1.一种风力发电系统故障诊断方法，其特征是基于稀疏自编码(Sparse Auto Encoder,SAE)与极限学习机(Extreme Learning Machine,ELM)理论方法，包含以下步骤：步骤1：将桨距角β，风轮转速ωt，发电功率P，发电机转速ωg与转矩Tg信号作为数据源，x(i)＝[β,ωt,P,ωg,Tg]，作为SAE的输入数据，对应于正常、传感器恒偏差故障、传感器恒增益故障、执行器恒偏差故障、执行器恒增益故障分别依次用{0,1,2,3,4}表示，为输出t(i)；

步骤2：为消除量纲和单位不同对网络学习的影响，保证网络神经元的非线性作用及较快的学习速度，将神经网络的样本数据进行归一化处理，将样本数据归一化到[0,1]区间；

步骤3：用SAE对输入数据进行特征提取；得到能高度表达原始数据的特征向量作为ELM分类器的输入；

原理为：

假设aj(x)表示隐含层第j个单元的激活量，第j个单元的平均激活量表示为ρ为稀疏常数，k为样本数，为使大多数神经元为非激活状态，在自编码器代价函数加入稀疏惩罚项，来惩罚 偏离ρ；选用KL散度作为惩罚项PN的表达式式中：S2为隐含层的单元数； 为KL散度；KL散度数学表达式为：当 时，KL散度值为0，KL散度随着 偏离ρ逐渐增大；对于自编码而言，代价函数为式中：λ是权值衰减常数；nl为神经网络层数；Sl为l层的神经元个数；Sl+1为l+1层神经元个数；w为权值；包含稀疏惩罚项的总代价函数为Jsparse(W,b)＝J(W,b)+cPN               (5)式中c为稀疏惩罚项系数；根据最小化稀疏代价函数求解得到最优的输入权值W和隐含层阈值b,最终可得到输入数据的隐含层稀疏表达特征；

步骤4：确定极限学习机故障诊断模型的输入节点数、隐含层节点数、输出节点数，选定极限学习机故障分类模型的激活函数g(x)；所述输入节点数需与输入特征向量的维度相对应，所述输出层节点数为步骤3中的故障类型数；隐含层节点数是特征向量维数的两倍；激活函数选用径向基函数： 其中wi为输入权值矩阵，bi为隐含层阈值，x为样本；

步骤5：利用训练样本数据集对风力发电ELM故障诊断模型进行训练；所述模型训练过程具体如下：

步骤5.1：对输入权重矩阵wi以及阈值bi进行随机赋值，x为样本，l为隐含层节点数，Q为样本个数；

步骤5.2：计算对应于训练样本数据的隐含层输出矩阵步骤5.3：利用最小二乘法求解隐含层输出矩阵Htrain的Moore‑Penrose广义逆T T

步骤5.4：计算输出权重 其中β＝[β1,…,βQ] ,Ttrain＝[t1,…tQ] ；

步骤6：将测试集的样本代入ELM分类器中验证其类别；进一步包含以下步骤：步骤6.1：计算对应M个测试样本数据的隐含层输出矩阵步骤6.2：计算极限学习机的输出Ttest＝Htestβ；

步骤6.3：将极限学习机的识别结果与风力发电系统正常运行情况作比较，计算正确率，对风力发电系统的极限学习机故障识别模型进行验证。