基于功率曲线分析与神经网络的风电机组故障预警方法

为尽早发现风电机组早期故障,减少风电场的运维成本,提出一种基于功率曲线分析与神经网络的故障预警方法。首先,依据功率特性曲线,使用最小二乘与离散度分析结合的算法对SCADA数据进行筛选,以保留符合机组正常工况的数据作为建模的训练数据,从而提高模型的精度。然后,使用随机森林算法筛选模型的输入参数以简化模型结构,并通过对比隐含层的数目建立风电机组的神经网络模型。最后,结合滑动窗口模型,提出一种能反映机组实时运行状态的指标,并通过非参数估计法确定该指标的阈值,以实现状态预警及在线监测。该方法充分利用SCADA数据,且不需要对风电机组复杂的物理特性进行分析。将该方法分别用于某风电场的变桨系统和偏航系统的故障预警,实验结果是分别提前18.5 h和28.4 h出现预警信号,进一步证明方法的有效性。     

基于NSET与信息熵的故障预警等级研究

为降低风电机组因机械故障引起的修复成本与风力资源的浪费,提出一种结合非线性状态估计(NSET)与信息熵理论的故障预警算法,使用系统监测数据完成关键设备故障预警,降低设备停机时长。将目标监测参数的前一时刻也作为特征参数之一,并以固定步距挑选历史正常监测数据,组成非线性状态估计算法的记忆矩阵;将改进的信息熵使用范畴进一步限定,并提出递进式故障预警等级,有助于直观了解设备衰退阶段。以风电机组SCADA数据作为数据源,预警发电机驱动端轴承温度高于上限值故障,并探讨不同归一化方法对所提算法的影响,故障算例显示所提算法能够提前预警潜在故障。     

风力发电机轴承复合故障特征提取方法研究

针对较强背景噪声干扰下的风力发电机轴承复合故障特征难以准确提取的问题,提出了基于自适应最大相关峭度解卷积(AMCKD)的风力发电机轴承复合故障特征提取的方法。首先,利用人工鱼群算法(AFSA)以解卷积信号包络谱的相关峭度值为目标函数对最大相关峭度解卷积算法(MCKD)的影响参数自适应寻优;然后,将影响参数优化的MCKD对原始故障信号进行解卷积处理,对解卷积信号进行包络谱分析,通过包络谱中的主导频率成分与轴承各元件的故障特征频率相对比,准确实现轴承复合故障的诊断。仿真和工程应用实例验证了所提方法的有效性与实用性。     

基于GMM工况辨识和DAE的风机齿轮箱状态监测

针对大型风电机组运行工况多变、数据量大的特点,提出一种将高斯混合模型(GMM)与深度自编码网络(DAE)相结合的风电机组齿轮箱状态监测方法。首先,基于GMM对风电机组运行工况进行辨识;然后,在各个子工况空间下,基于DAE建立正常运行状态下的齿轮箱油池温度模型,得到多工况阈值;最后,对DAE模型的重构误差进行分析,结合多工况阈值构建健康指数,实现风电机组齿轮箱的状态监测。以某台2 MW风电机组为实例进行验证,结果表明,该方法能够提前7天预警齿轮箱油池温度过高的故障;相对于基于DAE状态监测方法,在不影响在线监测时效性的情况下,该文所提方法能够提前约8 h预警潜在故障。     

基于核极限学习机的风电机组齿轮箱故障预警研究

风电机组运行环境恶劣、机组设备衰退是近年来齿轮箱故障频发的主要原因,其设备状态与机组安全性、运营成本息息相关。面对这一挑战,利用监控与数据采集系统数据,提出一种将保局投影、核极限学习机和信息熵相结合的风电机组齿轮箱故障预警方法。采用保局投影对风电机组状态参数进行特征提取后,使用核极限学习机建立状态参数预测模型,最后辅以改进的加入信息熵概念,可准确预警异常工况。以河北省张家口某一风电场的运行数据作为实例进行研究,仿真结果表明,所提算法至少能提前2天预警潜在故障,验证该预警方法的有效性与实效性。     

基于数据挖掘的风电机组叶片结冰故障诊断

针对风电机组叶片结冰故障无法精确预测的问题,提出基于数据挖掘的故障诊断方法。该方法首先采用特征筛选算法从SCADA高维数据种提取故障模式最相关的特征,然后结合类别不平衡学习算法处理高度不平衡的SCADA数据集,最后利用四种分类算法建立风电机组叶片结冰故障诊断模型。结果表明,基于随机森林算法的故障诊断模型具有最好的诊断性能和泛化性能,该方法能够实现风电机组叶片结冰故障的有效诊断,对风电机组的维护具有参考指导意义。     

基于自适应MPCA的翻车机液压系统状态监测与故障诊断

由于翻车机液压系统故障频发,严重影响生产,对其进行状态监测与故障诊断具有重要的实际意义。根据翻车机工作过程具有间歇性和时变性的特点,采用自适应多向主成分分析(MPCA)对其进行状态监测与故障诊断。应用加权递归算法自适应更新协方差矩阵,并通过权值调整新数据对最终模型参数的影响。针对Q贡献率不能反映各过程变量偏离正常范围的程度,导致故障定位不准。采用主成分t贡献率进行故障定位,其直接揭示了过程变量的变化程度。根据翻车机在线监测系统的运行情况证明自适应MPCA方法可以准确及时的发现故障,基于t贡献率的故障定位方法准确率可以达到90%。     

基于人工鱼群算法的轴承故障随机共振自适应检测方法

针对传统的自适应随机共振以单个参数为优化对象忽略参数间交互作用的不足及采用遗传算法优化参数在种群数量增加时算法收敛速度明显减缓的缺陷,提出基于人工鱼群算法的自适应随机共振新方法。该方法利用人工鱼群算法对初值、参数设定容许范围较大、具备并行处理能力及人工鱼个体数目增加时鱼群算法收敛速度能提高的特性,自适应实现与输入信号最佳匹配的随机共振系统。仿真数据与轴承滚动体故障数据分析表明,基于该算法的自适应随机共振方法可有效实现微弱特征检测与早期故障诊断。     

自适应二阶双稳态随机共振的微弱特征增强检测方法研究

针对大型机械设备运行环境恶劣故障特征难以提取的问题,提出一种自适应二阶双稳态随机共振方法。首先系统输出信号的信噪比作为蚁群算法的自适应度函数,然后采用蚁群算法优化二阶随机共振系统的参数和阻尼因子,再利用优化得到的最佳参数设置二阶随机共振系统,最后实现微弱故障特征的增强与提取。数值仿真分析表明:该方法可以有效地提取淹没在强噪声背景下的微弱正弦信号;而且深沟球轴承滚动体故障实验结果证明提出的方法能有效增强与提取滚动体故障特征频率。仿真与实验对比结果表明:提出的方法优于传统随机共振方法,归功于该方法不仅能够利用蚁群算法并行选择和优化随机共振系统参数,而且克服传统随机共振方法对高通滤波器的依赖。     

基于优化回声状态网络的微电网等效建模

为了使微电网建模更加精确,提出了一种基于优化回声状态网络(echo state network,ESN)的微电网等效建模方法。以微电网各种运行状态下并网接入端的电流和功率等数据分别作为网络的输入和输出,构建基于回声状态网络的微电网等效模型。由于回声状态网络初始化参数选取后就不再改变,缺乏自适应性,往往导致逼近能力不能达到最优;而烟花算法具有爆发性、瞬时性、分布并行性和可扩充性等优点;为了提高建模的精确性,故利用烟花算法对回声状态网络进行参数优化。通过模拟烟花的爆炸来建立数学模型,计算个体适应度值选择最优个体。建模结果与微电网并网仿真的实测数据对比,验证了该建模方法的合理型和准确性,说明所建模型具有较好的实际应用价值。     

基于多元角域指标离群检测的风电齿轮箱故障预警方法

针对风速和载荷随机波动造成的早期故障特征难以提取和量化的特点,提出基于多元角域指标离群检测的风电齿轮箱故障预警方法。首先利用阶比重采样技术将非平稳的时域振动信号转化为具有平稳或准平稳特性的角域信号,提取角域无量纲指标反映风电齿轮箱早期故障趋势;其次利用多元相关度测量建立风电齿轮箱早期故障识别模型;最后采用多元离群检测方法实现风电齿轮箱早期故障预警。实验表明,该方法能够实现较为准确地的风电齿轮箱早期故障预警,具有较好的工程实际意义。     

基于小波包变换和随机森林算法的光伏系统故障分类

针对光伏系统故障分类问题,提出一种小波包变换和随机森林算法相结合的故障分类方法。采集光伏系统的故障电压数据,利用小波包变换对电压信号进行分解,提取各频带能量作为故障特征,将特征样本送入随机森林算法中进行分类。随机森林算法是结合集成学习理论和随机子空间方法的一种算法,可以对多种故障做出准确分类。使用PSCAD/EMTDC搭建独立光伏发电系统,选取12种故障进行模拟,得到600个故障样本,选取其中360个样本用于训练分类器,240个样本用于测试分类器的分类性能。仿真结果表明:该方法可有效辨别光伏系统的12种故障,分类准确率达到97.92%。与RBF神经网络分类器相比,故障分类准确率提高了4.17%,对进一步实现光伏系统故障诊断研究具有重要意义。     

基于振动分布特征的电力变压器绕组故障诊断

振动分析法是实现电力变压器带电监测与故障诊断的重要手段,而基于振动分析法的故障诊断方法的关键在于从复杂的油箱壁振动信号中提取出状态特征(值或矢量)。传统的状态特征提取方法大多选取单个测点的振动信号进行时域或频域特征的提取,往往忽略了各测点间的振动分布特征。从振动重心的角度对振动分布的幅值重心及重心轨迹进行研究与分析,能够提出四个量化参数。在四个量化参数的基础上结合支持向量机分类算法提出基于振动分布特征的变压器绕组故障诊断模型。实际变压器的绕组故障实验以及十余台台电力变压器现场实测数据样本的分析与测试结果均表明,提出的振动分布特征及量化参数能够有效反映变压器绕组变形、压紧力松弛等机械结构变化,而基于振动分布特征的绕组故障诊断模型也可准确的对变压器绕组机械结构状态进行检测与诊断。     

基于改进KNN回归算法的风电机组齿轮箱状态监测

针对风电机组齿轮箱的状态监测问题,提出使用改进KNN回归算法建立齿轮箱的正常行为模型。首先,对经典KNN回归算法的距离度量公式进行改进,实验证明预测精度提高约60%;其次,基于改进的离群点和相似点剪辑算法优化KNN回归算法的训练集以提升运算效率,优化后计算时间缩短约20%,预测精度基本保持不变。最后,针对某风电场一台2 MW风电机组的齿轮箱实际故障数据,应用提出的改进KNN回归算法并结合统计过程控制相关理论,实现对齿轮箱故障的预警。结果表明:较经典KNN算法,提出的改进算法故障预警能力显著增强。     

Small signal stability analysis and optimal control of a wind turbine with doubly fed induction generator

A novel method using particle swarm optimisation (PSO) is proposed for optimising parameters of controllers of a wind turbine (WT) with doubly fed induction generator (DFIG). The PSO algorithm is employed in the proposed parameter tuning method to search for the optimal parameters of controllers and achieve the optimal coordinated control of multiple controllers of WT system. The implementation of the algorithm for optimising the controllers' parameters is described in detail. In the analysis, the generic dynamic model of WT with DFIG and its associated controllers is presented, and the small signal stability model is derived; based on this, an eigenvalue-based objective function is utilised in the PSO-based optimisation algorithm to optimise the controllers' parameters. With the optimised controller parameters, the system stability is improved under both small and large disturbances. Furthermore, the fault ride-through capability of the WT with DFIG can be improved using the optimised controller. Simulations are performed to illustrate the control performance.     

基于活塞杆轴心位置轨迹的往复压缩机故障诊断技术研究

提出了一种基于X方向、y方向的活塞杆轴心位置轨迹(Piston-Rod Axis Orbit)的故障诊断分析新方法,通过定义5种图形和6个特征参数来反映活塞杆的运行状态,解决了常规手段只能单一监测垂直方向位移的问题.通过仿真数据和故障数据分析,验证了活塞杆轴心位置图分析方法可以有效判断往复压缩机整个支承环的磨损方向和磨损程度,对于早期预警活塞组件、活塞杆运行状态十分有效.建立的理论方法可以早期、完整地发现往复压缩机活塞组件的潜在故障,定义的特征参数为早期预警和故障诊断专家系统规则量化提供了理论基础.     

Weak Fault Diagnosis of Rolling Bearing Based on Improved Stochastic Resonance

Stochastic resonance can use noise to enhance weak signals, effectively reducing the effect of noise signals on feature extraction. In order to improve the early fault recognition rate of rolling bearings, and to overcome the shortcomings of lack of interaction in the selection of SR (Stochastic Resonance) method parameters and the lack of validation of the extracted features, an adaptive genetic random resonance early fault diagnosis method for rolling bearings was proposed. compared with the existing methods, the AGSR (Adaptive Genetic Stochastic Resonance) method uses genetic algorithms to optimize the system parameters, and further optimizes the parameters while considering the interaction between the parameters. This method can effectively extract the weak fault features of the bearing. In order to verify the effect of feature extraction, the feature signal extracted by AGSR method was input into the Fully connected neural network for fault diagnosis. the practicality of the algorithm is verified by simulation data and rolling bearing experimental data. the results show that the proposed method can effectively detect the early weak features of rolling bearings, and the fault diagnosis effect is better than the existing methods.     

基于样本熵的风力发电机早期故障检测

针对发电机定子匝间短路和转子断条等早期故障特征具有幅值小、非稳态、易受工况影响等特点,引入样本熵算法实现风力发电机定子电流和电磁转矩信号特征提取,并模拟不同负载条件下故障信号,实现定量参数分析。分析结果表明,样本熵算法适用于在变工况及噪声干扰条件下,对短数据参量进行分析并实现故障特征定量描述,可用于风力发电机早期故障检测和实时在线监测。     

基于分形维数和GA-SVM的风电机组齿轮箱轴承故障诊断

对风机齿轮箱轴承故障诊断进行了研究,提出一种基于分形维数和遗传算法支持向量机(GA-SVM)相结合的故障诊断算法。基于常用的时域特征参数作为支持向量机的识别参数,引入分形维数特征参数来提升支持向量机的识别精度。提出了基于遗传算法(GA)的支持向量机参数优化的模型,通过GA的寻优自动获得最优的支持向量机参数。采用某风场的风电机组齿轮箱轴承数据进行故障诊断,实验表明,所提出的GA-SVM模型很好地解决了参数选择的问题,同时基于分形维数的特征参数也提高了风电机组轴承故障的识别准确率。     

Super-short-time wind power combination forecasting based on support vector machine optimized by EMD-SC and AGSA北大核心CSCD

Due to the randomness, volatility and relativity of the wind power, it brings great challenges to wind power integration. To improve the ultra short-term prediction accuracy of the wind power, a kind of method for predicting super-short-term wind power based on empirical mode decomposition (EMD) and spectral clustering (SC) and ameliorated gravitational search algorithm (AGSA) that could optimize the learning parameters of support vector machine (SVM) was put forward. Firstly, the raw data of the wind power was denoised by EMD to eliminate the irregular data; then the cluster analysis of the subsequences from EMD was carried out by SC, and SVM's model was optimized by applying AGSA to predict each subsequence respectively; finally the results of the subsequences were added together to get the ultimate predicted value. Taking one wind farm's actual data as an example, the simulation indicates that the proposed model can improve the accuracy and veracity when predicting wind power. Meanwhile, it also suggests the reasonability of this method. The method can forecast wind power accurately.