Для выявления типичных ошибок ветрогенераторов была проведена классификация, выбраны данные по частоте отказов переменного тока, систем генераторов, систем штанг, систем вспомогательного питания ветрового поля и данных без отказов для исследования диагностики отказов. В ходе исследования была построена модель диагностики отказов с использованием метода экстремального обучения (ELM), метода наименьших квадратов для поддержки векторных машин (SVM), метода ядерного экстремального обучения (KELM) и алгоритма оптимизации китового стада (WOA). Одновременно был проведен отбор и ранжирование важности признаков модели с использованием лапласовой дроби и выбора. Алгоритм WOA-KELM с оптимизацией параметров регуляризации C и ядра γ дал лучший диагностический результат. Исследование показало, что при различных количествах образцов четыре алгоритма дали в точности диагностику ненормальных типов в 100 % случаев; использование лапласовой дроби для выбора признаков алгоритма WOA-KELM увеличило среднюю точность диагностики тестовых образцов с 88,0 % до 93,2 %; алгоритм WOA-KELM после отбора признаков не дал максимальной точности диагностики в диапазоне от 250 до 500 образцов внутри выборки. Это доказывает, что модель может успешно диагностировать сбои ветрогенераторов и может служить руководством и справочником для эксплуатационного персонала.

ветрогенераторы; диагностика отказов; алгоритм WOA-KELM; лапласовая дробь