基于改进劣化度模型的风电机组日常运行状态评估

为准确地掌握整台风电机组的运行状态,提出一种基于改进劣化度模型的评估方法。首先求得风电机组层次结构中各状态参数的劣化度;其次通过组合赋权法确定各参数的权重,利用岭型分布隶属度函数确定各参数的隶属度矩阵;最后利用模糊综合评判法和彩色图谱对机组的运行状态进行评估和展示。案例机组的日常运行状态评估表明：所提方法可较SCADA系统提前发现机组发电机非驱动端轴承的异常,且误报次数较少。     

基于EMD-BPNN的水电机组空蚀故障诊断

针对水电机组空蚀信号非平稳和非线性的特点,提出一种基于经验模态分解-BP神经网络(EMDBPNN)的空蚀故障混合特征提取与分类方法。首先对空蚀信号进行经验模态分解,得到一系列的本征模态函数(IMFs),提取各IMFs分量的能量特征和奇异值特征,同时提取常规的时域和频域特征,构建混合特征向量;然后将此向量作为神经网络的输入,对水电机组空载工况、导叶30%开度和满负荷运行等三种工况下的空蚀数据进行识别分类。试验结果显示,该方法能够对水电机组空蚀故障进行准确诊断,具有较强的工程应用价值。     

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。     

轴承运行情况判断及故障分析处理

水电机组轴承运行情况是直接影响机组运行稳定性的一个原因,通过对轴承运行的情况来判断机组的运行状态是一个重要依据,防患于未然。通过对机组的振动、摆度等数据的监测来判断机组状态,分析故障,相应的解决产生的问题。     

水电机组稳定性状态优化调整研究

针对目前水电机组计划检修及状态检修方法存在的不足,提出了优化调整水电机组的运行状态,基于水电机组运行特点,以动负荷为水电机组稳定性的本质属性,计算了水电机组导轴承处的动负荷,判断了水电机组的运行状态,进而提出了相应的优化调整措施.     

基于动态阈值的风电轴承健康状态评估

针对现有的风电轴承健康状态评估方法需大量样本提取和模型训练、存在实现过程繁琐费时费力且泛化应用能力弱的问题,提出基于动态阈值的风电轴承健康状态评估方法。首先,考虑风的随机性和间歇性,利用风电轴承温度监测数据,引入劣化度概念,采用曲线拟合和机群聚类方法确定了劣化度的上、下限动态阈值;其次,通过健康状态评语集及其等级划分范围和劣化度计算,提出基于动态阈值的风电轴承健康状态评估方法;最后,以某风电机组的发电机后轴承超温故障为例,验证了所提评估方法可获得有效的风电轴承健康状态和及早获知故障征兆。     

考虑风电机组运行健康状态的风电场优化调度方法

当前风电场功率控制过程中多关注风电机组的发电能力,很少区别对待健康机组和带病机组。对此,以风电机组运行参数为评估指标,计算各指标劣化度,并以综合劣化度为风电机组健康状况的总体评判指标,再结合风电机组启停状态及功率控制要求建立风电场的多目标调度模型。采用混合编码遗传算法优化该模型,获得风电机组启停组合和目标功率值。仿真结果表明,该方法优化了风电机组启停计划,改善了风电机组的整体健康程度,提高了风电场有功输出的可靠性和稳定性,为功率调度过程提供了依据。     

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%。     

考虑振动区的水电机组组合优化研究

水轮机在实际运行中存在振动区,水电机组需避免在此区间运行。为此建立了考虑水轮机振动区的水电机组组合优化的发电量最大数学模型,利用分支定界法确定了机组的运行区间,并采用动态规划方法求最优解。实例应用结果表明,分支定界与动态规划相结合的方法适合于水电机组的实际运行情况,且提高了求解精度。     

基于Petri网的水电机组故障诊断专家系统研究

针对水电机组故障诊断的多样性、复杂性,提出采用Petri网模型表示水电机组故障诊断专家系统的产生式规则,基于水电机组振动故障征兆信息可快速推理故障源.诊断实例表明,该诊断推理方法快速、准确、有效,可供借鉴.     

基于EEMD-LSTM的汽轮机转子碰磨故障诊断模型及其工程应用

汽轮机转子与静子间的碰磨严重影响着机组的安全运行。为了解决汽轮机转子发生在早期和中期的碰磨故障难以通过基于振动信号检测诊断方法进行有效识别的问题,本文提出一种基于EEMD-LSTM的汽轮机转子碰磨故障诊断方法。首先,该方法通过声发射技术监测汽轮机转子的碰磨故障信号;然后,利用EEMD信号分解方法处理获取的声发射信号,并提取能量特征参数和相关的时域特征参数,从而获得碰磨故障特征数据集;最后,利用划分的数据集对LSTM神经网络进行训练与测试,从而获得碰磨故障诊断模型。工程应用结果表明,本文提出的方法能够有效识别机组在不同转速时期的早期碰磨故障,且故障诊断的准确率较高。     

基于风电机组状态的超短期海上风电功率预测

提出一种基于风电机组状态的超短期海上风电功率预测模型。首先,综合考虑海上环境因素以及风电机组部件间的相互作用建立指标的预测模型,以长短期记忆神经网络的预测误差作为监测指标的动态劣化度;然后采用模糊综合评价法对风电机组的运行状态进行评估,依据评估结果对风电机组历史运行数据进行划分;最后根据分类后历史运行数据建立基于机组状态的超短期风电功率预测模型。结合国内某海上风电场实例数据进行分析,算例结果表明所提方法可有效提高风电功率预测精度。     

基于LSTM神经网络与贝叶斯优化的电站风机故障预警

风机持续健康稳定运行是电站机组安全性与经济性的重要保障,故障预警技术对于提高风机运行可靠性和降低维护成本尤为重要。为此,本文提出一种基于长短期记忆(Long short-term memory,LSTM)神经网络与贝叶斯优化算法的早期故障预警方法,充分挖掘电站风机正常运行数据,采用LSTM网络挖掘多种参数的关联特性及历史数据的时序特性,建立风机运行状态预测模型。为了提高预测模型的精确度,利用贝叶斯优化算法优化并设定LSTM网络的最佳超参数组合。考虑模型预测偏离度的非平稳性和多极值特点,引入广义极值理论从正常运行工况中确定报警阈值,以实现设备的早期故障预警。最后,将所提出的算法应用于某燃煤电站引风机故障预警中。结果表明：贝叶斯优化算法优化后的LSTM神经网络不仅可以精确表征风机在正常状态下运行行为,同时能够准确地获取风机的故障信息,从而能够在故障发生前4 h发现异常,实现故障预警。     

基于CNN-LSTM的燃气轮机燃烧室故障预警

为了解决燃气轮机燃烧室中的故障问题,结合深度学习的优势,在长短期记忆网络(Long Short-term Memory, LSTM)的基础上,提出了一种基于卷积神经网络-长短期记忆网络的燃烧室故障预警方法。首先,根据正常的历史运行数据构建燃烧室的预警模型,再将特征参数输入到预警模型中得到预测值,预测值与实际值之间的偏离度可以反映燃烧室内部工作是否正常。考虑到模型预测结果的非平稳性和非线性等特点,引入滑动窗口法确定故障预警阈值,最后根据确定的预警阈值判断是否出现故障。采用某燃气-蒸汽联合循环发电机组仿真平台对上述模型进行验证。仿真结果表明：该模型相较于LSTM预测模型具有更高的精确度,可以及时发现故障征兆,并对燃烧室故障做出有效预警。     

基于两阶段不确定性量化的光伏发电超短期功率预测

针对光伏功率预测,提出一种光伏发电出力不确定性量化分析的两阶段模型。第1阶段,首先选取待预测日之前一段时间的光伏输出功率历史数据作为训练样本,引入模糊熵（FE）将不同天气类型量化并作为输入量;然后利用集成经验模态分解（EEMD）将光伏发电功率时间序列分解为多个模态分量,再利用Hurst指数分析将不同模态分量重构为中尺度和宏尺度2个子序列,基于双向长短期记忆神经网络并引入注意力机制对重构后的2个子序列分别进行预测;最后对中尺度子序列对应的误差序列进行修正,得到光伏发电出力的点预测结果。第2阶段,根据第1阶段点预测结果得到的误差统计,采用核密度估计（KDE）方法预测光伏发电出力的区间,分别获取在95%、90%、85%及80%置信水平下的区间覆盖率（PICP）。应用中国西北地区某光伏电站运行数据作为算例,验证了该文预测方法的有效性。     

基于XGBoost-LSTM组合模型的光伏发电功率预测

该文提出一种基于极端梯度提升（XGBoost）模型和长短期记忆网络（LSTM）模型的短期光伏发电功率预测组合模型。根据短期光伏发电特性,首先分别建立XGBoost模型和LSTM模型,然后利用XGBoost模型进行初步预测增加特征,并利用误差倒数法将两模型组合起来进行预测。选取2018年光伏电站人工智能运维大数据处理分析大赛的数据集进行实验评估,最终结果表明,该文所构建的XGBoost-LSTM组合模型的均方根误差（RMSE）为0.214,将上述方法与随机森林、GBDT模型和单一的XGBoost模型和LSTM模型相比较,该文提出的方法具有更高的预测精度。     

基于KMO-PCA-BP的燃料电池堆输出电压预测方法

质子交换膜燃料电池输出电压为燃料电池健康状态和故障诊断的重要指标,输出电压受单电池电压、工作温度、气体流量、物质流量等参数的影响难以准确预测.为此根据燃料电池实验平台采集的数据集,进行KMO(Kaiser Meyer Olkin)相关性分析,验证数据集适合主成分分析.采用主成分分析随原始数据进行降维处理,确定影响燃料电...     

改进1DCNN和LSTM的涡扇发动机剩余寿命预测

针对单一深度学习网络对涡扇发动机退化特征提取不足、超参数选择困难的问题,提出一种改进一维卷积神经网络(1-Dimensional Convolutional Neural Network, 1D-CNN)和长短时记忆网络(Long Short-Term Memory, LSTM)的涡扇发动机剩余寿命预测方法。首先,利用相关性、单调性和离散性一系列评价指标对涡扇发动机的多维传感器特征参数进行评价和选择,将综合评价指标高的优选特征参数作为1D-CNN的原始输入特征;然后,通过改进激活函数和Dropout函数来提升1D-CNN的特征提取能力,构建表征发动机退化趋势的一维复合健康指标;最后,利用贝叶斯优化(Bayesian Optimization, BO)的LSTM挖掘一维复合健康指标的时间特征,并实现剩余寿命预测。为验证此方法的预测效果,采用美国国家航空航天局提供的涡扇发动机退化数据集进行剩余寿命预测,实验的均方根误差为14.040 2,评分函数值为314.607 8。结果表明：相比于单一深度学习方法和传统机器学习方法,该方法不仅能获得较高的剩余寿命预测精度,还能有效解决深度学习模型超参数...     

基于风速波动特征提取的超短期风速预测

针对风电场风速预测准确度不高的问题,提出一种基于风速波动特征提取的超短期风速预测方法。首先建立风速-风速变化量联合概率密度模型,分析风速的不确定性特征;根据风速波动特征,应用集合经验模态分解（EEMD）和风速分量样本熵（SampEn）值,将风速分解重组为波动量和趋势量;应用人工鱼群算法（AFSA）优化小波神经网络（WNN）进行趋势量预测;应用改进非线性自回归（INARX）神经网络对风速波动量进行预测,进而得到预测风速。通过实际风电场风速仿真预测,并与多种预测方法对比,表明该预测方法预测结果误差较小,可准确地进行超短期风速预测。     

面向实车数据的电动汽车电池退役轨迹预测

针对车载环境下电池容量难以预测,电池退役时间难以确定的问题,提出基于车辆日常充电片段数据来估算电池当前最大可用电量,构建电池当前可用最大容量与行驶里程的序列关系以描述电池的退化特征,为剩余寿命预测提供可靠依据。首先在电池的充电工况下以安时积分法估算电池的当前可用最大容量,利用卡尔曼滤波对得到的容量值进行修正,然后建立长短期记忆（LSTM）神经网络模型来预测在车辆行驶里程下的电池容量衰退轨迹。结果表明：该方法实现了电池容量的准确预测,为车辆电池退役时间确定提供了可靠依据。不同训练集下均方根误差均低于多项式回归模型和高斯回归模型,预测精度至少提高了12.7%,具有较强的适用性和实际意义。