考虑运行状态相似性的风电机组数据异常检测方法

文中提出一种利用风电场内运行状态相似的风电机组数据采集与监控（SCADA）数据提升异常检测结果准确性的方法。首先,基于实际数据的分析结果,提出了风电机组运行状态的相似性比较原则,进而提出了基于互信息特征选择算法和迭代自组织数据分析聚类算法的运行状态相似性评估方法。然后,在考虑状态变量短时相依性的基础上,利用待检测风电机组的历史SCADA数据构建了基于支持向量机的确定性估计模型,利用相似风电机组的历史SCADA数据构建了基于核密度估计的组合概率估计模型。进一步,利用确定型估计模型和组合概率估计模型分别对目标变量的异常状态进行自检测和外部检测,通过2次检测结果的互相印证来提升异常检测结果的准确性和可靠性。最后,基于一个实际风电场内所有风电机组的SCADA数据和对比实验验证了所提方法的可行性和准确性。     

基于支持向量数据描述和XGBoost的风电机组异常工况预警研究

该文提出一种基于支持向量数据描述（SVDD）和XGBoost模型的风电机组异常工况预警方法。从机组监控与数据采集系统（SCADA）数据中选择与转速和发电功率密切相关的特征变量,利用SVDD算法对建模数据进行预处理,采用XGBoost建立风机正常性能预测模型。以所建预测模型为基础,构建时间滑动窗计算性能评价指标,并根据统计学的区间估计理论合理确定风机性能异常预警指标阈值。采用某风电场1.5MW风电机组SCADA系统记录的若干真实故障案例,开展异常工况预警仿真试验。结果表明：基于SVDD和XGBoost的风机异常工况预警方法,可以有效地清洗数据,及时识别风电机组异常状态,对于提高风电机组运行的安全性具有较好的工程实用意义。     

基于SCADA数据驱动的风电机组状态监测

监测控制与数据采集 (SCADA)系统广泛部署于各大风场的风电机组上,其采集的 SCADA 数据可用于风电机组的状态监测.为了更有效地捕获SCADA 数据中的空间关联性,可以改进Inceptionv１方法建立１D_Inception v１模型提取SCADA 数据中的空间多尺度特征,以更准确地对风电机组进行状态监测.实验结果表明,该模型提供了一种端到端的数据驱动方法,可以直接从SCADA 原始数据中学习空间关联性,给出故障诊断结果,相较于传统方法有着更高的准确率.使用基于１D_Inceptionv１模型的数据驱动方法,可以及时、准确地对风电机组进行状态监测, 降低风电机组的运行和维护成本。     

基于SCADA运行数据的风电机组塔架振动建模与监测

振动信号是风电机组数据采集与监视控制(supervisory control and data acquisition,SCADA)系统中的一类重要变量.对振动信号的建模和分析可以实现对机组重要部件如塔架、传动链、叶轮等的状态监测工作.采用非线性状态估计技术(nonlinear state estimate technique,NSET)作为建模方法,在对风电机组塔架振动特性及其影响因素进行细致分析的基础上,建立了塔架振动模型.该模型由额定风速以下和额定风速以上两部分子模型构成.同时,对非线性状态估计技术的物理意义及特点进行了深入的分析和探讨.在某风电机组2006年4至6月份SCADA数据的基础上,建立了覆盖其正常工作状态的塔架振动模型,并对该模型进行了验证.研究表明,基于NSET的塔架振动建模方法具有方法简单、物理意义明确和建模精度高等优点,为后续拟开展的风电机组振动状态监测和早期故障诊断打下了良好的基础,同时为风电机组振动分析提供了新的思路.     

采用滑动窗口及多重加噪比堆栈降噪自编码的风电机组状态异常检测方法

该文提出一种基于多元变量数据重构的风电机组状态异常检测方法。针对风电场数据采集与监控(SCADA)系统数据,首先,建立基于滑动窗口的堆栈降噪自编码(SDAE)模型,在获取机组正常运行状态下变量间的互相关性和各变量短时相依性的基础上重构机组状态数据;其次,为提高模型特征学习能力,提出多重加噪比的SDAE模型训练方法学习机组状态参数的全局和局部特征;最后,采用重构误差的马氏距离为机组状态监测指标,通过核密度估计方法分析机组正常数据监测指标的概率密度分布,确定机组正常运行状态下监测指标的阈值,定义监测指标连续越限数监测机组状态,计算各状态参数对监测指标越限的贡献度,实现机组参数异常检测。华东某风电场SCADA数据分析结果表明该方法可有效地用于实际风电机组运行状态的异常检测。     

基于GRU和注意力机制的海上风机齿轮箱状态监测

海上风电机组齿轮箱运行状态的有效监测和及时预警对海上风机运维工作具有重要意义。为此,提出一种基于门控循环单元(Gated Recurrent Unit, GRU)和注意力机制的海上风电机组齿轮箱状态监测方法。在训练阶段,通过注意力机制自动提取海上风电SCADA数据集输入参量与目标建模参量间的关联关系,同时采用GRU网络提取数据间的时序依赖关系,进而建立风电机组齿轮箱的正常行为模型。在测试阶段,采用指数加权移动平均值(Exponentially Weighted Moving-Average,EWMA)控制图对目标建模参量实际值和模型预测值间的输出残差进行监控,实现海上风机齿轮箱运行状态的实时监测和预警。最后基于东海大桥海上风电场真实数据对所提方法的有效性和优越性进行了验证。结果表明：所提方法对故障和正常运行条件下的海上风电机组齿轮箱状态均可进行有效监测,且相比现有陆上风机状态监测方法具有更高的精度和可解释性,并能更早地揭示故障趋势。     

考虑多信息融合的风电机组状态评估与预测系统开发

为降低风电机组故障发生概率,提高其可靠性,该文利用数据采集与监控系统（supervisory control and data acquisition,SCADA）检测获得的风电机组运行状态数据,通过研究多指标融合状态评价模型及其预测算法,解决风电机组状态参数评估与预测难题。结合SCADA系统结构,设计并规划风电机组状态参数评估与预测系统架构与功能;利用输出功率波动、风能利用率以及开机运行比率3项参数,基于阈值法,建立风电机组状态退化评价指标模型,通过主成分分析法对3个评估标准进行权重计算,并将各指标进行信息融合,综合反应风电机组运行状态;设计Convolutional Neural Network-Long Short-Term Memory风电机组状态预测模型,实施风电场运行状态参数预测;开发风电机组状态评估与预测系统软件,验证所提方法的有效性。     

风电机组健康状态预测中异常数据在线清洗

风电机组数据采集与监视控制系统(SCADA)运行数据中含有大量异常数据,对风电机组健康状态预测影响严重,为此针对实测风速-功率、转速-功率数据,提出一种异常数据在线清洗方法.由于机组性能退化过程中数据特征趋于复杂,基于经验Copula-互信息(ECMI)选择关键特征参量作为数据清洗对象,并基于Copula建立置信等效功率区间描述其非线性与不确定性.针对置信边界外的堆积点和离群点,结合其时序特征与密度分布建立Copula数据清洗模型(Copula-TFDD),依次进行在线清洗.最后,基于实际数据与人工模拟数据分析模型的精度、运算效率以及对机组健康状态预测的影响表明,Copula-TFDD能准确并实时地识别各类异常数据,有效提升风电机组健康状态预测的性能.     

基于功率曲线的风电机组数据清洗算法

针对风电机组性能分析过程繁琐低效、数据清洗不彻底以及传统方法难以有效识别复杂多变的异常发电状态的问题,提出一种用于风电机组功率曲线分析的数据清洗算法。通过分析风电机组数据采集与监控(SCADA)系统采集的风速功率数据,优化数据处理规则与数据分析过程,提出最优组内方差清洗算法,检测机组发电性能异常的状态,降低对检测工具和数据维度的硬性要求。实例分析表明该方法实用、高效,在不增加硬件设备投资的前提下,能准确清洗风电机组功率曲线数据并识别出机组异常运行状态,显著提高了风电机组性能分析的准确性。     

神经网络技术在风电机组SCADA数据分析中的应用研究

随着海上风电场的快速发展,降低运维成本和提高风电机组可用性问题已成为研究热点。文中提出一种数据驱动的风电机组性能评估方法用来提高风电机组运维效率,降低维护成本。该方法结合了神经网络和随机过程理论,对风电机组数据采集与监视控制系统(supervisory control and data acquisition,SCADA)数据进行分析,建立了风电机组运行行为模型,提出了评估风电机组运行性能的指标。在此基础上,结合9台风电机组的SCADA数据,评估了运行性能。针对风电机组运行中出现的异常状态,分析了可能的原因,并提出了相应的维修建议。结果表明,该方法能够有效地分析SCADA数据,所提指标对提高风电场运维效率具有参考价值。     

基于PCA-KNN融合算法的风力机变桨角度故障诊断方法

针对风力机变桨系统变桨角度4种主要故障类型,基于机组SCADA数据分析,提出一种基于非参数核密度估计和Relief-F特征参数提取数据处理,以及PCA-KNN融合算法故障诊断的风力机变桨角度异常状态识别方法。首先,对风力机SCADA数据进行非参数核密度估计预处理,运用Relief-F算法提取变桨角度故障的7类（13个）特征参数;然后,通过PCA-KNN融合算法对变桨角度故障状态进行识别,结果表明：该方法能够准确识别变桨角度4种主要的故障类型。最后,将改进的PCA-KNN融合算法与常用的KNN算法、PCA-KNN算法和BP神经网络进行对比,结果表明：改进的PCA-KNN融合算法具有更为准确的识别率。     

基于相对主元分析的风电机组塔架振动状态监测与故障诊断

振动信号是风电机组数据采集与监控系统（supervisory control and data acquisition system, SCADA）中一类重要变量。以风电机组SCADA运行数据为基础,首先结合风机运行原理详细分析了导致塔架振动的主要因素。进而采用相对主元分析（relative principal component analysis,RPCA）和某风电机组2011年3~5月份的SCADA运行数据,建立了覆盖塔架正常工作状态的RPCA振动模型,计算得出监控统计量Hotelling T2（简称T2）和平方预测误差（squared prediction error,SPE）。采用塔架振动RPCA模型,准确检测出风电机组变桨系统故障,验证了所研究方法的有效性。     

大功率风电机组变桨系统故障诊断方法与技术研究进展

变桨系统是大功率风电机组重要的子系统,其主要功能是使桨叶快速高效地捕捉风能,最大限度地利用风能。作为故障频发的子系统,变桨系统能否正常运行直接影响机组的安全稳定运行。综述风电机组变桨系统故障诊断方法和技术的研究进展。首先,介绍变桨系统故障诊断的背景及意义;然后阐述变桨系统主要的故障类型、故障机理及相应的敏感参数,变桨系统故障诊断常用的三种方法,即基于解析模型、基于信号分析以及基于人工智能的诊断方法;最后,介绍基于SCADA系统数据的混合智能诊断技术的发展情况,对本领域未来的发展趋势进行了展望。     

应用深度自编码网络和XGBoost的风电机组发电机故障诊断

针对风电机组现场故障样本难获取的问题,为实现风电机组发电机部件的故障诊断,通过分析风机监控与采集(SCADA)数据,设计了基于深度自编码(DAE)网络和XGBoost的故障诊断算法。该算法包含两部分:第一部分是DAE故障检测算法,通过DAE获取SCADA数据的重构值,分析重构误差的变化趋势与其超越阈值的情况以预测风机故障和提取故障样本;第二部分是XGBoost故障识别算法,用贝叶斯优化搜索XGBoost的最优超参数,建立XGBoost多分类故障识别模型。算例结果表明,DAE算法能够捕获风电机组发电机早期故障,XGBoost比其他算法更精确地识别不同故障类型。     

大数据驱动下的风电机组工作状态决策树判别方法

风电机组所处工作状态的准确判别,对于掌握风电机组是否安全稳定高效运行具有重要的价值和意义。基于北方某风电场SCADA系统历史大数据,利用统计原理对风电机组特征参数进行了选取,在此基础上建立了一种判别风电机组工作状态的决策树(Decision Tree Algorithm)算法模型,并对模型参数进行了网格搜索优化,同时使用了新的历史数据对模型泛化能力做了检验,递归计算了风电机组不同状态下的信息增益和信息熵。依据风场历史数据对风电机组6种典型工作状态模式做了判别验证,结果表明该方法能够准确有效地判别给出风电机组工作状态模式,准确率平均达到0.989,从而验证了此方法的可行性和有效性。     

基于混合Copula函数的风电机组异常识别方法

风电机组的功率曲线是衡量风电机组运行性能的重要指标,其中存在大量异常数据直接影响风电机组运行维护,研究功率曲线异常识别方法对提高风电机组运行稳定性具有重大意义。本文通过对功率曲线的特性分析,分三种工况建立了基于概率分布函数(Copula函数)的功率曲线异常数据识别模型及影响因素Kendall秩相关分析,从而确定了与功率曲线高度相关的特征参量;通过Copula函数得到了功率曲线上下边界,对上下边界外的可疑点进行时序分析及欧氏距离计算,从而判断可疑点是否为异常点;采用SVM线性回归方法建立了预测模型,并采用某风电场SCADA数据对本文提出的方法进行验证。结果表明,在三种不同工况下,该方法可实现功率曲线异常数据准确识别,精准故障定位,为风电机组的运行维护工作提供新的方法。     

计及信息不确定性的风电机组健康状态实时评估方法

运行工况识别作为风电机组状态监测与健康管理领域的重要环节,往往受到不确定信息以及高速实时数据流的影响,造成健康状态评估难以有效实施。在此背景下,文中提出一种基于Spark流式处理的健康状态实时评估方法。首先,采用大数据分析技术实现风电机组运行工况的空间划分;然后,在充分考虑风电机组监测信息不确定性的情况下,结合数据采集与监控(SCADA)历史运行数据,对基于高斯云模型和高斯云变换的健康状态评估模型进行训练,并以健康指数作为风电机组健康状态评估的指标。最后,将该评估方法应用在中国北方某风电场1.5 MW风电机组故障前的健康状态评估中。算例分析结果表明,该方法可监测到风电机组健康状态的变化趋势,初步实现了故障的早期预警。     

基于EEMD-RVM风力发电机故障诊断方法研究

针对风力发电机早期故障表征不明显、能采集有效数据量较少、诊断结果精度较低等问题,文中提出一种运用综合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)结合相关向量机的方法对风力发电机多类故障进行早期诊断。首先,利用EEMD结合灰色关联度的方法对风机各类故障的振动信号进行预处理,提取最优故障特征;再通过相关向量机(Relevance Vector Machine,RVM)对提取的故障特征训练,并建立相应的故障诊断模型进行诊断。在实例中将文中所提方法 EEMD-RVM与小波包分解(Wavelet Packet Decomposition,WPD)结合RVM以及EEMD结合最小二乘支持向量机LS-SVM(Least Square Support Vector Machine,LS-SVM)方法的诊断结果作对比,结果表明,EEMD-RVM方法具有可行性,且具有耗时短、精度高等优点。     

考虑不平衡磁拉力的双馈异步风力发电机轴承外圈故障动力学建模

轴承故障会引起双馈异步风力发电机转子气隙变化,产生不平衡磁拉力(UMP)。为准确揭示双馈异步风力发电机轴承故障振动特性,开展了考虑UMP的双馈异步风力发电机轴承外圈故障动力学建模研究。首先,基于赫兹接触理论构建了轴承外圈故障模型;然后,推导了正常和轴承故障下发电机转子的气隙磁密,得到了发电机转子受到的UMP解析式;最后,采用Runge-Kutta法对模型进行求解,得到了轴承故障振动响应。试验分析表明：所提动力学模型能够有效揭示双馈异步风力发电机轴承故障振动信号的双冲击现象,UMP激励会影响风力发电机轴承外圈故障振动信号的调制特性。为风力发电机轴承故障诊断提供了新的理论参考。     

基于多源信息融合-相关向量机的风力发电机故障诊断

为了能够全面准确地识别风力发电机的故障类别,考虑信号源振动和电流之间的相关性,提出了一种基于信息融合和改进相关向量机相结合的故障诊断方法。通过直驱风力发电机试验台实测数据,提取具有较高敏感度的特征参数作为诊断样本,建立基于振动和电流的改进相关向量机诊断模型进行初步故障诊断。利用信息融合建立多信号源故障诊断模型,获得最终风机故障诊断结果。试验表明,与基于单一信号的故障诊断方法相比,该方法具有更高的准确性,能很好地识别具有机电耦合特性的风力发电机故障类型。