高斯混合模型风电机组异常数据识别方法研究

风电机组原始运行数据中存在大量异常数据,对异常数据进行识别和剔除是后续准确预测风电机组出力及评价发电性能的基础。文章分析了风电机组运行数据功率散点在风速-功率坐标系中的分布特征,提出了基于贝叶斯信息准则（BIC）的高斯混合模型异常数据识别方法。沿水平功率方向以一定间隔划分多个水平功率区间,采用高斯混合模型对落在每一水平功率区间内的功率散点进行聚类,并引入BIC准则自适应确定模型的高斯分量个数。结合功率散点分布特征先验经验,对每一水平功率区间内的多个高斯分量置信椭圆及其聚类功率散点进行异常标识。以风电机组实际运行数据为例,验证了高斯混合模型异常数据识别方法的有效性。     

基于变分贝叶斯推断的DPGMM风电机组异常数据识别研究

为了准确识别和剔除风电机组在实际运行过程中产生的异常数据,以便为功率预测等工作提供有效的数据支持,通过分析风电机组运行数据散点在风速-功率(v-P)坐标系中的分布特征,提出了基于变分贝叶斯推断的狄利克雷过程高斯混合模型异常数据识别方法。将试验机组E17实测数据散点沿水平功率方向以一定间隔划分区间,采用能自适应确定最佳分量个数的狄利克雷过程高斯混合模型对每一个功率区间内的数据散点进行聚类,结合各高斯分量置信椭圆参数及数据散点在v-P坐标系中的分布特征,对试验机组E17各功率区间内的高斯分量及其聚类散点进行异常标识。结果表明：该模型克服了传统高斯混合模型需要人为确定分量个数的缺点,能够对风电机组异常数据进行准确识别。     

基于性能可靠性的风电机组功率曲线评定新方法

针对在实际风电机组验收过程中基于功率曲线的考核评估非常困难的问题,利用中央监控系统的机组运行数据,进行了运行功率曲线的测量,并基于性能可靠性理论,根据制造商承诺功率曲线性能,构建了基于性能可靠度的功率曲线评估方法.利用该方法对北方某风电场5台机组的功率曲线进行了评估.结果表明:5台机组中,6号机组的可靠性最高,4号机组的可靠性最差;该方法评估准确、简单实用,为工程中功率曲线的评价提供了参考.     

基于自适应DBSCAN算法的风电机组异常数据识别研究

为了对风电机组实测数据中的异常数据进行有效识别和剔除,通过分析风电机组的风速-功率异常数据,提出了基于分功率区间的自适应密度聚类(DBSCAN)异常数据识别算法,采用无标签聚类轮廓系数对DBSCAN算法中关键参数半径(ε)和邻域密度阈值(Z)进行自适应最佳选择,并利用该算法识别实验机组的异常数据.结果 表明:该算法避免了人为主观设定导致的误差,能够对风电机组异常数据进行有效识别.     

基于分段图像识别的风电场异常运行数据清洗方法

风电场异常运行数据清洗对风电场功率预测、理论功率计算以及发电性能评估至关重要。针对现有数据清洗方法中基于统计特征的清洗算法无法有效清洗风功率曲线中部的堆积型异常数据,基于图像识别的直接清洗算法会忽略不同风速区间的像素点密度分布差异等问题,文章提出了基于分段图像识别的风电场异常运行数据清洗方法。首先,以切入风速和额定风速为数据集分段点,生成分段二值图像集,构建基于Canny边缘检测的分散型像素点辨识模型;然后,基于边缘内图像集,构建基于数学形态学的堆积型异常像素点辨识模型;最后,以中国西北地区某两个风电场的实际运行数据为算例,与四分位法、基于密度的空间聚类（DBSCAN）法、基于图像的直接清洗算法进行对比分析,验证了所提算法的有效性和适用性。所提方法采用数学形态学分割图像的主要部分和突起部分,从而有效辨识风功率曲线中部的堆积型异常数据;通过设置不同分段图像的清洗参数以改进图像直接清洗算法对局部细节的识别性能,清洗后的正常数据散点分布更为平滑。     

基于低质量数据的水电机组变工况状态指标构建方法

水电站监测数据与机组运行工况高度关联,且通常存在数据异常和数据缺失等问题。为此,提出了一种基于低质量数据的变工况下水电机组状态指标构建方法。首先采用国内某大型常规水电站的实测水头、有功功率及下机架振动数据构建机组运行数据集,再采用DBSCAN算法清洗异常数据,最后基于GMM算法拟合健康样本的概率密度分布,构建机组健康状态模型。在此基础上,计算待评估样本与健康状态模型之间的负对数似然概率,并将其作为机组性能状态指标。验证分析表明,通过数据清洗能有效识别水电机组运行数据集中的奇异点和离群点,且所构建的健康模型受数据缺失影响较小。     

抽水蓄能电站机组异常状态检测模型研究

针对当前水电机组故障样本少,难以对其开展有效诊断的难题,提出了一种综合考虑有功功率、工作水头等工况参数的基于最小二乘曲面的抽水蓄能电站机组异常状态检测模型,即在深入分析有功功率、工作水头对机组运行状态影响的基础上,确定了机组的健康标准状态,根据机组运行状态在不同功率和不同水头下的特性,划分了不同单元,在不同单元内选取能反映机组运行状态的敏感特征参数,分别建立了基于最小二乘曲面的分布式健康模型,将功率、水头等实时在线数据代入分布式健康模型,通过计算机组健康度建立最终的异常状态检测模型。实例应用结果表明,该模型能有效地挖掘机组海量状态数据和真实可靠地进行在线状态评估,从而实现机组异常状态的早期预警。     

一种基于风功率曲线的SCADA数据清洗方法研究北大核心CSCD

风机SCADA数据在风机状态评估和性能预测中具有重要作用。在风机实际运行过程中,人为操作失误以及传感器等设备故障可能导致SCADA数据中存在大量异常,给后续的评估和预测带来较大干扰。文章基于风机SCADA数据中风速-功率散点图的分布特征和形态,以及标准风功率曲线的风速-功率对应关系,提出了一种改进的一类支持向量机(OCSVM)方法来进行异常数据清洗。通过选取东北某风电场的同类型风机进行SCADA数据清洗验证,并与四分位法、局部异常点检测算法(LOF)、孤立森林算法(IF)的清洗结果进行了对比。对比结果表明,本文提出的方法对异常点的清洗效率更高,清洗结果更接近标准风功率曲线,且具有较好的通用性。     

风电机组功率曲线建模方法对比研究

风电机组功率曲线是风电机组重要的性能指标,表征了机组的实际运行状态。准确的实测风电功率曲线可以为风电机组性能评估、风电功率曲线监测、风电功率预测、风电场数值建模等工作提供重要的参考依据。但采用耗时的功率曲线建模方法会花费大量的建模时间,从而影响建模效率。文章从功率曲线建模的数据筛选和功率曲线拟合入手,选取耗时较短的二维核密度估计模型筛选风速功率散点集中区域内的正常运行数据,并选用5种功率曲线拟合方法对正常风速功率数据进行拟合。5种模型的建模精度和建模效率对比分析表明,多项式拟合方法原理简单,拟合速度最快,且拟合精度较高,比较适用于实际功率曲线的建模工作。     

基于长短期记忆网络的阀门升程-功率预测

汽轮机调节阀门升程与通过阀门的蒸汽流量的对应关系,是调节机组输出功率的主要依据,但汽轮机阀门由于长期受主蒸汽冲刷,受机组通流结构的老化、变形、改造等影响,其实际流量特性曲线在使用过程中容易偏离设计值,从而严重影响机组运行的经济性以及安全性。针对这个问题,提出了一种基于长短期记忆(LSTM)神经网络的阀门升程-功率预测方法,利用调节阀门升程指令直接预测汽轮机机组的输出功率。该方法具有学习速度快、精度高以及自适应的特点,无需人为干预。电厂实际运行数据验证结果显示:对某电厂半年的运行数据进行学习,需要9h,预测430天误差平均值为0.49%。同时训练的神经网络模型较小,可以迁移到电厂现场的小型计算机上进行控制。该方法具有较高的工程实用价值。     

基于温度信号的风电机组发电机实时可靠性监测新方法

实时可靠性监测对降低风电机组的维护成本,提高其运行水平具有重要的意义。文章提出了一种基于温度信号监测的风电机组发电机实时可靠性监测方法。该方法采用正常运行状态下的发电机温度数据,利用线性回归技术,得出了消除环境温度和输出功率影响后的修正温度;然后基于性能可靠性理论,对修正温度进行标准正态变换,建立了发电机运行温度的实时可靠性监测模型。以某机组实际运行数据为例,验证所提方法,结果表明,该方法能利用温度信号监测机组运行的实时可靠度来发现其运行异常状态,达到实时可靠性监测目的。     

数据驱动风电机组偏航误差在线智能识别研究

针对不同风速下风向仪动态特性、风轮尾流、风向仪安装误差等因素导致的风电机组偏航误差问题,文章采用基于运行数据驱动的风电机组偏航误差方法进行在线智能识别。该方法通过改进DBSCAN聚类方法剔除过度离群数据,采用移动最小二乘法拟合“风速-功率-偏航误差”特性曲面,识别出不同风速下的偏航误差曲线,结合在线运行数据采集,可以实现不同风速下偏航误差的动态识别和持续矫正。算例分析表明,与偏航误差设定值相比,在有限数据下识别的偏航误差的识别结果较为准确,且识别误差在合理范围内。该方法的应用能够更为精确识别不同风速下风电机组偏航误差,进一步提高风电机组发电效率。     

基于风功率数据的风电机组性能预测与健康状态评估

为及时准确地预测风电机组整机性能,文章基于风功率数据提出了一种考虑工况波动的相似性度量算法,结合概率和模糊理论评估机组健康状态。该方法基于聚类思想对风功率数据进行数据预处理和工况划分,针对工况子空间的正常样本与测试样本,基于主成分分析法以第二主成分方向上投影变量的标准差作为样本相似性度量指标,依据概率不确定性融合得到综合健康状态指标,量化机组性能的退化程度。结合机组性能实际退化过程,依据模糊理论确定健康状态隶属度,基于隶属度最大原则和信度准则判断机组健康状态等级。将该方法应用于某具有小样本数据的实例中,可提前两周获知风电机组发生异常,对机组健康状态的过渡过程作出了准确评估,验证了所提方法的可行性。     

基于风电机组控制原理的风功率数据识别与清洗方法

针对变速变桨距控制风电机组在风功率曲线拟合中所面临的非正常运行数据识别与清洗难题,提出了一种基于风电机组控制原理的风功率数据识别与清洗方法.从控制原理出发,首先通过有功功率和发电机转速对风功率散点进行预处理,然后分析功率时序分布,识别出限功率点,最后结合四分位法对叶尖速比散点和风功率散点进行清洗,在完成功率散点筛选的同...     

基于运行数据的风力发电机组功率特性分析

针对实际1．5MW风电机组．通过获取反映机组运行性能的实测风速、功率等数据,采用Bin方法对数据进行处理后,获得风电机组的功率曲线,并将其推广到机组风能利用曲线的提取。通过计算得到了2台机组的实际运行功率曲线、风能利用曲线及其标准差值．对风电机组的运行性能进行了对比分析和评估。     

火电机组湿态运行下的协调系统模型和控制策略研究

为进一步提升火电机组运行灵活性,直流炉机组将调峰负荷下限逐渐拓宽至湿态运行,直流炉机组湿态稳定运行模式成为新的研究方向。以直流炉机组湿态运行过程为研究对象,分析了机组运行工艺流程和实际运行数据,提出了湿态运行机组的协调控制结构。利用机理分析和数据双向驱动的复合建模方法建立了湿态运行机组的简化控制模型,经过检验,模型输出与实际数据的机组功率和主蒸汽压力的相对偏差分别为2.85%和1.87%。在对调节特性研究的基础上,设计了基于直接能量平衡的湿态运行协调控制策略,仿真结果表明,该控制策略能够完成湿态运行过程的控制任务。     

基于SCADA数据分析和稀疏自编码神经网络的风电机组在线运行状态监测

通过融合稀疏自编码器和深度神经网络算法,提出一种基于SCADA数据的风电机组在线运行状态监测方法。首先,通过稀疏自编码器学习SCADA高维数据中复杂的内在特征,得到数据的降维表示;其次,基于降维后的数据利用深度神经网络预测风电机组的有功功率,通过对比分析预测功率与实际功率之间的残差判断风电机组的运行状态;最后,利用某风电机组近一年半的SCADA数据,对所提方法进行验证分析,结果表明,所提方法提早5天检测出风电机组发电机的异常情况,为有效避免故障恶化引发的突然停机、降低运维成本、提高风电能源的竞争力提供技术支持和保障。     

运行风电场内局地湍流变化分析方法及其影响探讨

利用风电机组运行风数据结合常规测风塔和激光雷达观测风数据,对机组运行风数据进行相关性分析和检验,建立机组机舱湍流强度的计算方法和适用范围。研究表明,基于机舱风数据计算的湍流强度大小虽不能代表机组实际湍流的绝对值大小,但对于简单平坦地形,不同机组机舱湍流强度的相对变化,可作为评估风电场微观选址设计机组尾流影响程度的参考标准之一;对于复杂地形,不同机组机舱湍流强度的差异能很好表征不同地形下环境湍流的差异及对机组实际运行功率的影响。     

基于CFD技术的风电机组功率特性评估方法

针对IEC61400-12-1标准对风电机组功率特性测试难以广泛开展的问题,提出一种基于修正SCADA风速的功率特性评估方法。首先基于CFD技术,利用风场实际数据建立纳维-斯托克斯方程,用修正后的k-ε湍流模型求解,建立风电场物理模型;然后通过机组的技术参数及大气条件确定"Larsen"尾流模型,根据机舱风速得到自由风速;最后利用修正后风速进行功率特性的评估。实例验证表明,该方法能满足风电机组功率特性评估的要求,能较好反映机组的功率出力情况,方便、快捷且花费较低,适用工程应用。     

基于DBSCAN和SDAE的风电机组异常工况预警研究

提出一种基于密度的聚类方法(DBSCAN)和堆栈式降噪自编码器(SDAE)结合的风电机组性能预测及异常运行工况预警方法.首先采用DBSCAN算法对机组监控与数据采集(SCADA)系统历史运行数据进行清洗,然后利用SDAE建立风电机组的正常运行性能预测模型.基于该模型,采用时移滑动窗口方法构建能准确反映风电机组异常状态的...