基于深度卷积自编码器的风电机组故障预警方法研究

通过风电机组状态监测进行故障预警,可防止故障进一步发展,降低风场运维成本。为充分挖掘风电机组监控与数据采集（SCADA）各状态参数时序信息,以及不同参数之间的非线性关系,该文将深度学习中自动编码器（AE）与卷积神经网络（CNN）相结合,提出基于深度卷积自编码（DCAE）的风电机组状态监测故障预警方法。首先基于历史SCADA数据离线建立基于DCAE的机组正常运行状态模型,然后分析重构误差确定告警阈值,使用EMWA控制图对实时对机组状态监测并进行故障预警。以北方某风电场2 MW双馈型风电机组叶片故障为实例进行实验分析,结果表明该文提出DCAE状态监测故障预警方法,可有效对机组故障提前预警,且优于现有基于深度学习的风电机组故障预警方法,可显著提升重构精度、减少模型参数和训练时间。     

基于融合理论的风电机组状态评价正态云模型

针对目前风电机组状态评价中关键参数确定方法客观性不足的问题,以及对关键部件劣化程度准确掌握的需求,提出一种基于证据融合理论及正态云模型的风电机组状态综合评价方法。该方法引入修正温度的概念,利用环境温度(T_e)和有功功率(P)对温度参数进行修正来确定修正阈值;引入DSmT理论中的PCR5融合规则对权重进行融合;利用3εn准则确定评价模型的数字特征,从而提高了模型中关键参数确定的客观性。最后,利用某风场1.5 MW直驱式机组的SCADA数据进行验证。结果表明,该文方法可在故障发生前得出状态已成逐渐下降的趋势的结论,对机组早期缺陷发出报警,从而达到整机状态预警的目的,对运维有指导意义。     

XGBoost算法在风电机组发电机故障监测预警中的应用研究

发电机作为整个风电机组的核心部件之一,其能否正常运行将严重影响风电机组的持续发电。利用集成机器学习算法中的梯度提升算法XGBoost对风电机组发电机故障监测预警进行研究。首先,提取数据采集与监控(SCADA)系统数据库中风电机组在并网状态下的正常运行大数据,对缺失、异常数据进行预处理后,结合运维专家经验利用XGBoost算法筛选出关键特征变量;然后经过训练和参数调整,建立最优风电机组发电机故障监测预警模型;通过对照研究发现,XGBoost算法对风电机组发电机进行故障监测预警的效果优于随机森林算法和Cat Boost算法;最后利用关键特征变量重要性排序作为风电机组发电机故障诊断与定位的参考。     

基于深度学习网络的风电机组主轴承故障检测

针对风电机组数据采集与监视控制(supervisory control and data acquisition,SCADA)变量间存在的长期动态平衡关系,提出一种基于风电机组主轴承SCADA状态监测数据逐层编码网络的深度学习方法。首先利用受限玻尔兹曼机逐层智能学习主轴承样本数据蕴含的特定规则形成抽象的表示,构建深度学习网络模型。然后将主轴承SCADA数据输入网络,并计算反映主轴承整体状态的重构误差。根据故障状态下主轴承数据内部规则被破坏,选用指数加权移动平均值(exponentially weighted moving average,EWMA)阈值检测重构误差的趋势变化,并作为判定风电机组主轴承故障的决策准则。通过对主轴承故障前后记录数据进行仿真分析,仿真结果验证逐层编码网络深度学习方法对主轴承故障检测的有效性。     

数据挖掘技术在风电机组发电机轴承故障预警中的应用

随着风电装机规模的扩大和风电场投产时间的增加,风电机组的故障呈现多样化和复杂化。为提高风电场检修及故障消除的工作效率,降低运维成本,实现故障状态检修,利用风机SCADA运行数据设计,针对风机发电机轴承的故障预警算法,对发电机轴承预警,为运维人员开展故障消除与检修提供技术支撑。     

基于长短时记忆网络融合SCADA数据的风电齿轮箱状态监测

针对不具有时间记忆能力的机器学习方法融合风电机组数据采集与监控系统(SCADA)的时序数据而导致风电齿轮箱状态预测精度不高的问题,提出基于长短时记忆(LSTM)网络融合SCADA数据的风电齿轮箱状态预测模型。选择能表征风电齿轮箱运行状态的某个监测量作为模型的输出量,基于灰色关联度选择与该监测量关联密切的SCADA参数作为预测模型的输入量;使用正常状态下的SCADA数据训练LSTM预测模型,得出预测值和残差,通过3σ准则计算出上下预警阈值,用于风电齿轮箱状态监测和故障预警。某风电场风电齿轮箱的SCADA数据验证表明所提出的方法能有效预警风电齿轮箱故障。     

基于多层深度互信息变分网络的风电机组轴承故障预警方法

针对变工况复杂环境下风电机组轴承的早期故障潜隐性高且故障阈值设置困难的问题,提出一种基于多层深度互信息变分网络的轴承故障超前预警方法。该网络在变分自编码器的架构上进行多层编码拓展,采用解码信号的二次编码增强了变分网络对输入信号中噪声的鲁棒性,通过隐层变量与输入信号间最大化互信息以及与二次编码特征间的最大化互信息,提高了网络对轴承正常状态空间的建模能力。以二次编码特征与隐层变量的重构误差为基础,构建健康指数,结合三次递推指数加权移动平均模型设置与风电机组轴承工况环境相适应的健康基线。在2个风电机组轴承故障检测试验中的应用结果表明,该方法对比传统的基于模型重构的轴承早期故障检测方法,具有更高故障预警准确率和抗干扰能力。     

基于数据融合的风电变桨系统故障预警研究

随着风电机组装机容量的不断攀升,同时带来并网发电率低、机组故障率高等缺点,导致风电机组整体利用率较低。为此提出一种基于数据融合的风电变桨系统故障预警方法。首先结合SCADA系统中的运行统计信息和历史数据,采用Relief特征参数选择方法筛选出与风电变桨系统故障相关的特征参数;然后采用数据融合的方法,建立基于MSET技术的风电变桨系统故障预测模型,并采用滑动窗口法进行故障预警阈值的确定;最后以上海某风场1.5 MW双馈异步风电机组进行实例分析,结果表明该方法可提前发现风电变桨系统故障征兆,实现对风电变桨系统的早期故障预警。     

基于DBSCAN和SDAE的风电机组异常工况预警研究

提出一种基于密度的聚类方法(DBSCAN)和堆栈式降噪自编码器(SDAE)结合的风电机组性能预测及异常运行工况预警方法.首先采用DBSCAN算法对机组监控与数据采集(SCADA)系统历史运行数据进行清洗,然后利用SDAE建立风电机组的正常运行性能预测模型.基于该模型,采用时移滑动窗口方法构建能准确反映风电机组异常状态的识别指标,并根据统计学区间估计理论合理确定指标阈值,以实现异常工况预警.采用某风电机组的真实历史运行数据进行故障重演试验.结果 表明:该方法能够在故障发生前及时对风电机组的异常运行工况发出预警,验证了该方法的有效性.     

基于无迹卡尔曼方法的风电机组齿轮箱故障诊断

在对风电机组的运行特性和齿轮箱温升机理的研究基础上,提出一种基于无迹卡尔曼方法(UKF)的风电机组故障诊断策略。该模型实现了对齿轮箱温升的有效预测,并在风电机组故障的情况下实现有效检测。对不同故障类型的诊断测试结果可显示机组局部故障对风电机组各关键参量的动态影响,同时表明UKF方法对不同故障条件下输入参数的变化有特殊响应。因而根据风电机组不同的故障模式,通过有针对性的算法输入参量设计可实现风电机组多种故障的有效诊断,为分析SCADA数据隐含的故障信息提供了一种有效手段。     

基于小波BP神经网络的风电机组变桨系统故障预测

变桨故障是风电机组重要的停机故障之一,对变桨系统进行故障预测并提高预测精度,是风电开发的关键技术,不但保证电网安全运行而且减少运维成本。分析处理SCADA系统数据,提取相关联参数,即输出功率、风速、桨距角和转子转速。采用BP神经网络对系统进行模型训练,考虑到风电机组参数具有波动性、不确定性等,同时采用小波BP神经网络进行模型训练。建立变桨故障预测模型,预测未来15 d的变桨系统运行情况,用于制定合理的运维方案。通过MATLAB系统仿真研究,对比分析了预测模型性能指标、误差指标和输出数据图形,小波BP神经网络训练预测模型诊断精度比BP神经网络提高了17%,可信率提高了18%,诊断能力提高了15.4%,诊断误报率降低了17%。     

适用于次同步振荡研究的直驱风电场等值建模

针对当前直驱风电场次同步振荡研究缺乏合适的等值模型这一问题,首先对单台直驱风机并网系统进行小信号建模及参与因子分析,得到了影响直驱风机次同步振荡的主导参量;接着将这些主导参量作为直驱风电场等值建模的聚类指标,利用SOM神经网络聚类算法对风电机组进行聚类,并借鉴同调等值法原理整定了风电机群的运行状态。最后,在PSCAD/EMTDC上建立了风电场等值模型,通过比较等值模型对实际风电场的等值效果,验证了直驱风电场等值建模方法的合理性。     

基于随机组合赋权模糊评价的风电机组健康状态评估

由于健康指标权重随机性会导致风电机组状态评估灵敏度降低,提出一种评估风电机组健康状态的随机组合赋权模糊评价方法。首先,通过相关性、方差、偏度等多角度分析风电场采集与监视控制系统（SCADA）数据,结合IEC61400-1标准建立机组健康状态评估指标架构,并基于随机因子优化组合权重得到赋权公式,提高评估指标层权重的准确性。其次,为充分覆盖评估指标数据劣化度,基于岭型分布函数建立健康指标劣化隶属度计算函数。结合随机组合权重和隶属度函数,构建风电机组健康状态模糊综合评价数学模型。通过分层评估风电机组健康状态指标架构,得到机组健康等级并实现故障预警。最后,对大连驼山风电场多台机组进行评估试验,结果表明：该文方法能准确评估出风电机组健康状态等级,相比组合赋权云模型方法,灵敏度提高了1.85%。     

基于PSCAD的永磁直驱风电机组简化模型研究

针对风电机组的电磁暂态模型求解耗时长、仿真计算工作量大、数值收敛性差等不足,在研究直驱机电暂态及运行控制方式的基础上,利用PSCAD仿真工具构建了直驱风电机组简化模型,并分别在恒定风速、阶跃风速和电网故障三种工况下进行了仿真验证。结果表明,基于PSCAD的直驱风电机组简化模型可行、有效,在保证一定的计算精度下,可大幅提高计算速度,且当风机台数增加时,速度提高更加明显。     

基于IICEEMDAN-PCA-GRU的风电机组齿轮箱故障预警方法研究

为充分挖掘数据采集与监控（SCADA）数据的隐藏信息,减少特征间的冗余性,提升模型预测和预警的精度,提出一种双重改进的完全噪声辅助聚合经验模态分解（IICEEMDAN）、主成分分析（PCA）、门控循环网络（GRU）融合的风电机组齿轮箱故障预警方法。使用皮尔逊相关系数法作特征提取,采用IICEEMDAN对特征进行分解,得到特征在不同时间尺度上的连续性信号;利用PCA提取分解特征的关键因素作为网络训练输入;GRU网络对输入时间序列特征进行建模训练,实现对齿轮箱油池温度的预测,使用统计学方法分析油池温度预测值与实际值的误差,根据实际情况设定预警阈值;使用滑动窗口理论实现齿轮箱故障预警。采用华北某风场实际数据进行验证,结果验证了所提方法对齿轮箱早期故障预警的有效性。     

并网永磁直驱风电机组故障穿越能力仿真研究

随着电力电子器件成本下降,拥有全功率变换器的永磁直驱风机成为各国关注热点。风电场容量不断增大,要求风电机组具有故障穿越能力。本文以直驱同步风电发电机组为研究对象,利用matlab/simulink搭建了直驱同步风电机组的动态数学模型,对直驱同步风电机组故障穿越能力进行仿真研究,试验结果表明：在风电场接入点发生故障时,直驱同步风电机组具有故障穿越功能。尤其在电网发生电压跌落时,直驱风机能为系统提供一定的无功支撑。有效防止系统电压过多降落。提高了系统故障运行的稳定性。     

基于保局投影与自组织映射的风电机组故障预警方法

针对大型风电机组运行工况和状态信息复杂,难以实现故障早期预警的问题,提出基于局部保持投影(LPP)和自组织映射的故障预警方法。该方法充分考虑机组健康状态特征的高维、非线性特点,采用LPP算法实现状态特征提取,并建立基于自组织映射(SOM)的多状态特征融合健康状态评估模型。采用最小量化误差(MQE)作为机组健康状态指标,并给出健康衰退报警限的确定方法。将该方法用于某1.5 MW风电机组传动系统故障前的健康状态分析,结果表明,该方法提前监测到机组健康状态的衰退趋势,可实现故障的早期预警,避免严重故障发生,并可为合理调整运行和安排维修提供依据。     

基于SCADA系统的风电变桨故障预测方法研究

风电机组变桨系统故障是目前造成机组停机的第一原因。文章对未来30 min的风电机组变桨故障进行预测,通过分析变桨系统潜在故障,制定维护保养计划;针对兆瓦级风电机组,分析SCADA系统的数据,提取变桨距系统故障特征;从风速、风向、桨距角和电机转速的输入、输出关系出发,应用多元线性回归分析和BP神经网络分别对变桨系统进行模型训练,对比两种算法的预测能力。通过分析故障预测模型性能指标、误差指标和输出数据图形可知,BP神经网络在风电变桨系统中的故障预测效果优于多元线性回归预测。     

基于SCADA运行数据的风电机组发电性能劣化监测研究

风电机组的发电效率和发电性能对风电场的运行水平和经济效益有重要影响。文章采用风电机组SCADA运行数据对机组发电性能劣化进行监测。首先,采用偏最小二乘方法确定对风电机组发电功率有密切影响的多个变量;然后,采用高斯过程回归方法建立反映机组发电性能的功率曲线模型,有效提高建模精度;在监测阶段,引入指数加权移动平均值控制图(EWMA)分析功率曲线模型的功率预测残差,及时准确地发出风电机组发电性能劣化预警;最后,以某风电机组叶轮转速传感器故障导致的发电性能劣化实例,验证了该方法的有效性。     

基于改进深度森林算法的风电机组故障诊断技术研究

为了及时有效地检测出风电机组发生的具体故障,同时克服传统故障诊断方法的局限性,文章提出一种基于改进深度森林算法的风电机组故障诊断方法。首先,利用有效的数据预处理方法处理SCADA原始数据并提取故障特征;然后,基于深度森林算法对风电机组具体故障进行诊断,同时,针对深度森林算法在故障诊断领域存在的缺陷,对算法提出改进;最后,利用河北某风场1.5 MW风电机组实际运行数据对文章提出的故障诊断算法进行验证,通过正确率、AUC等指标验证了所提故障诊断算法相比传统机器学习算法的有效性和优越性。该研究为风电机组运行和维修提供了依据,同时也为故障诊断领域提供了新的方法和思路。