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NILE算法量化热水器参与需求响应的灵活性

居民电热水器(EWH)因其功耗与日负荷模式高度相关且占家庭负荷比重高等特点,在需求响应(DR)市场中极具潜力。识别住宅侧EWH集群的负荷模式及量化其参与DR的灵活性有助于电网运营商制定合理的调控策略。首先,对居民EWH不同时间类型下的负荷模式(用电事件的起止时间和用电时长)建立了概率统计模型。然后,提出了一种基于负荷印记和功率块极值的无训练过程的非侵入式负荷提取(NILE)算法,其可自动分离不同额定功率的EWH负荷。最后,建立了电价激励的DR模型以优化EWH的负荷模式,根据其在优化前后使用行为的变化情况量化其灵活性。此外,在真实数据集上验证了所提算法的有效性,并基于分离的负荷数据在不同情况下量化了EWH集群参与DR的灵活性。