基于集成NSET和模糊软聚类的风电机组齿轮箱状态监测

风电机组齿轮箱的故障频率和维修成本较高,有必要对其运行状态进行实时监测。非线性状态估计(NSET)算法有着对记忆矩阵依赖大、无法有效利用数据资源改善精度、实时性差等不足。为此,提出一种基于模糊软聚类和集成NSET的状态监测方法:使用模糊软聚类将历史数据分为边界有重叠的不同类别,实现工况的软划分并构造多个不同工况的NSET模型作为个体学习器;以参数回归方法作为结合器,可在不影响实时性的同时,使用大量数据训练参数以改善精度。用某2 MW风电机组的齿轮箱故障数据进行验证,结果表明,相比常规方法,提出方法的精度和实时性均更优;通过预测残差均值和基于残差构造的健康指数,能够灵敏、准确的反映齿轮箱的早期故障及其发展趋势。     

基于条件互信息的NOx生成量模型变量-时滞联合选择方法

为了提高脱硝系统入口NO_x生成量模型的精度和泛化能力,在选择辅助变量的同时也应考虑变量时滞的影响,提出了一种基于条件互信息的变量-时滞联合选择方法。以条件互信息作为变量选择的依据,抑制辅助变量间相关性造成的信息冗余,同时考虑时滞对变量选择的影响,在选定辅助变量时对时滞进行联合估计,以最大化辅助变量集包含的有效信息。以某600 MW燃煤电站的实际运行数据为算例,基于该联合选择方法和BP神经网络建立了NO_x生成量模型。结果表明:与仅基于互信息或条件互信息进行变量选择相比,基于联合选择方法所建立的模型精度和泛化能力相对较好。     

基于缺失数据填补的风电齿轮箱状态监测研究

风电机组监控和数据采集系统的现场数据普遍存在缺失问题,会对下游状态监测任务产生一定负面影响。 为此,提出 一种结合注意力机制的掩膜自编码网络,用于填补面板数据样本中的缺失值,增加可用样本数量,提升状态监测结果的准确性 与连续性。 该方法以降噪自编码网络为整体框架,在编码阶段通过注意力机制对缺失值进行掩膜处理,赋予缺失值更高的权重 以强化网络对其关注程度,在解码阶段将缺失值填补后输出完备数据样本。 随后,利用长短时记忆网络提取的样本特征对目标 变量参数进行预测,依据预测残差实现状态监测。 使用某风电齿轮箱运行数据验证,结果表明:提出方法的数据填补偏差相较 对比方法至少改善 17. 2% ;与数据填补前相比,数据填补后样本数量显著增加,使状态监测网络对正常数据的预测残差平均下 降 37. 4% ,对故障数据的检测率提升 6. 8% 。     

基于复相关系数的时滞联合估计及其应用

针对工业过程的软测量建模,为对输入与输出变量间的时滞关系进行准确、快速地估计,提出一种基于复相关系数的时滞联合估计方法。该方法以模型输入和输出数据间的复相关系数为指标,将时滞联合估计问题转化为多维优化问题,进而对各输入变量的时滞时间进行寻优。针对火电厂脱硝系统的NO_x排放软测量,基于实际的运行数据和最小二乘支持向量机算法,对所提出的方法进行验证并与其他时滞估计方法进行对比。结果表明:基于复相关系数的时滞估计方法计算速度较快,时滞估计结果较准确,能在一定程度上提高软测量模型的准确度。     

基于智能电厂大数据的关键参数目标值挖掘技术

为响应能源结构调整、推进能源供给侧改革,火力发电行业迫切需要进行深刻的技术转型。关键参数目标值的计算是火电厂运行优化的重要环节,常规的计算和挖掘方法精度低、实时性差、难以投入闭环应用。本文探讨了基于智能电厂大数据的关键参数目标值挖掘技术的内涵和具体实现,涉及整体架构、专用数据挖掘技术等;并以国内某超超临界机组为例,介绍了针对超超临界机组的关键参数目标值挖掘系统,该系统利用在线迭代更新和离线挖掘修正相结合的策略,解决了数据体量大与时效性要求高的矛盾,有助于实现关键参数目标值的高效挖掘。     

考虑输入变量时滞的NO_x生成量动态建模

为提高选择性催化还原(SCR)脱硝系统的控制品质与经济性,需要建立精确的SCR脱硝反应器入口NO_x生成量动态模型。本文基于模糊树模型建立了SCR反应器入口NO_x生成量动态模型,提出采用复相关系数的时滞联合估计方法,对影响NO_x生成量的模型输入变量进行时滞估计。将该方法应用于某600 MW燃煤机组的运行数据,并对输入变量采用相关系数法和复相关系数法进行时滞估计对比。结果表明:模糊树模型的建模精度较高、泛化能力强;在模型输入变量进行时滞估计时,相较于相关系数法,采用复相关系数法对模型精度和泛化能力提升程度更高。     

基于增量式相对熵的风电机组实时状态监测

针对风电机组的实时状态监测问题,提出了一种基于增量式相对熵的残差分析方法。 首先,通过分析滑动窗口数据特 点,推导了适用于实时运算的增量式相对熵的计算公式,其时间复杂度为 O(1),要低于常规计算方法的 O( n)。 接下来,提出 了一种基于数据驱动和正常行为建模的风电机组实时状态监测方法,并将增量式相对熵作为实时残差分析的指标。 最后,用某 2 MW 风电机组的实际齿轮箱故障数据为算例,验证了该方法的有效性。 结果表明,相对熵残差分析能够至少提前 8 ~ 10 d 实 现故障预警,优于常规的统计量;增量式相对熵的计算时间仅相当于常规方法的 0. 4% ~ 1. 9%,在实时性上有显著优势。     

基于改进AAKR的风电机组齿轮箱状态监测

针对自联想核回归(AAKR)算法在计算相似度时未考虑状态向量中各元素对欧氏距离贡献程度不一、模型参数常依据主观经验进行标定而导致模型精度较低的问题,提出基于旗鱼优化（SFO）的改进AAKR算法建立齿轮箱正常行为模型的非参数建模方法。首先,以全参数等间隔划分方法构建记忆矩阵;其次,在AAKR模型中引入距离权重系数并通过SFO算法对AAKR模型中的宽度系数和距离权重系数进行优化;最后基于滑动窗口和残差数据构造健康指数实现风电机组齿轮箱的状态监测。以某台2MW风电机组实测数据为例进行验证,结果表明,相比于传统AAKR、加权AAKR和稳健状态估计模型,所提算法平均精度分别提高了1.55%、0.6%、0.76%,在故障预警时通过所构造的健康指数能够更灵敏、准确的反映齿轮箱的早期故障及其发展趋势。     

基于MEEMD与排列熵的风电功率超短期预测研究

针对EMD方法存在模态混叠和IMF分量过多等问题,文章提出了一种基于MEEMD与排列熵的风电功率超短期预测方法。首先,利用MEEMD将原始时间序列分解得到各IMF分量,避免模态混叠。然后,计算各IMF分量的排列熵值,将熵值相近的分量合并,有效降低计算量。最后,用模糊树方法分别建立各分量预测子模型,通过叠加得到风电功率预测值。基于某风电场实际运行数据的预测结果表明,该方法的预测精度较高且运算速度较快,适用于风电功率的超短期预测。