买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南昌工程学院申请的专利基于特征选择和stacking模型融合的风电机组故障诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115853722B 。

龙图腾网通过国家知识产权局官网在2026-03-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211522250.2，技术领域涉及：F03D17/00；该发明授权基于特征选择和stacking模型融合的风电机组故障诊断方法是由车金星;刘娜;蒋哲勇;袁芳;叶雨;李丹设计研发完成，并于2022-11-30向国家知识产权局提交的专利申请。

本基于特征选择和stacking模型融合的风电机组故障诊断方法在说明书摘要公布了：本发明提出了一种基于特征选择和stacking模型融合的风电机组故障诊断方法，包括以下步骤：S1，采集SCADA数据，所述SCADA数据包括风速、风向角、齿轮箱温度、叶片角度和发电量；S2，对小类别数据进行SMOTE过采样，增加其比例，平衡故障类别比例；S3，使用RFECV进行特征选择，并将数据划分为训练集与测试集；S4，使用训练集对stacking模型进行训练，得到训练完毕的stacking模型；S5，将待测的SCADA数据输入训练完毕的stacking模型中，得到风电机组故障诊断结果。本发明相较于其它传统方法，能够得到更加准确的风电机组故障诊断结果。

本发明授权基于特征选择和stacking模型融合的风电机组故障诊断方法在权利要求书中公布了：1.一种基于特征选择和stacking模型融合的风电机组故障诊断方法，其特征在于，包括以下步骤： S1，采集SCADA数据，所述SCADA数据包括风速、风向角、齿轮箱温度、叶片角度和发电量； S2，对小类别数据进行SMOTE过采样，增加其比例，平衡故障类别比例； S3，使用RFECV进行特征选择，并将数据划分为训练集与测试集；所述使用RFECV进行特征选择包括以下步骤： S3-1，在SCADA数据集上建立随机森林分类模型，每个特征都被赋予一个权重； S3-2，在特征集中删除最不重要的特征：通过coef_属性、feature_importances_属性获得每个特征的重要性，并去除表现差的特征； S3-3，在剩余的信号数据集特征上重复步骤S3-1～S3-2，直到遍历了所有的特征，得到特征重要性数据集 S3-4，根据递归特征消除所得到的特征重要性数据集，每次取出所含特征数量不相同的数据集； S3-5，分别对这些含有不同数量的特征的样本进行5折交叉验证； S3-6，最终选出平均得分最高的特征数量，即最优性能的特征； S4，使用训练集对stacking模型进行训练，得到训练完毕的stacking模型；所述stacking模型第一层的基学习器包括至少两种强学习器，stacking模型第二层采用逻辑回归将基学习器得到的结果融合，得到最终的结果；所述强学习器为极端梯度提升、LIGHTGBM； 还包括，将测试集输入训练完毕的stacking模型中得到预测结果，对所述预测结果进行检验，并根据模型性能衡量指标进行检验；所述模型性能衡量指标包括准确率、AUC、召回率和平衡分数F1； S5，将待测的SCADA数据输入训练完毕的stacking模型中，得到风电机组故障诊断结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南昌工程学院，其通讯地址为：330099 江西省南昌市高新技术开发区天祥大道289号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。