基于数据驱动的风电机组状态评估方法研究

为了延长风电机组平稳运行时长和减少故障停机次数,文章基于有监督主成分分析(SPCA)的Hotelling-T~2和Q统计量控制图,提出了一种风电机组状态监测与评估方法。首先,根据风电机组SCADA历史数据提取正常状态数据。然后,训练集成学习模型拟合主要状态变量,采用贝叶斯优化算法优化其中的超参数。最后,在移动时间窗内利用SPCA方法将监测数据分解到主成分空间与残差空间,计算真实数据与参考状态数据的Hotelling-T~2和Q统计量,并同时求取两种统计量的斯皮尔曼系数,通过划定阈值对机组进行状态评估。将该方法用于某风电场1.5 MW级风电机组,结果表明,该方法能够有效地对机组当前状态进行监测并识别出功率输出故障。

Research on condition assessment method of wind turbine based on data driven