基于BP神经网络的风电机组发电机状态监测研究

采用温度趋势分析的方法监测风电机组发电机的运行状态;使用BP神经网络,建立发电机正常工作状态下的温度模型并用其进行温度预测;合理选择训练样本,使BP模型覆盖发电机的正常工作空间;当发电机工作异常时,其动态特性偏离正常工作空间,导致BP网络温度模型预测残差的分布特性发生变化;当残差超过预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。     

基于深度神经网络模型的风电机组传动系统状态监测方法

大型风电机组传动系统运行工况复杂,运维人员无法实时了解其运行状态.针对这一情况,提出一种基于深度神经网络模型(DNN)的状态监测方法.首先,BP算法训练DNN模型时容易陷入局部最小值和过拟合,因此,将麻雀搜索算法(SSA)与BP算法结合,提出一种SSA优化BP算法训练DNN模型的方法.然后,采用风电机组SCADA系统数...     

基于数据驱动方法的风电机组功率优化

风电机组功率与风电产能息息相关,为提高风电产能及其收益,有必要对风电机组功率进行优化。应用前馈神经网络,从历史运行数据中挖掘风电机组功率与风速和控制量间的函数关系,进而提出逐点优化策略和聚类优化策略,用于实现风电机组功率优化,即在已知测量风速时,优化确定风电机组控制量,实现风电机组功率最大化。后者优化策略在前者优化策略基础上,应用K均值聚类方法聚类风速,从而降低优化计算复杂度,利于风电机组功率的实时优化。定义平均功率增益、功率增益百分比和功率增益概率三种指标用于测度功率优化效果。将两种优化策略应用至H56-850型风电机组,将优化后的风电机组功率与历史运行记录进行对比,结果表明,两种优化策略均可有效提高风电机组功率输出。此外,聚类中心数为5的聚类优化策略,能以较低的优化计算复杂度,达到与逐点优化策略相近的优化效果。     

基于BP神经网络的风电功率预澳

风具有易变性、随机性等特点,风电并网之后,可能引起运行和可靠性的问题。如果能够提前对风电功率进行准确的预测,则有利于及时调整调度计划,保证电能质量,减少系统备用容量,获得更多的经济效益和社会效益。本文介绍了这一领域的研究现状,采用了BP人工神经网络的方法,利用风速的历史数据,建立模型进行风电功率预测,仿真结果表明该方案的有效性。     

基于可靠度的风电机组预防性机会维修策略

风电机组关键部件维修会产生昂贵的固定维修费用、停机损失及发电损失。针对该问题,提出一种风电机组的预防性机会维修策略。在每个部件可靠度函数服从威布尔分布的基础上,依据可靠性要求估算各部件的预防性维修时间。通过定义机会维修可靠度裕度,并将之与预防性维修时间点处可靠度函数的斜率绝对值的倒数相乘,计算出每个部件的机会维修区间。利用二次抛物线插值法,以总费用为目标函数对机会维修区间进行优化,使得维修费用最小。结合实际风场维修案例进行仿真,结果表明,预防性机会维修策略比预防性维修策略减少了停机维修次数,节省了维修成本,因而证明了该策略的有效性。     

基于改进变学习率神经网络的风电机组故障预测研究

针对变学习率算法在实际训练过程中存在的振荡和收敛速度慢的问题,对现有的变学习率算法进行优化,通过对现有改进神经网络中变学习率算法进行调整,使模型训练过程中的收敛速度明显加快,进而节省训练时间.利用改进后网络对风电机组故障进行预测,并与常规改进变学习率神经网络及标准神经网络进行效果对比,得出该算法具有较高的预测精度,同时...     

基于粗糙集和AFSA-BP的水电机组故障诊断

将粗糙集和人工鱼群优化-神经网络算法引入水电机组故障诊断中,利用人工鱼群优化算法中聚类的特点改进粗糙集属性约简方法并对水电机组故障的检测信息进行约简,提取对故障分类起主要作用的信息,并用BP神经网络对粗糙集处理后的故障信息进行诊断。实验结果表明：该方法降低了神经网络的输入信息空间维数,简化了神经网络结构,有效提高了故障诊断的准确性。     

基于BP神经网络和多因素权重法的风电机组载荷预测和分析

基于BP神经网络,建立了风电机组关键部位载荷的快速准确预测方法。以风电机组关键参数风速、空气密度、湍流强度、入流角、风切变、偏航误差角等为自变量,以机组关键部位载荷作为输出变量,建立用于快速预测机组关键部位载荷的BP神经网络模型;然后基于多因素权重法对风电机组不同参数的影响权重进行分析,获得影响风电机组载荷的关键变量。结果显示:基于叶素-动量理论模型计算得到不同风况下风电机组关键部位载荷,然后设置合理的神经网络结构以及合适的神经网络参数,可以实现对不同风况下风电机组关键部位载荷的预测;对于叶根和塔底的平均载荷和极限载荷4个不同的变量,风速、空气密度、湍流强度、入流角、风切变、偏航误差角等参数影响的权重各不相同。     

基于神经网络的双馈风电机组转速PID控制仿真

为了提高双馈风电机组的转速控制性能,采用了基于BP神经网络的PID控制方案和基于RBF神经网络辨识的PID控制方案,在推导出双馈风电机组暂态电势恒定情况下随风速变化的二阶转速调节模型基础上,分别编制仿真程序,对风电机组转速控制进行了跟踪仿真分析.针对上述两种方案的缺陷,提出了基于RBF网络辨识的单神经元网络PID控制和基于RBF网络辨识的BP神经网络PID控制两种改进控制方案,达到了优化风电机组转速控制性能的目的.     

基于神经网络的双馈风电机组转速PID控制仿真

为了提高双馈风电机组的转速控制性能,采用了基于BP神经网络的PID控制方案和基于RBF神经网络辨识的PID控制方案,在推导出双馈风电机组暂态电势恒定情况下随风速变化的二阶转速调节模型基础上,分别编制仿真程序,对风电机组转速控制进行了跟踪仿真分析。针对上述两种方案的缺陷,提出了基于RBF网络辨识的单神经元网络PID控制和基于RBF网络辨识的BP神经网络PID控制两种改进控制方案,达到了优化风电机组转速控制性能的目的。     

基于BP神经网络的铅酸蓄电池状态检修

作为直流电源设备的核心,蓄电池的稳定、可靠、安全运行和在放电过程中能提供给负载的实际容量,对确保整个电力系统的安全运行具有十分重要的意义。运用人工神经网络技术,通过MATLAB训练仿真,分析蓄电池状态,研究了BP模型算法在铅酸蓄电池状态检修中的应用。     

基于BP神经网络的火电机组实时负荷裕度计算

基于BP神经网络给出了计算火电机组实时最大可调负荷的方法,该方法可通过对近期机组制粉系统出力、锅炉受热面温度、主蒸汽压力、给水流量、汽轮机振动及辅机性能等相关运行参数的分析,得到机组实时可调最大负荷。根据机组不同时段最大可调负荷与同时段机组运行参数的相关性,计算得到的机组负荷裕度不仅可以指导机组的优化运行,而且可使电网及时调整各机组负荷。     

基于BP神经网络的超临界火电单元机组负荷系统建模研究

针对火电单元机组大范围变负荷、变工况发生时,超临界火电单元机组的控制品质变差,机组负荷、主蒸汽压力等参数难以满足工程需要的问题,基于较为先进的BP神经网络建模方法,对600 MW超临界火电单元机组进行了数学模型的建立。仿真结果表明,网络的输出值与实际模型的输出值间的误差在允许范围内,BP神经网络可有效逼近超临界火电单元机组模型。     

基于多指标融合评价方法的风电机组优化选型辅助决策系统设计

应用科学的手段对风电机组有效的选型,对确保风电场经济效益提高、产能增加、机组可用系数和上网率提高、投资量和运维费用减少并实现风机实际运行值与理论设计值高度具有重要作用。建立了风电机组多指标融合评价指标体系和评价方法,并开发出了基于多指标融合评价方法的风电机组优化选型辅助决策系统,并在工程应用中起到了良好的社会效益和经济效益,为发电企业的风电机组优化选型起到了积极作用。     

基于人工蜂群算法的海上风电机组齿轮故障诊断方法∗

针对传统方法在海上风电机组齿轮故障诊断中应用效果不佳,不仅误诊率较高,而且召回率较低,无法达 到预期的故障诊断效果,提出了基于人工蜂群算法的海上风电机组齿轮故障诊断方法.首先利用振动加速度传感器拾 取齿轮箱振动信号,对振动信号进行小波阈值降噪处理,然后基于处理后的振动信号,利用人工蜂群算法优化后的 BP神经网络对齿轮故障进行识别诊断.经实验证明,该方法误诊率在１％以内,召回率在９５％以上,具有良好的可 行性与可靠性.     

基于可靠度约束的风电机组机会检修模型

对风电机组进行预防性检修,能够有效提高机组的可靠性。首先以风电机组单个部件的可靠度作为约束条件,以单部件单位时间检修成本最小作为目标函数,求得单部件的最佳检修周期和检修次数。在此基础上,对符合一定条件的部件进行机会检修,构建了风电机组的机会检修模型。最后,以机会检修策略下总的检修费用最小作为目标函数,以机组整体的可靠度作为约束条件,利用遗传算法对该模型进行求解以得到最佳的机会检修阈值和最小的检修总费用。通过算例分析表明,该机会检修模型能够有效节约总的检修成本。该研究对检修部门制定检修计划具有一定的参考意义。     

基于遗传算法改进BP神经网络的风电功率预测研究

风电功率预测对于风电场和电网的安全可靠运行具有重要意义。以某风力发电机为研究对象,根据该风机历史天气信息和风电功率数据,使用遗传算法改进BP神经网络,构建复合型神经网络的风电功率预测系统。运用MATLAB软件对算法进行编程与仿真,仿真结果表明,单一的BP神经网络预测系统波动性较高,精度不足,而复合型的神经网络算法有效地解决了这一问题,改进后的预测系统精度较高、稳定性较强,满足工业生产需求。     

基于BP神经网络的风电功率预测仿真分析

介绍了风电功率预测的背景,对风电功率预测进行了理论分析,分析了BP神经网络的原理及基于BP神经网络的风电功率预测流程和预测结果误差的评价指标。以Matlab软件的神经网络工具箱为仿真平台,搭建BP神经网络,进行了功率预测仿真,预测结果均方根误差分别为6．97％、200．59％。两组仿真对比结果表明,基于BP神经网络的风电功率预测在短期预测中是可行的．     

基于多维时间序列和BP神经网络的短期风电功率预测

由于风电的高度波动性和随机性,大规模的风电功率预测已成为制约中国风电发展的瓶颈。提出一种针对小采样间隔的风电功率数据的多维时间序列BP神经网络预测模型。通过对原始风电功率序列进行处理得到不同时间维度的风电功率均值序列进而组成多维时间序列,采用改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,利用重构相空间中预测点的近邻点建立BP神经网络预测模型。以实际风电场数据进行验证,证明了该模型可以有效处理风电功率预测问题,算法耗时减少了约9s,同时显著提高预测精度约18.94%。     

基于BP神经网络和线性神经网络的间谐波分析方法

传统的线性神经网络,其激励函数是固定函数,所以不能对间谐波的频率进行调整,而基波频率微小的偏差将导致谐波检测出现较大的误差。笔者在采用BP神经网络的高精度基波检测的基础之上,采用激励函数参数可调的线性神经网络来分析间谐波。理论分析和仿真结果都表明,无论有没有噪声,文中提出的方法都具有较高的检测精度,自适应能力较强,其中检测与偶数次谐波比较接近的间谐波的优势更明显。