基于输出功率特性的风电机组状态监测

基于SCADA系统中风速、变桨角度、风向角与机舱角偏差、发电机输出有功功率等运行数据,采用改进BP神经网络建立风电机组输出有功功率模型,根据发电机输出功率特性对风电机组进行状态监测。风电机组正常运行时,改进BP神经网络模型的预测输出功率与正常的功率输出之间的残差较小;当模型的预测输出功率与正常的功率输出之间的残差超出残差阈值时,则认为风电机组出现了故障。本文对某风电场真实桨叶断裂故障进行了仿真验证。     

风电机组齿轮箱温度趋势状态监测及分析方法

风电机组状态监测对于风电场特别是海上风电场降低维护成本,提高运行水平具有重要的实用价值。采用温度趋势分析的方法对风电机组齿轮箱的运行状态进行监测。利用非线性状态估计（nonlinear state estimate technology,NSET）方法建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过合理构造过程记忆矩阵,使模型覆盖齿轮箱的正常工作空间。当齿轮箱工作异常时,其动态特性偏离正常工作空间,NSET温度模型预测残差的分布特性发生改变。采用滑动窗口方法实时计算残差的统计分布特性,当残差的均值或标准差的置信区间超出预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。为模拟齿轮箱的故障情况,在机组数据采集与监视控制系统（supervisory control anddata acquisition,SCADA）数据中加入人为温度偏移。通过对该模拟故障的分析,新的状态监测方法能够及时发现齿轮箱的异常状态,达到实时在线状态监测的目的。     

基于BP神经网络的风力发电机温升故障诊断研究

论述了BP神经网络的系统结构及算法,并对风力发电机运行时影响温升的因素进行了分析,提取特征向量作为输入,利用BP神经网络建立特征向量与故障模式之间的映射关系,建立了基于BP神经网络算法的风力发电机温升故障诊断模型,并运用MATLAB软件进行仿真运算。仿真结果表明:该模型能够得到发电机温度的预测数值,通过将温度预测值与实际工况下的温度值进行误差对比,进而来判断发电机是否处于正常的工作状态,实现发电机潜在故障的预警,为风力发电机的故障诊断提供了一种切实可行的方法。     

基于XGBoost建模和Change-Point残差处理的风电机组齿轮箱温度预警

风电机组具有单机容量小,台数多,状态信息复杂的特点;基于SCADA数据的风电机组齿轮箱预警普遍存在预测精度和计算效率低,资源占用高的问题,选取有效方法以克服上述问题成为齿轮箱预警的关键。极限梯度提升(eXtreme Gradient Boosting,XGBoost)算法本身结合多线程、数据压缩、分片的形式,其在处理大数据量样本时仍具有较高的通用性。采用XGBoost算法建立齿轮箱正常工作状态的温度模型,使用XGBoost模型与其它4类回归预测模型分别进行齿轮箱温度预测模型实验,结果表明XGBoost模型在齿轮箱温度预测中综合性能要优于其它4类模型。当齿轮箱发生故障时,模型的样本特性会发生异常变化,导致模型的预测残差发生明显改变。为提高齿轮箱故障预警的可靠性,构建了新的Change-Point算法,利用Change-Point技术进行XGBoost模型预测残差序列分析,可定位齿轮箱状态劣化时间点,回溯状态劣化原因。     

基于XGBoost-KDE的风机主轴承温度预测与故障预警方法

风力发电机主轴承的故障诊断是提高其可靠性和可用性的关键。为及时发现风机主轴承故障,提出一种基于XGBoost-KDE的风机主轴承温度预测与故障预警方法。选用数据采集与监视控制（SCADA）系统中相关的特征参数作为输入变量,对风机正常工况下的主轴承温度进行预测,得到预测值和正常工作时运行数据的残差;之后运用非参数核密度估计（KDE）法确定残差预警阈值,结合滑动窗口分析法实现风机主轴承故障预警。以某2 MW等级风电机组为研究对象,采用SCADA系统中的运行数据做验证,实验结果表明,该方法可以对风机正常工况下的主轴承温度实现97.6%的精准预测,并对主轴承故障时产生的温度曲线波动做出反应,提前近1个月对风机主轴承故障进行有效预警。     

汽轮发电机定子铁心端部温度模型中参数的确定

在发电机的热状态监测中,为了确定汽轮发电机定子铁心端部温度的标准值,必须首先确定温度模型中的各个参数。为此,提出了汽轮发电机定子铁心端部温度模型中电抗参数、铁心对氢气的散热系数以及常系数的确定方法。利用发电机的空载特性、短路特性曲线以及发电机运行时采集到的有功功率、无功功率、电枢端电压确定不同运行工况下的电枢反应电抗以及同步电抗,该方法考虑了电机的饱和;根据流体力学以及传热学原理确定铁心对氢气的散热系数;采用最小二乘法确定模型中的常系数。然后根据温度模型即可确定状态监测中定子铁心端部温度的标准值。通过一台QFSN-220-2汽轮发电机的实际运行温度与计算温度相比较证明了所提出的参数确定方法是正确的。     

燃煤电厂SCR烟气脱硝催化剂寿命预测研究

为保证燃煤电厂烟气脱硝系统的安全、稳定运行,需要制定科学合理的选择性催化还原(SCR)催化剂寿命预测方案。SCR催化剂失效是多个物理和化学因素共同作用的结果,难以用传统的物理模型或数学公式对其失活程度进行预测。本研究针对电厂大数据特性,对原始数据进行预处理,建立了曲线拟合、灰色预测、BP神经网络、灰色神经网络4种预测模型。实例对比分析发现:数据预处理可以提高预测精度;当数据满足等时距特性时,灰色神经网络优化后的直接输出模型预测精度较高;当数据不满足等时距特性时,使用BP神经网络模型预测效果更好。     

考虑样本优化的风电机组齿轮箱轴承故障预测

由于风电机组SCADA(supervisory control and data acquisition)系统包含较多冗余信息并且数据之间具有较大耦合性,因此在数据挖掘过程中进行样本优化意义重大。文章采用非线性状态估计(NEST)方法建立齿轮箱轴承温度模型并用其进行轴承故障预测,首先采用灰色关联度分析法为选择观测向量提供理论依据,再采用相似度分析法构造简约过程记忆矩阵,使其在不冗余的情况下尽可能覆盖齿轮箱全部正常工作状态以实现样本优化,进而当齿轮箱发生故障时,通过简约矩阵训练的模型残差将较早超出阈值并提前进行预警。最后结合某风电机组实际运行数据进行仿真分析,验证了模型的时效性与优越性。     

基于状态空间的双馈风力发电机模型预测控制

随着大量风电场接入电网,风力发电机组的运行和控制技术受到了广泛关注。为改善双馈风力发电机的控制性能,提出了基于状态空间的双馈风力发电机模型预测控制方法。通过建立双馈风力发电机的状态空间表达式,并将其用于预测双馈风力发电机的状态轨迹,将控制性能和控制代价作为目标函数,推导得到其控制策略解析表达式,降低了模控制型预测控制的计算成本。在New England 39节点系统中对该策略进行验证,仿真和计算结果表明,由于通过模型误差反馈可以降低设计模型误差对控制性能的影响,因此即便在模型失配的情况下,基于状态空间的模型预测控制也能够有效改善双馈风力发电机的控制性能。     

基于状态监测的汽轮发电机定子铁心温度标准值的确定

根据电机的基本理论,首先提出了汽轮发电机定子铁心温度与发电机的有功功率、无功功率、电枢端电压、铁心周围冷却介质温度等运行参数相关的数学模型,然后利用发电机各种正常运行工况下的大量数据,采用最小二乘法对定子铁心温度模型中的参数进行了辨识.利用辨识得到的定子铁心温度模型即可计算发电机在各种正常运行状态下定子铁心温度的标准值,以实现发电机的状态监测和早期故障诊断.最后以邢台电厂的QFSN-220-2型汽轮发电机为例对定子铁心温度模型进行了验证,结果表明该温度模型是正确的.     

双馈水轮发电机系统的优化调节特性模型

为了研究双馈水轮发电机系统的负荷优化调节性能,结合实例对双馈水轮发电机和常规水轮发电机在相同运行工况下的优化调节特性进行了比较分析,应用一种改进的BP算法--Levenberg-Marquardt反向传播方法建立了水轮机优化调节特性的数学模型,并与其它模型的计算结果进行了比较.计算结果证明了基于改进BP神经网络算法建立的双馈水轮发电机负荷优化调节特性模型的有效性.     

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

基于BP神经网络的转子匝间短路故障识别方法

分析了发电机转子绕组发生匝间短路后的电磁特性,得到了匝间短路后的特征参数。在确定的运行状态下,发电机励磁磁动势故障前后维持不变而励磁电流增大。据此选取故障样本,将BP神经网络应用于发电机匝间短路故障识别。BP神经网络不依赖于发电机的数学模型及其结构参数。最后实测了故障发电机的特征信号,与理论分析结果基本吻合。     

航空发电机综合故障诊断技术研究

针对航空发电机的故障难以准确诊断的问题,提出了一种基于BP神经网络的航空发电机综合故障诊断方法,通过对BP神经网络数学原理及算法的深入分析与研究,构建基于BP神经网络的航空发电机故障诊断模型。结合某型航空发电机的真实试验数据,对所构建故障诊断模型的正确性进行了试验验证。在试验验证过程中,利用航空发电机真实试验数据的前60组对神经网络进行训练,后40组数据对神经网络进行测试,最终验证了所构建的故障诊断模型能够较好实现对航空发电机故障进行准确诊断的效能,且所采用的BP神经网络方法具有收敛速度快、识别能力强、精度高以及准确性高等优点。     

基于迭代加权改进BP神经网络的电容式电压互感器变比幅频特性拟合方法

针对电容式电压互感器(CVT)的变比幅频特性曲线拟合误差较大的问题,文中以BP神经网络为基础,提出了迭代加权改进的BP神经网络方法,对CVT的变比幅频特性曲线进行拟合,该方法不仅可以保证拟合曲线的均方误差满足收敛条件,还可以有效降低拟合曲线的最大误差。实例计算表明,该方法使得CVT变比幅频特性拟合曲线的最大误差降低24.45%。     

定子水内冷方式发电机热故障在线监测方法

建立了定子水内冷方式发电机定子绕组的动态温度水力模型,通过推导与计算,得到描述定子绕组动态温度水力模型的解析表达式。用径向基函数(RBF)神经网络对模型参数进行辨识,求取了单调连续2个负荷之间定子线棒温度的过渡时间,以此作为监测发电机运行状况的判据。通过对某电厂一台600MW汽轮发电机进行计算,证明了该方法的正确性。用这种方法进行热故障在线监测最大的优点是不受定子线棒温度延迟时间的影响,具有较大的实用价值。     

改进小波结合BP网络的风力发电机故障诊断

针对风力发电机早期故障时定子电流特征量难以提取的问题,提出了单子带重构改进小波变换结合BP神经网络的风力发电机故障诊断新方法。通过对风力发电机的定子电流进行单子带重构改进小波变换,消除了传统小波变换中的频率混叠现象;从小波变换后的子带信号中选取特征域、提取特征量作为BP神经网络的输入;在此基础上,结合BP神经网络的输入输出非线性映射能力,完成对故障的诊断和定位。经过仿真实验证实,该方法准确地实现了对风力发电机故障的诊断。     

基于ANN的船舶柴油发电机转速容错控制

结合人工神经网络与智能容错控制,形成船舶柴油发电机转速神经网络容错控制。对由故障诊断后获取的特征值进行归一化处理,把经过处理的特征值作为神经网络的输入样本集,设计输出样本集,建立BP神经网络和Elman神经网络,用整理后的数据训练神经网络,使神经网络具有容错控制功能,并对神经网络模型进行仿真测试。仿真试验显示可以实现对船舶电力系统容错控制,保证船舶的安全运行。