基于CLSSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱传统故障诊断方法以全局误诊断率最小化为目标,忽略了误分类型之间的差别的问题,提出基于代价敏感最小二乘支持向量机(Cost-sensitive Least Squares Support Vector Machine,CLSSVM)的风电机组齿轮箱故障诊断方法。该方法在最小二乘支持向量机原始最优化问题中二次损失函数中嵌入不同样本的误分类代价,建立以误分类代价最小化为目标的CLSSVM故障诊断模型,并同最小二乘支持向量机和代价敏感支持向量机比较。实验结果表明,该方法能提高误分类代价高的故障类样本的诊断正确率,具有代价敏感性,其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。     

基于风电机组功率曲线的故障监测方法研究

为了最大限度地减少风机停机时间和提高风机发电量,基于风机功率曲线特性,结合多元统计Hotelling T~2控制图,提出了一种风力发电机性能及故障监测方法。首先,根据SCADA系统历史数据集,应用粒子群算法(PSO)寻优最小二乘支持向量机的模型,构造风电机组参考功率曲线。然后,计算风场各风机功率特性的多元峰度、多元偏度,将其偏离参考曲线的程度作为评估风力发电机性能的指标。最后,监测风机发生故障的时刻,引入用于监测风机的Hotelling T~2多变量质量控制图。将该方法用于某风场1.5 MW级风力发电机,实例表明,该算法可以有效地对风电机组状态及故障进行监测,为风电机组的故障识别及分析提供了一种新的方法。     

基于支持向量机的风电机组运行工况分类方法

采用多个运行参数来描述风电机组复杂多变的与振动相关的运行工况,提出一种基于支持向量机的分类方法划分风电机组的运行工况。我国北方某风电场实际运行数据的计算结果表明:与传统的单参数分类方法相比,基于支持向量机的运行工况分类方法能明显降低振动监测过程中的误报警率。     

考虑风电机组运行健康状态的风电场优化调度方法

当前风电场功率控制过程中多关注风电机组的发电能力,很少区别对待健康机组和带病机组。对此,以风电机组运行参数为评估指标,计算各指标劣化度,并以综合劣化度为风电机组健康状况的总体评判指标,再结合风电机组启停状态及功率控制要求建立风电场的多目标调度模型。采用混合编码遗传算法优化该模型,获得风电机组启停组合和目标功率值。仿真结果表明,该方法优化了风电机组启停计划,改善了风电机组的整体健康程度,提高了风电场有功输出的可靠性和稳定性,为功率调度过程提供了依据。     

基于小世界优化的风电功率变权组合预测模型

提出一种新型的基于小世界优化的支持向量机与灰色预测变权组合风电功率预测模型。该模型发挥小世界优化算法避免陷入局部极小、快速收敛等优势,对组合权重系数进行移动样本自适应变权求解,同时,支持向量机采用实数编码小世界算法(R-SWOA)进行回归估计,构成支持向量机改进算法(RSWO-SVM)。利用江苏某风场数据对风电机组输出功率的超短期实时滚动功率预测进行研究,分别预测未来10 min、30 min和1 h的功率值。预测结果表明,无论哪个时间尺度,该文变权组合模型的预测精度均明显高于各单项、等权平均和最小方差固定权系数组合预测方法,预测误差大幅降低。     

基于LSSVM和GMM的风电机组传动系统故障预测研究

文章研究了一种基于最小二乘支持向量机(LSSVM)和高斯混合模型(GMM)的传动系统故障程度量化方法。在传动系统故障机理的基础上,利用风电机组的风速、环境温度、有功功率和4个相关的上一时刻温度监测值为输入,4个相关的温度监测值为输出建立LSSVM回归模型。模型的预测值与实际测量值的偏差向量定义为系统"偏离值"。采用GMM拟合正常运行时的偏离值分布,并用该模型实时计算系统的对数似然概率(LLP),实现系统故障程度的量化。结合实际的SCADA数据,验证了该方法对故障预测有较好的灵敏性和准确度。     

基于相关向量信息熵的风电机组功率曲线构建方法研究

仿真研究湍流强度、空气密度、偏航误差等风电机组功率输出特性关键影响因素与功率曲线之间的内在关联特性,建立各影响因素与功率输出特性之间的隐含关系子模型。结合风电机组运行数据,基于相关向量信息熵技术,实现风电机组运行功率曲线的构建。基于构建的功率曲线与机组实际输出特性开展年发电量对比,结果表明,基于相关向量信息熵法构建的功率曲线能够实现对风电机组出力特性的真实准确评价,评价误差不超过2%。     

考虑噪声影响的风电场功率分配优化模型

提出一种考虑噪声影响的场级功率分配算法,在满足电网调度指令的同时最小化风电机组运行产生的噪声。首先,根据采集的有功功率与对应的风电机组声功率级噪声值数据,采用多项式拟合,确定有功功率与风电机组声功率级噪声之间的函数关系。然后,根据GB/T 17247.2—1998提供的噪声传播计算方法,建立有功功率与接收点噪声之间的函数关系。其次,建立考虑功率控制、风电机组启停变化与接收点噪声限值约束的风电场功率分配多目标优化模型,采用遗传算法求解该模型。最后,通过3个不同噪声监测点分布的案例,验证该调度模型能有效满足电网限电要求的同时降低机组运行噪声,并且在实际应用上具有通用性。     

基于运行数据和支持向量机的风电场动态建模

风电场建模是研究风电并网技术的基础,找到一种能够精确反映风电场状态和大幅缩短仿真时间的模型是目前国内外学者的研究重点。文章基于统计学习理论的支持向量机算法,以风电场动态建模为目标,针对单机模型和K-means模型所产生的误差,提出一种基于风电场风速威布尔分布的支持向量机算法模型,并且利用实测数据和MATLAB/Simulink软件对算例进行仿真,风电场的有功功率和无功功率误差结果验证了该模型具有良好的动态性能,并且有效缩短了仿真时间。     

偏航工况下风电机组尾流模型与风电场尾流叠加研究

风电场中通过风电机组主动偏航进行尾流优化控制,可以提高风电场发电量。文中根据偏航工况对风电机组尾流和功率输出的影响,建立了偏航工况下单台风电机组尾流模型和输出功率的简化计算方法。而对于全场不同来流风向,对机组位置进行坐标变换以确定风电机组的迎风顺序,并结合尾流叠加模型建立了偏航工况下风电场尾流分布计算方法。最后,以单列6台风电机组为研究对象进行计算分析,验证了该尾流计算方法的适用性及主动偏航控制对风电场发电量提升的可行性。     

双馈风力发电系统变流器故障诊断方法研究

确定风电机组变流器故障类型和位置,是保证风电机组运行的重要前提。文章分析了双馈风力发电系统变流器的组成和运行原理,利用仿真软件PSCAD搭建了仿真模型;采用小波包分析去噪并提取变流器故障特征向量;应用支持向量机方法进行故障分类,实现了双馈式风力发电系统变流器的故障诊断。仿真结果验证了该方法应用于双馈式风力发电系统变流器故障诊断的可行性和准确性。     

基于灰色理论和变权模糊综合评判的风电机组性能评估

为了评估风电机组性能及优化其维修策略,保证风电机组安全稳定运行,提出基于灰色理论和变权模糊综合评判的风电机组性能评估方法。首先,分析风电机组控制系统所监测的物理量,采用层次分析法构建具有反映风电机组运行性能重要特征的项目层和子项目层框架,并针对子项目层中多项评判指标同时发生严重偏离的情况,引入劣化度指标。为避免层次分析确定指标常权值所引起计算误差过大的问题,利用灰色系统理论得到各评估指标的综合权重,并结合变权理论,对某些严重偏离正常值的指标进行权重修正,建立基于灰色理论和变权模糊综合评判的风电机组性能评估模型。然后,基于某1.5 MW风电场数据采集与监控系统(Supervisory Control andData Acquisition,SCADA)的运行数据进行计算,并与常规评估方法结果及实际运行分析进行比较和验证,结果表明所提出的风电机组性能评估方法和模型正确有效。     

基于实时功率曲线的风电机组出力特性研究

基于实时功率曲线对风电机组出力特性进行分析,主要通过采集风电机组风速、功率、可靠性状态、大气压力、环境温度等历史数据进行过滤修正,计算出能够反映风电机组真实出力情况的实时功率曲线,并与出质保检测功率曲线进行对比,最后结合功率一致性系数对风电机组出力特性进行评价。找出性能下降比较严重的风电机组并及时整改,进而提高风电机组的发电能力。该方法不仅能够在线评价风电机组的性能优劣,且适用于各类型风电机组,具有广阔的应用前景。     

基于量子进化在线序贯极限学习机的变桨系统故障检测

针对复杂工况下风电机组变桨系统故障检测问题,采用在线序贯极限学习机建立变桨系统状态监测模型,利用ReliefF算法进行模型的特征选择,通过量子进化算法优化在线序贯极限学习机的超参数集,并引入马氏距离函数计算变桨系统状态监测模型的残差,判断风电机组变桨系统的异常。以辽宁某风电场1.5 MW双馈风电机组变桨系统为例,将所提出的模型分别与粒子群优化极限学习机、粒子群优化支持向量机、随机权神经网络、极限学习机和反向传播神经网络模型进行对比,结果表明所提出的模型精度优于其他模型,所提方法的故障检测正确率高于3σ阈值法和核主成分分析方法。     

大型风电机组电动变桨系统变桨角度故障诊断

为提高大型风电机组电动变桨系统变桨角度故障的判别准确性,结合模糊粗糙集特征量约简和基于粒子群算法优化的支持向量机进行变桨角度故障诊断分析研究。首先基于模糊粗糙集理论建立变桨系统特征参数约简的数学模型,通过对变桨相关运行数据进行约简,确定对故障诊断贡献率较高的参数;再利用实际运行数据训练经粒子群优化的支持向量机,从而获得高精度诊断模型;然后设计基于双层支持向量机的故障程度判别模型,可对故障进行进一步分类。最后通过实际运行数据对变桨角度故障进行诊断实验,实验结果表明,该诊断方法能准确快速地判别故障并可进行故障程度分类。     

基于温度归一化的风电机组发电量模型研究

针对环境温度影响风电机组的输出功率及发电量计算的问题,通过分析风速的分布建立威布尔分布模型;分析温度对风电机组输出功率的影响,推导出温度归一化的功率折算公式,将功率折算到统一基准温度下,提出基于温度归一化的风电机组发电量计算模型。以新疆某风电场为算例,分别计算出4台风电机组的发电量,将温度归一化模型和传统算法计算的发电量与实测SCADA数据进行对比,验证温度归一化模型计算发电量的精确性。     

基于单机功率间歇性度量指标的风场发电质量评估策略

风电场输出功率的间歇性会对大规模风电安全高效并网利用产生重要影响。本文对比分析了现有单个度量指标对全面刻画风电机组发电功率间歇性存在的不足,提出了一种双度量指标组合的风电机组功率间歇性的综合刻画量方法。在此基础上,对所有风电机组的功率间歇性度量指标序列进行互相关分析,将相关性较高的风电机组聚合在一起形成虚拟风电场;然后,对虚拟风场功率间歇性度量指标序列进行数据驱动建模预报,根据预报结果设置两个度量指标权重,给出可以综合评价未来一段时间虚拟风电场出力质量的系数。实际算例分析表明了上述方法的应用可行性,对风场安全并网和合理弃风具有一定的辅助决策支持作用。     

计及能量掺混的风电机组尾流叠加模型研究

风电机组可能受上游多台机组尾流共同影响,工程中一般应用叠加模型来模拟这种尾流叠加效应。尾流区与周围大气的能量掺混导致了尾流恢复,目前常用的尾流叠加模型无法体现这个效应。应用一维动量理论计算风电机组尾流区从周围大气吸收的能量,在能量守恒叠加模型的基础上,通过补充这部分掺混能量对其进行修正,从而提高了尾流场模拟精度。在Lillgrund海上风电场应用能量掺混叠加模型,流场模拟结果与实测数据对比表明,该模型可以准确模拟风电场内机组功率变化趋势,且相较于传统模型计算精度更高,对风电场发电量计算具有一定的参考价值。     

基于卷积神经网络与LightGBM的短期风电功率预测方法

考虑到风力发电存在的波动性和不确定性,提出一种基于卷积神经网络(CNN)和LightGBM相结合的风力发电机功率预测模型。先对相邻风电机组原始数据进行时序特征相关性分析,构建新的特征集;其次,应用CNN从输入数据中提取信息,并通过比较实际结果调整网络参数;再次,考虑到单一卷积模型在预测风电时的局限性,将LightGBM分类算法集成到模型中,从而提高预测的准确性和鲁棒性;最后,将提出的算法与已有的支持向量机、LightGBM、CNN进行仿真对比,结果表明所提出的融合模型具有更好的精度和效率。     

基于EEMD峭度-相关系数准则的多特征量风电机组轴承故障诊断

针对风力发电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出了一种集成经验模态分解与峭度-相关系数准则和多特征量提取的风电机组轴承故障程度的诊断方法。利用集成经验模态将振动信号分解成若干个本征模态分量,采用峭度和相关系数准则选取一组包含信息量最丰富的分量,对该组分量从时域指标、自回归模型参数矩阵的奇异值和能量熵3个角度的变化中提取和构造多特征量矩阵,输入支持向量机建立故障程度不同的多分类预测模型,优化核参数和惩罚参数取得轴承故障程度最佳预测精度。通过实验室数据验证了该方法是一种可行的风电机组轴承故障诊断方法,可实现对风电机组轴承故障早期处于的轻度、中度和重度等3种相对故障程度的准确分类和识别。