基于特征选择和XGBoost的风机叶片结冰预测

风电场风机叶片积冰会造成风电机组的效率降低,严重时会导致叶片断裂,严重威胁风电场的正常生产运行。提出了一种基于Relief的特征选择和XGBoost的风机叶片结冰预测方法,能够根据风机运行的SCADA数据对叶片结冰的早期过程进行精确预测,并采用某风电场的2台风机数据进行模型验证和对比试验,取得了较好的预测精度,提升了预测速度,能够有效预测早期叶片结冰故障的发生,从而为降低风机的效率损失和风机的运行风险提供数据支撑。     

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XGBoost-KDE的风机主轴承温度预测与故障预警方法

风力发电机主轴承的故障诊断是提高其可靠性和可用性的关键。为及时发现风机主轴承故障,提出一种基于XGBoost-KDE的风机主轴承温度预测与故障预警方法。选用数据采集与监视控制（SCADA）系统中相关的特征参数作为输入变量,对风机正常工况下的主轴承温度进行预测,得到预测值和正常工作时运行数据的残差;之后运用非参数核密度估计（KDE）法确定残差预警阈值,结合滑动窗口分析法实现风机主轴承故障预警。以某2 MW等级风电机组为研究对象,采用SCADA系统中的运行数据做验证,实验结果表明,该方法可以对风机正常工况下的主轴承温度实现97.6%的精准预测,并对主轴承故障时产生的温度曲线波动做出反应,提前近1个月对风机主轴承故障进行有效预警。     

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。     

基于大数据分析的风机轴承故障预警

将大数据分析应用到风机轴承故障预警中,使用栈式自动编码器（SAE）为基本结构,通过逐层提取风机轴承监视控制与数据采集系统（SCADA）数据深层特征,将散乱的SCADA大数据转化成能够深度刻画风机轴承运行状态的内在特征。利用预训练、微调的方法并结合误差反向传播算法（BP）构建SAE故障预警模型,通过SAE模型对大数据处理得到反映风机轴承运行状态的重构误差平均值,以均值漂移聚类算法动态地计算出风机轴承稳定运行状态重构误差基准值为预警的标准。最后利用某风电场机组的SCADA数据进行工程实例仿真分析,验证了基于大数据分析用于风机轴承故障预警的可行性。     

基于GRA-LSTM-Stacking模型的海上双馈风力发电机早期故障预警与诊断

为防止海上双馈风力发电机(doubly-fedinduction generator,DFIG)故障迅速恶化而导致的重大经济损失,迫切需要尽早给出故障预警信号。针对现有海上SCADA系统面临的预警时间不足以及故障样本获取困难的问题,该文提出一种基于GRA-LSTM-Stacking模型的海上DFIG早期故障预警与诊断方法。首先,对SCADA系统采集的数据进行灰色关联分析(grey relation analysis,GRA),筛选出与DFIG运行温度高度相关的状态变量;然后,通过长短期记忆网络(long short-term memory,LSTM)预测正常工况下DFIG的运行温度,计算实际值与预测值的残差绝对值,并使用概率分布拟合的方法设置告警阈值,据此对风机早期故障进行预警,并提取故障样本;最后,通过Stacking融合算法框架对提取的DFIG故障样本进行精确故障诊断。以某海上风电场3MW双馈式风机SCADA数据为例进行分析,结果表明:该文所提的GRA-LSTM-Stacking诊断模型既能提前29～72h识别海上DFIG早期故障,并能精确诊断出故障类型,还能有效提高海上DFIG的故障诊断精度,为深远海风电开发提供技术储备。     

知识驱动的风电机组主动预警系统研发

文中介绍了知识驱动的风电机组主动预警系统的构架及开发环境,阐述了其设计和实施要点,分析了系统优势并总结了其投入运行后的成效。该系统创新型结合分析SCADA和CMS数据,实现对风电机组尤其是大部件的故障预警,其投运可为风电场关键部件的检修提供科学合理的决策依据,也可为风电场的安全经济运行提供重要的技术支持。     

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。     

基于神经模糊网络的短期风电预测

本文利用中尺度NWP模型,以半小时为间隔,对风电场参考点未来36小时的气象变量进行了预报,提出了一种基于神经网络和模糊逻辑相结合的混合计算智能技术的风力发电预测统计模型.利用该统计模型对NWP模型输出、SCADA和风塔的实测数据进行处理,准确预测风电场中各风机的风电功率.同时介绍了网络结构和训练算法,并将该预测方法应用于我国某实际风电场的风电预测.预测风电与实际风电之间的均方根误差(RMSE)小于20％.预测结果表明,训练后的神经模糊网络对风电场建模和风电预测具有较强的应用价值.由于神经模糊网络的适应性,该方法可集成到在线风电预测系统中,在运行过程中自动调整.     

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。     

电网电流不对称引起大规模风机跳闸原因分析

随着风电场规模的不断扩大,深入研究风电场与电网的相互作用成为进一步开发风电所必需的工作.以双馈异步风力发电系统为研究对象,着眼于并网风电场与电网之间的相互影响,测量风电场并网运行中的电能质量数据,分析甘肃境内某风电场(M风电场)由于电网电流不对称故障引起大规模风机跳机的情况.实践证明,通过调整风机及变频器参数可有效排除风机跳闸故障,保障风电场安全、稳定运行.     

基于WGAN-GP的风电机组传动链故障诊断

传动链负责将风电机组叶轮的能量传递至发电机,若传动链中的任一部件,如齿轮、轴承发生异常,风电机组将面临巨大的安全隐患.现有基于深度学习的风电机组故障诊断大多需要人为选择目标变量,所识别故障与所选变量关联性大、通用性不足.梯度惩罚Wasserstein生成对抗网络(WGAN-GP)采用Wasserstein距离作为量度生成数据与真实数据的代价函数,具有训练结果稳定的优势.文中基于数据采集与监控(SCADA)系统提出两步数据预处理方法进行数据筛选,并基于WGAN-GP设计风电机组传动链异常状态分数,进而识别传动链故障.所提方法运用通用SCADA参数,无须人为挑选目标变量,可稳定识别风电机组传动链中的非特定故障,具有识别结果准确、泛化能力强等优点.9台双馈风电机组的状态识别结果验证了所提方法的有效性,可以辅助指导风电场的运行维护.     

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。     

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。     

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。     

基于SCADA和支持向量回归的风电机组状态在线评估方法

为提高风电机组并网运行的实时可靠性、优化机组维修策略、降低风力发电成本,有必要充分考虑风电机组各部件或子系统之间的相互作用和耦合关系。利用数据挖掘技术,建立了一个针对风电机组整体运行状态的在线评估模型。首先,分析了数据采集与监控(SCADA)报警系统的不足,提出了基于回归预测模型和SCADA报警系统相配合的鲁棒性更强的在线评估方案;其次,对评估方案中的回归预测模型进行了详细说明,建立了以SCADA系统的部分监测项目为输入量、以风电机组有功功率为输出量的基于支持向量回归(SVR)算法的回归预测模型。最后,利用某风电场的实测数据对所提出的在线评估模型进行了验证,结果证明了此方法的可行性。     

海上风电场维护任务动态调度策略

在海上风浪、载荷等因素的耦合作用下,风机状态数据波动迅速,时变工况下风机状态特征的敏感性导致维护需求的动态变化,增加了风电场维护任务精准调度的难度.文中提出了海上时变工况下考虑风机状态风险态势的风电场维护任务动态调度方法.首先,利用模糊C均值聚类算法划分风机时变工况,通过采用改进联合领域自适应卷积神经网络最小化特征分布差异,实现时变工况下风机状态特征自适应提取.然后,根据部件状态序列利用马尔可夫模型描述各部件的初始状态转移矩阵,考虑到不完全维护对机组部件性能的影响,引入部件性能退化过程,建立了考虑风机自适应状态评估的风险态势预测模型.同时,提出以维护船只、人员、工作时长等条件为约束,以单位电量调度维护成本最小为目标的海上风电场维护任务动态调度方法,实现了时变工况下海上风电场维护任务的动态调度.最后,以某海上风电场为例,验证了所提方法的有效性和经济性.     

风电场运行数据分析

为了挖掘风电大数据蕴含的深层信息,探索风电场生产运行的规律,科学指导风电场生产经济运行,开展风电场运行数据分析研究,以风电场风力发电机组SCADA系统运行数据为主要研究对象,以电力大数据分析为基本思路,以计量经济学和统计学为主要研究方法,提出了风电场大数据分析的层次结构,归纳了风电场数据分类框架结构,分析了风电场风力发电机不同参数的运行特性,在数据分析的基础上验证了时下风电产业热点研究方向的研究必要性。     

风力发电机故障间隔时间分布模型研究

以某风电场33台风电机组为期半年的故障数据为依据,建立了风机故障间隔时间分布模型,采用三参数威布尔分布的可靠性建模方法,引进位置参数力求模型精确。最后对该型号风机可靠性指标进行了简要的分析,给出了提高风机可靠性的措施,为风电场日常的运行维护提供了依据。