共查询到20条相似文献,搜索用时 15 毫秒
1.
监测控制与数据采集(SCADA)系统广泛部署于各大风场的风电机组上,其采集的SCADA数据可用于风电机组的状态监测。为了更有效地捕获SCADA数据中的空间关联性,可以改进Inception v1方法建立1D_Inception v1模型提取SCADA数据中的空间多尺度特征,以更准确地对风电机组进行状态监测。实验结果表明,该模型提供了一种端到端的数据驱动方法,可以直接从SCADA原始数据中学习空间关联性,给出故障诊断结果,相较于传统方法有着更高的准确率。使用基于1D_Inception v1模型的数据驱动方法,可以及时、准确地对风电机组进行状态监测,降低风电机组的运行和维护成本。 相似文献
2.
3.
状态监测在风电机组齿轮箱上应用的探讨 总被引:1,自引:0,他引:1
状态监测不仅适用于风电机组齿轮箱,同时适用于风电机组的主轴,发电机和偏航系统轴承状态的监测,状态监测可以对风电机组进行故障诊断,还可以针对正在运行的风电机组,进行运转状态的全过程监测。 相似文献
4.
5.
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。 相似文献
6.
国内水电机组状态监测和故障诊断技术现状 总被引:2,自引:0,他引:2
全面介绍我国水电机组水轮机、发电机、轴承和辅机系统的状态监测技术应用现状及存在的主要问题;同时对水电机组各系统的故障诊断技术现状、电厂状态检修策略的实施现状进行了全面地总结和分析.现阶段,水电机组各系统的在线监测技术虽然在短期之内能够基本满足电厂安全运行的监测需求,但是各系统监测信号、数据的精度和抗干扰水平还需进一步提高和完善,同时为实现机组运行的全面监测、机组故障诊断和电厂的状态检修,还迫切需要对低频振动监测、局放信号识别和抗干扰、空化空蚀监测、故障诊断理论研究等技术难点进行攻关和研究. 相似文献
7.
火电机组状态监测、预测及故障诊断与状态维修 总被引:4,自引:0,他引:4
分析了火电机组采用定期维修的弊端,指出采用状态维修的优越性。提出在目前的条件下关键是提高状态监测、预测及诊断的精度,为实现状态维修奠定基础,并对火电机组状态监测、预测及诊断的研究现状、存在的问题及今后的工作进行了论述。 相似文献
8.
风电机组所处工作状态的准确判别,对于掌握风电机组是否安全稳定高效运行具有重要的价值和意义。基于北方某风电场SCADA系统历史大数据,利用统计原理对风电机组特征参数进行了选取,在此基础上建立了一种判别风电机组工作状态的决策树(Decision Tree Algorithm)算法模型,并对模型参数进行了网格搜索优化,同时使用了新的历史数据对模型泛化能力做了检验,递归计算了风电机组不同状态下的信息增益和信息熵。依据风场历史数据对风电机组6种典型工作状态模式做了判别验证,结果表明该方法能够准确有效地判别给出风电机组工作状态模式,准确率平均达到0.989,从而验证了此方法的可行性和有效性。 相似文献
9.
近年来,水电机组在线状态监测与故障诊断技术在水电厂发挥的重要作用越来越得到电力行业的认可和重视。介绍了在线状态监测技术和故障诊断技术的现状,较成熟的实用产品,以及存在的不足,并提出了水电机组状态监测与故障诊断系统未来发展的趋势。 相似文献
10.
风机的尾流效应会严重降低风电场的发电效率,传统风电场能量管理方法未考虑尾流效应的影响,各风机均采用最大功率点跟踪MPPT(maximum power point tracking)控制方案,风电场整体输出功率并非最优。尾流耦合现象极其复杂,难以用解析模型描述,传统基于模型的控制思路难以适用。为此,提出一种基于数据驱动的多风电机组协同控制方法。基于风电场的历史运行数据,采用神经网络辨识多风电机组之间的尾流交互模型。进一步,在风电场层通过粒子群算法在线求解多风电机组协同控制功率优化指令;在机组层由各机组控制器实现指令跟踪,最终实现风电场整体发电功率的优化。仿真结果表明:基于数据驱动方法建立的尾流交互模型,其误差在1%之内;在此基础上,进行多机协同优化控制,相比传统未考虑尾流效应的单机MPPT控制,风电场平均输出功率得到提升,验证了所提控制方法的有效性。 相似文献
11.
针对目前传统机器学习算法在风电机组建模中存在训练速度慢、准确性低等缺点,研究了基于TPE LightGBM算法的风电机组正常行为模型,并以正常行为模型为基础制定故障预警方案。首先,结合风机运行原理和XGBoost算法完成建模前的特征选择工作并利用异常数据处理后的SCADA历史运行数据建立风机性能、齿轮箱等的正常行为模型。然后,以正常行为模型输出与实际值的偏差为预警指标,引入滑动窗口模型对预警指标做平滑处理后作为阈值指标。最后,利用SCADA历史故障记录数据对预警方案进行实验验证,结果表明所提预警方案能够在SCADA系统报警提示信息发出前实现故障的提前预警。 相似文献
12.
13.
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。 相似文献
14.
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... 相似文献
15.
16.
17.
18.
19.