1.一种基于精简核主成分网络的风力发电设备状态监测方法，其特征在于，包括以下所示步骤：

步骤(1)：确定风力发电设备可实时测量的数据后，在风力发电设备正常运行状态下，按照固定的采样时间间隔采集数据；其中，每个采样时刻可实时测量的11个数据具体依次是：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度和偏航误差；

步骤(2)：将风速介于切入风速和切出风速之间的n个样本数据向量x1，x2，…，xn组成矩

11×n

阵X＝[x1，x2，…，xn]，并对X∈R 中各个行向量实施标准化处理从而得到新矩阵

11×1

其中，第i个样本数据向量xi∈R 中的11个数据按照步骤(1)中的顺序依次排列，i∈{1，

11×n 11×1

2，…，n}，R 表示11×n维的实数矩阵，R表示实数集，R 表示11×1维的实数向量；

D×n

步骤(3)：对新矩阵 中实施核主成分分析后，保留核参数δ与核得分矩阵Y∈R ，具体的实施过程如步骤(3.1)至步骤(3.5)所示；

步骤(3.1)：根据公式 计算新矩阵 中第i列向量 与第j列向量 之间的平方距离ζ(i，j)；其中，j∈{1，2，…，n}，上标号T表示矩阵或向量的转置；

步骤(3.2)：根据如下所示公式①确定核参数δ：n×n

步骤(3.3)：根据如下所示公式②计算核矩阵K∈R 中的第i行第j列元素K(i，j)：上式中，e表示自然常数；

步骤(3.4)：计算核矩阵K的n个特征值λ1≥λ2≥…≥λn及其对应的特征向量α1，α2，…，αn后，再将λ1，λ2，…，λn中不小于λ0的特征值的个数记录为D；其中，特征向量α1，α2，…，αn的长度都等于1，λ0＝(λ1+λ2+…+λn)/n；

步骤(3.5)：将D个特征向量α1，α2，…，αD组建成一个特征变换矩阵A＝[α1，α2，…，αD]后，T D×n

再根据公式Y＝AK计算得到核得分矩阵Y∈R ；

步骤(4)：对新矩阵 中的列向量 实施边缘特征点分析，从而得到E个边缘点向量ξ1，ξ2，…，ξE，具体的实施过程如步骤(4.1)至步骤(4.5)所示；

步骤(4.1)：初始化i＝1；

步骤(4.2)：将 中与列向量 之间的平方距离小于δ的Ni个列向量分别记录为步骤(4.3)：根据如下所示公式③计算列向量 的法向量fi：上式中， 表示计算 与 之间的距离，b＝1，

2，…，Ni；

步骤(4.4)：根据如下所示公式④计算列向量 对应的边缘点指标gi：上式中，θb的取值规律如下所示：步骤(4.5)：判断i是否小于n；若是，则设置i＝i+1后，返回步骤(4.2)；若否，则按照数值大小对边缘点指标g1，g2，…，gn进行降序排列，并将最大的E个边缘点指标对应的列向量依次记录为边缘点向量ξ1，ξ2，…，ξE；

步骤(5)：对新矩阵 中的列向量 实施聚类分析，得到C个聚类中心点向量h1，h2，…，hC；

步骤(6)：分别依次将列向量 当作输入向量，根据如下所示公式⑥计算精简核主成分网络的隐层神经元输出向量z1，z2，…，zn：(E+C)×1 (E+C)×1上式中，zi∈R 表示对应于 的隐层神经元输出向量，i∈{1，2，…，n}，R 表示(E+C)×1维的实数向量，

步骤(7)：将z1，z2，…，zn合并成一个(E+C)×n维的隐层输出矩阵Z＝[z1，z2，…，zn]，再T ‑1 T

根据公式B1＝(ZZ) ZY计算得到精简核主成分网络的第一个输出层系数矩阵B1；

步骤(8)：计算矩阵 的E+C个特征值η1≥η2≥…≥ηE+C及其分别对应的特征向量β1，β2，…，βE+C后，再将η1，η2，…，ηE+C中不小于η0的特征值的个数记录为d；其中，特征向量β1，β2，…，βE+C的长度都为1，η0＝(η1+η2+…+ηE+C)/(E+C)；

步骤(9)：将β1，β2，…，βd合并成精简核主成分网络的第二个输出层系数矩阵B2＝[β1，β2，…，βd]后，再根据如下所示公式⑦分别计算第一监测指标向量Q1和第二监测指标向量Q2：

上式中，diag{}表示将花括号内的矩阵对角线元素转变成列向量的操作， 和 分别T T T T

表示Λ1＝B1ZZB1和Λ2＝B2ZZB2的逆矩阵；

步骤(10)：分别将Q1和Q2中的最大值元素记录为控制上限q1和q2后，结束离线建模过程并实施步骤(11)；

步骤(11)：采集风力发电设备在最新采样时刻的11个数据，并将之组成样本数据向量x

11×1

∈R ，并判断x中的第一个数据是否介于切入风速和切出风速之间；若是，则执行步骤(12)；若否，则风力发电机处于脱机状态，并重复本步骤(11)继续利用最新采样时刻的样本数据向量实施状态监测；其中，x中的11个数据需按照步骤(1)中的顺序依次排列；

步骤(12)：对x中各行的数据实施与步骤(2)中相同的标准化处理，从而得到数据向量步骤(13)：将 当做成输入向量，利用如下所示公式⑧计算得到隐层神经元输出向量z(E+C)×1

∈R ：

步骤(14)：根据公式 和 计算得到监测指标J1和J2后，再判断是否满足条件：J1≤q1且J2≤q2；若是，则当前采样时刻风力发电设备运行正常，并返回步骤(11)；若否，则执行步骤(15)；

步骤(15)：返回步骤(11)继续利用最新采样时刻的样本数据向量实施风力发电设备的状态监测；若连续6个最新采样时刻的监测指标皆不满足步骤(14)中的判断条件，则触发异常警报，并及时安排人员进行维护；反之，则风力发电设备正常运行，并返回步骤(11)继续实施对风力发电设备的状态监测。