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。     

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。     

基于分段支持向量机的风电机组理论功率计算研究

结合风电机组功率曲线特性与支持向量机学习方法,建立基于分段支持向量机的风电机组理论功率计算模型。研究结果表明,该模型计算精度无论是在单机理论功率计算还是全场理论功率计算方面都要高于目前已有方法。在得到高精度理论功率的基础上,提出一个新的机组性能评价指标——出力可提高系数,该指标能够科学地反映机组设备的运行状态与质量,可为实现风场精细化管理提供依据。     

基于GWO-SVR的风电机组柔性塔架振动建模与仿真分析

针对风电机组柔性塔架因机械疲劳、振动等引起的失稳问题,采用改进的回归方法建立塔架振动预测模型。在风电机组不同运行工况下,通过相关性分析对多源异构数据进行优化,求出影响柔性塔架振动的相关联变量。基于灰狼优化（GWO）算法得到支持向量回归（SVR）方法的最优参数,建立塔架振动预测模型。以某风场2 MW风电机组120 m柔性塔架数据进行仿真分析,结果表明,在额定风速以上工况下,GWO优化SVR模型相较于BP模型、SVR模型、粒子群算法（PSO）优化SVR模型、鲸鱼优化算法（WOA）优化SVR模型,均方根误差RMSE分别降低了11.143、8.925、8.263、3.651;平均绝对误差MAE分别降低了9.032、7.016、2.665、3.233。基于GWO优化的SVR模型提高了柔性塔架振动预测精度,可为柔性塔架的振动控制提供准确数据支持。     

模糊支持向量机在轴系振动故障诊断中的应用

机组的振动水平是表征电厂稳定安全最重要的标志之一.本文利用支持向量机的智能方法对机组的轴系故障进行诊断,在小样本集上取得了100%的分类精度.在此基础上,还引入部分噪声数据,统计其分类性能,展示了支持向量机的容错能力.最后分析了支持向量机方法在轴系振动故障振动的优势和缺陷,引入模糊输出支持向量机进行了改进,给设备维修提供了更多的参考信息.     

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。     

基于GA-SVR的永磁同步风电机组多工况噪声预测

以永磁同步风电机组的实测数据样本为例,研究基于遗传算法的支持向量回归(GA-SVR)的噪声预测。开展了永磁同步风电机组的空载、负载及风速变化实验;对不同运行工况下的振动及噪声实测数据进行分析处理,建立了数据样本;以发电机主轴的径向与轴向、齿轮箱高速轴和低速轴径向与轴向的振动值作为输入变量,机组的噪声值作为输出变量,建立了GA-SVR预测模型;通过数据样本训练,验证了该预测模型。研究结果表明,应用GA-SVR预测模型对机组噪声进行预测,能够较精确地获得噪声波动趋势及预测值。将该模型用于风电机组的噪声预测是可行的。     

数据驱动的风电机组变桨系统状态监测

针对数据采集与监视控制(SCADA)系统存在误报、故障报警滞后等问题,提出一种基于单分类模型的风电机组变桨系统在线状态监测方法.首先,从SCADA数据中提取出与变桨系统相关的特征参数并进行特征重构以进一步提取出更值得关注的桨叶之间的差异化信息.其次,基于单分类支持向量机对历史数据的分析确定变桨系统运行数据的健康边界,进...     

基于LS-SVM的供热机组调峰能力预测方法研究

针对传统研究供热机组调峰能力方法存在的工作量大、结果偏离实际运行工况等问题,提出一种基于最小二乘支持向量机(LS-SVM)预测机组调峰能力的方法。对机组运行数据预处理后,选择部分数据建立训练样本集训练LS-SVM模型,然后利用训练出的模型得到供热机组在不同热负荷下的调峰范围,并以某供热机组在供热期的运行数据为例,得到了该供热机组的调峰能力,结果表明,基于最小二乘支持向量机得出的调峰能力区间比较准确,并且与传统方法相比在实际运行中可复现性更好。     

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。