α,σ²)p(w,α,σ²)dwdαδσ²无法正常积分，无法直接求解p(w,α,σ²|y)。可对其进行以下分解：

p(w,α,σ²|y)＝p(w|y,α,σ²)p(α,σ²|y) (8)

进而可以得到：

则利用贝叶斯推断得到w的后验分布为均值与方差分别：

其中，Α＝diag(α₀,α₁,…α_M)。在得到w及ε的后验分布后，带入式(2)即完成了稀疏贝叶斯学习的训练过程，得到齿轮箱油温的概率估计模型公式。而实际上，由于y_output仍然服从正态分布，可直接写出其均值与方差为：

在给定置信度水平(1-α)的情况下，继而可以得到估计量的概率分布区间为：

步骤(3)中的覆盖率指标(PICP)主要用于对估计区间的可靠性进行评估，对于M个测试样本，PICP的计算公式为：

其中，c(i)为指示函数，其计算公式为：

其中，y_i是第i个观测值，L_i/U_i分别是第i个预测区间的上/下界。易知PICP越大，真实值落在估计区间的可能性越大，可靠性越高。

步骤(3)中的带宽指标主要用于评价预测结果的锐度，相同置信度下的预测区间越窄，则表明预测区间所含的有效信息越丰富，本发明中采用区间平均宽度(PINAW)对区间的锐度进行评价，它的计算公式为：

PINAW越小，则预测区间越窄，意味着预测区间的锐度越好。

步骤(4)：参数优化。基于步骤(3)构建的模型，在保障覆盖率情况下以带宽指标最小为目标，对SBL模型中核函数带宽进行优化，并对优化后的模型进行评估。

参数优化其优化模型为：

Objective:Minimize PINAW.

S.t:(1-α)≤PICP≤1.

PINAW>0.

其优化流程为见附图2，具体包括如下步骤：

步骤(4-1)：受先给δ一个较大的初始值，使其能够满足约束条件。

步骤(4-2)：将δ代入模型，计算覆盖率指标PICP和带宽指标PINAW的值。

步骤(4-3)：将新的PICP与设定的最小覆盖率指标作比较(本文取为0.9)，同时观察带宽指标是否满足约束条件。若同时满足所有的约束条件，说明δ尚未取得最优值，仍可以继续进行优化，则进一步减小δ的值，重复步骤(4-2)、(4-3)，若不满足条件则继续下一步。

步骤(4-4)：当约束不在得到满足时，说明δ的值过小，最终的能使约束得到满足的δ应该为上一次计算使用的值，即δ＝δ+Δ，输出该最优值作为油温估计模型的参数。

步骤(5)：齿轮箱油温估计。基于步骤(3)、(4)构建的齿轮箱油温概率预测模型和步骤(2)所得的待测数据，在给定的置信度水平下对待检测时段的齿轮箱油温的分布区间进行估计。

步骤(6)：齿轮箱油温异常检测。将步骤(5)得到的齿轮箱油温分布区间与实际的齿轮箱油温绘制在一张图上，通过观察齿轮箱油温的真实值是否被包含在预测区间内来判断油温是否发生异常。并利用假设检验对观察法得到的结果进行验证。

假设检验法为一种常用的统计推理方法，通过样本信息来推断总体特征，其基本思想为小概率反证法，附图3给出了假设检验流程图，具体包括如下步骤：

步骤(6-1)：根据假设检验的目的，分别对零假设H0和备择假设H1进行声明。

步骤(6-2)：根据对假设检验可信度的要求，设定假设检验的显著性水平α_HT，通常取值为0.05或0.01。

步骤(6-3)：根据样本的数量和分布类型，选择合适的假设检验计算方法，常用的方法包括t检验，Z检验，卡方检验等。

步骤(6-4)：根据假设检验的计算结果，通过查表或计算的方式，获取假设检验的伴生概率P。

步骤(6-5)：通过比较P值与假设检验的显著性水平，对假设检验作出判断，若P＞α_HT，则接受H0，拒绝H1；若P≤α_HT,则拒绝H0，接受H1。

步骤(7)：基于步骤(6)的齿轮箱油温的异常检测结果给出最终结论。

下面结合实际风机的齿轮箱油温异常检测对本发明的具体实施方式进行说明。

数据说明：所选取风机的SCADA系统采样间隔为5分钟，已知该风机于2018/4/921:20到2018/4/10 22:45发生了5次齿轮箱油温超限报警。选取齿轮箱油温发生异常报警前的2017/11/01 0:00到2018/01/01 0:00连续两个月正常运行的数据被用于模型的训练和测试，选取2018/4/1 0:00到2018/4/16 0:00半个月的数据被用于齿轮箱油温的异常检测。

如图1所示，基于数据挖掘的齿轮油温异常检测方法主要包括如下步骤：

1)数据的选择。根据专业知识从SCADA监测的众多状态参数中选择与齿轮箱油温有关的模型输入量。包括风速、齿轮箱前轴温度、齿轮箱后轴温度、齿轮箱入口油温。表1列出了齿轮箱油温与上述输入量的相关系数，从表中可知这些监测量与齿轮箱油温强相关。其中SCADA数据的采样间隔为5分钟。

表1齿轮箱油温与模型输入量的相关系数

输入量	风速	齿轮箱前轴温度	齿轮箱后轴温度	齿轮箱入口油温
					相关系数R<sub>X,Y</sub>	0.6288	0.8168	0.7959	0.7264

2)数据预处理。对数据进行滤波和归一化处理，并将数据分为训练数据、测试数据和待检测数据。

3)构建齿轮箱油温概率估计模型。基于稀疏贝叶斯学习理论(SBL)，通过对训练数据进行学习，构建齿轮箱油温的概率估计模型；并设定相应估计区间的置信水平为0.9，覆盖率PICP≥0.9，宽度指标越小越好。

4)参数优化。设置核函数带宽δ的初始值为0.5，微调量△＝0.01，对参数进行优化，其流程如附图2所示，经过优化得到的最优δ＝0.14。附图4为基于测试数据得到的90％置信度时的齿轮箱油温区间分布，从图中可以看出预测区间能很好的包含齿轮箱油温的真实值，对应的模型PICP＝0.9017,PINAW＝0.0964，从而可以确定该模型对齿轮油温的区间估计具有较高的可靠性和锐度，可利用该模型来预测待检测时段的齿轮箱油温。

5)齿轮箱油温估计。利用上述模型对待检测时段的齿轮箱油温的分布进行估计，附图5为待检测时段的齿轮箱油温区间分布结果。

6)齿轮箱油温异常检测。基于附图5的结果可知出在油温故障报警之前共有6次明显的齿轮箱油温的真实值超出预测区间(椭圆区域1-6)，这些真实值超出预测区间的情况被认为齿轮箱油温异常。为进一步证明上述判断的准确性，通过对异常区域进行假设检修。

二项分布假设检验：

由于齿轮箱油温的真实值相对于预测区间仅有两种状态：在区间内和在区间外，如果将齿轮箱油的温真实值按时间序列展开，并定义区间内的点值为1，区间外的点值为0，则上述假设检验可转换为二项分布假设检验，并建立如下假设：

H0:区间内包含的齿轮箱油温的真实值比例低于90％

H1：区间内包含的齿轮箱油温的真实值比例大于等于90％

检测样本为每个异常区域内最高油温值前后24小时点的数量，得到的检验结果如表2所示，可知所有异常区域都接受假设H0，则可确认该区域的油温异常。

表2针对异常区域的假设检验结果

异常区域	1	2	3	4	5	6
							P值	0.0416	0.0347	0.0176	0.0227	0.0167	0.0289
检验结果	1	1	1	1	1	1

7)结论。基于齿轮箱油温异常检测的结果可知，本实施例提出的方法能提前8天检测出齿轮箱油温异常。

实施例二

在一个或多个实施例中，公开了基于SCADA数据的风电机组齿轮箱油温异常检测系统，包括：

用于从SCADA监测的众多状态参数中选择与齿轮箱油温相关的数据作为模型输入量的模块；

用于对所述数据进行滤波和归一化处理的模块；用于选取历史正常运行数据作为训练数据和测试数据，选取待检测时段的数据作为待测数据的模块；

用于基于稀疏贝叶斯学习理论，构建齿轮箱油温的概率估计模型的模块，用于将覆盖率指标和带宽指标设定为模型评估指标的模块；

用于在保障覆盖率情况下以带宽指标最小为目标，对齿轮箱油温的概率估计模型中核函数带宽进行优化的模块，用于对优化后的模型进行评估的模块；

用于利用优化后的模型和待测数据，在给定的置信度水平下对待检测时段的齿轮箱油温的分布区间进行估计的模块；

用于齿轮箱油温的分布区间与实际的齿轮箱油温进行比较，确定齿轮箱油温是否发生异常的模块。

实施例三

在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于SCADA数据的风电机组齿轮箱油温异常检测方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的基于SCADA数据的风电机组齿轮箱油温异常检测方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.基于SCADA数据的风电机组齿轮箱油温异常检测方法，其特征在于，包括：

从SCADA监测的众多状态参数中选择与齿轮箱油温相关的数据作为模型输入量；

对所述数据进行滤波和归一化处理，选取历史正常运行数据作为训练数据和测试数据，选取待检测时段的数据作为待测数据；

基于稀疏贝叶斯学习理论，构建齿轮箱油温的概率估计模型，并将覆盖率指标和带宽指标设定为模型评估指标；

在保障覆盖率情况下以带宽指标最小为目标，对齿轮箱油温的概率估计模型中核函数带宽进行优化，并对优化后的模型进行评估；

利用优化后的模型和待测数据，在给定的置信度水平下对待检测时段的齿轮箱油温的分布区间进行估计；

齿轮箱油温的分布区间与实际的齿轮箱油温进行比较，确定齿轮箱油温是否发生异常。

2.如权利要求1所述的基于SCADA数据的风电机组齿轮箱油温异常检测方法，其特征在于，所述模型输入量包括风速、齿轮箱前轴温度、齿轮箱后轴温度以及齿轮箱入口油温。

3.如权利要求1所述的基于SCADA数据的风电机组齿轮箱油温异常检测方法，其特征在于，基于稀疏贝叶斯学习理论，构建齿轮箱油温的概率估计模型，具体为：

其中，y_output为待估计的随机变量；x_input为输入向量；x_i为训练样本中的输入向量；K(·)为高斯核函数；M为训练样本总数；w_i、w₀为权重系数，在稀疏贝叶斯学习中被看作随机变量，并假设其先验分布为ε为误差项，服从正态分布从而y_output服从均值为方差为σ²的正态分布；对于任意给定的输入向量，均可得到被估计量的概率密度函数。

4.如权利要求1所述的基于SCADA数据的风电机组齿轮箱油温异常检测方法，其特征在于，所述覆盖率指标具体为：

其中，M为测试样本个数，c(i)为指示函数，y_i是第i个观测值，L_i/U_i分别是第i个预测区间的上/下界。

5.如权利要求1所述的基于SCADA数据的风电机组齿轮箱油温异常检测方法，其特征在于，所述带宽指标具体为：

其中，L_i/U_i分别是第i个预测区间的上/下界，M为测试样本个数，PINAW越小，则预测区间越窄，意味着预测区间的锐度越好。

6.如权利要求1所述的基于SCADA数据的风电机组齿轮箱油温异常检测方法，其特征在于，以带宽指标最小为目标，对齿轮箱油温的概率估计模型中核函数带宽进行优化，具体为：

Objective:Minimize PINAW

S.t:(1-α)≤PICP≤1

PINAW>0

其中，PINAW为带宽指标，PICP为覆盖率指标，α为给定的显著性水平。

7.如权利要求1所述的基于SCADA数据的风电机组齿轮箱油温异常检测方法，其特征在于，齿轮箱油温的分布区间与实际的齿轮箱油温进行比较，确定齿轮箱油温是否发生异常，具体为：将齿轮箱油温分布区间与实际的齿轮箱油温绘制在一张图上，通过观察齿轮箱油温的真实值是否被包含在预测区间内来判断油温是否发生异常；并利用假设检验对观察法得到的结果进行验证。

8.基于SCADA数据的风电机组齿轮箱油温异常检测系统，其特征在于，包括：

用于从SCADA监测的众多状态参数中选择与齿轮箱油温相关的数据作为模型输入量的模块；

用于对所述数据进行滤波和归一化处理的模块；用于选取历史正常运行数据作为训练数据和测试数据，选取待检测时段的数据作为待测数据的模块；

用于基于稀疏贝叶斯学习理论，构建齿轮箱油温的概率估计模型的模块，用于将覆盖率指标和带宽指标设定为模型评估指标的模块；

用于在保障覆盖率情况下以带宽指标最小为目标，对齿轮箱油温的概率估计模型中核函数带宽进行优化的模块，用于对优化后的模型进行评估的模块；

用于利用优化后的模型和待测数据，在给定的置信度水平下对待检测时段的齿轮箱油温的分布区间进行估计的模块；

用于齿轮箱油温的分布区间与实际的齿轮箱油温进行比较，确定齿轮箱油温是否发生异常的模块。

9.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于SCADA数据的风电机组齿轮箱油温异常检测方法。

10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于SCADA数据的风电机组齿轮箱油温异常检测方法。