基于SCADA数据的风电机组偏航控制参数优化

针对大型风电机组偏航控制参数在实际应用中适应水平差、控制精度低等问题,首先对机组SCADA数据进行统计处理和分析计算,以确定偏航控制区间的划分界限;然后依据各个区间控制策略和风向特点的不同确定参数优化范围,在此基础上应用细菌群体趋药性(BCC)算法对偏航控制参数进行搜索寻优,分别得到高、中、低3级风速区间最优偏航偏差阈值和延迟时间;通过Bladed软件仿真表明该优化方法可在满足偏航比要求的前提下提高发电量,使风场获得更大的经济效益。     

基于SCADA数据特征提取的风电机组偏航齿轮箱故障诊断方法研究

针对风力发电机组偏航系统故障处理难度大和危害严重等问题,开发出基于数据采集与监视控制(SCADA)数据的偏航齿轮箱神经网络诊断模型。利用ReliefF算法和核密度-均值法提取能反映出偏航齿轮箱运行工况的7个SCADA参数,并提取出6种故障特征指标作为神经网络诊断模型输入量,来诊断偏航齿轮箱的正常状态、磨损故障以及断齿故障共3种运行状态。结果表明:经神经网络诊断模型训练后的误差精度满足诊断要求,能准确诊断偏航齿轮箱故障。     

基于深度神经网络构建风电机组性能模型的超参数选择

风电行业中基于深度神经网络技术来构建风电机组性能模型受到了业内人员的广泛关注,然而对于深度神经网络自身超参数选取对模型结果的影响仍缺少系统性分析。以深度神经网络隐含层层数、深度神经网络形状及隐含层神经元数量为研究基础,研究了超参数取值对风电机组性能模型构建效果的影响,并通过实际运行数据验证了参考风电机组的最优配置及其推广性。结果表明,深度神经网络隐含层层数、深度神经网络形状及隐含层神经元数量这3个超参数的不同配置对最终构建的风电机组性能模型存在一定影响,但从工业应用的角度来看,这些影响基本可以忽略;同时,基于参考风电机组得到的最优超参数配置能够直接推广到同一风电场相同型号的所有风电机组上应用。     

数据驱动的风电机组偏航参数适应性优化

为了增强风电机组偏航系统自适应水平,提升风能利用率,提出一种基于K近邻聚类（KNN）算法风电机组偏航控制参数优化方法。为准确描述风向变化,建立改进Weibull概率分布建立风向评估模型,即以风向波动的幅值（A）和波动持续时间（T）作为风况的数据标签来描述风向。对比风电机组不同偏航参数下的运行数据确定聚类中心（已知风况下的最佳偏航参数）,通过基于KNN算法的风电机组偏航控制参数优化模型,得到不同风况下风电机组最佳的偏航参数。通过对风电机组运行数据进行算例分析表明,该方法高风速时可提升风电机组发电效率,并在低风速时减少偏航启动次数。     

基于改进深度森林算法的风电机组故障诊断技术研究

为了及时有效地检测出风电机组发生的具体故障,同时克服传统故障诊断方法的局限性,文章提出一种基于改进深度森林算法的风电机组故障诊断方法。首先,利用有效的数据预处理方法处理SCADA原始数据并提取故障特征;然后,基于深度森林算法对风电机组具体故障进行诊断,同时,针对深度森林算法在故障诊断领域存在的缺陷,对算法提出改进;最后,利用河北某风场1.5 MW风电机组实际运行数据对文章提出的故障诊断算法进行验证,通过正确率、AUC等指标验证了所提故障诊断算法相比传统机器学习算法的有效性和优越性。该研究为风电机组运行和维修提供了依据,同时也为故障诊断领域提供了新的方法和思路。     

基于改进果蝇算法优化支持向量机的风电机组性能评估

目前,关于风电机组性能的研究多集中于某一关键部件,文章针对风电机组整体提出一种性能评估的方法。首先采用支持向量回归(SVR)预测正常状态下的评价指标,并使用果蝇优化算法(FOA)来寻找其最优参数。为了克服FOA易陷入局部最优的缺点,引入免疫思想增加种群的多样性,并采用自适应搜索步长,提高其收敛精度;然后通过变权思想对预测误差进行组合,得到风电机组偏离正常状态的劣化度,实现对风电机组的性能评估;最后,采用某风电场的数据进行实验分析,验证了文章所提方法的可行性。     

基于智能算法的高海拔风电机组多参数优化设计

以高海拔地区风电机组为对象,建立了平准化电力成本（LCOE）模型,并采用智能算法对其关键设计参数进行优化。分析了海拔升高对气候环境与风电机组的影响,建立了以转子半径、轮毂高度以及额定功率为设计参数的高海拔风电机组LCOE模型。以LCOE最小化为目标,采用遗传、粒子群、量子遗传3种智能优化算法对3个设计参数进行优化。优化结果表明,一定的海拔高度下存在最佳参数和最优LCOE,3种智能算法皆能得到模型的最优解,而量子遗传算法在收敛时间与收敛精度上均具有较好性能。随着海拔的升高,最优LCOE增大,3个优化参数呈现出不同的变化趋势。本文的相关结论对于高海拔风电机组选型与设计具有一定的参考意义。     

基于Vine-Copula-BiLSTM的风电机组齿轮箱状态评估

为了科学合理地反映风电机组齿轮箱运行状态,提出一种基于Vine-Copula模型和双向长短期记忆（BiLSTM）算法的风电机组齿轮箱健康状态评估模型。首先,通过Vine-Copula模型分析数据采集与监视控制（SCADA）系统中各相关状态参数之间的耦合特性,然后利用BiLSTM算法构建健康状态下的标准残差,用于评估风电机组齿轮箱的健康状况。最后,使用实时数据计算残差值并与健康状态下的标准残差值进行比较,利用马氏距离来度量两者之间的差异,并结合健康指数对风电机组齿轮箱的状态等级划分4个等级（优秀、正常、注意和恶劣）。结果表明：针对某风电场发生故障时不同工况的实际数据进行验证,对于不同工况下风电机组齿轮箱油温超温状态,该模型可提前90和1186 min进行故障预警,实现对风电机组齿轮箱运行健康状态的评估。     

面向风电机组维护的改进FMECA

维护水平是影响风电机组维护成本的重要因素之一。故障模式、影响及危害性分析根据危害度对故障模式进行分级,找出危害度较高的故障模式并给予较多的维护资源,有助于提升风电机组的维护水平。然而,在目前的风电机组FMECA中,监测控制与数据采集系统的存在、处理故障的过程以及故障发生及其影响的真实情况等特征未被充分利用。文中结合传统FMECA与以上特征,提出了一种面向风电机组维护的改进FMECA。为更接近故障处理过程,将风电机组分为机组层,SCADA层及部件层。分别将SCADA系统的报警内容、部件的故障模式及机组停机视为SCADA层的故障模式、原因及对高层级的影响。同时,根据机组各故障的发生概率及影响的真实情况重新定义其等级。最后给出了改进FMECA在某型号风电机组中的应用实例。     

基于特征选择和XGBoost的风电机组故障诊断

随着风电规模的不断增加,风电机组的运行维护成为研究的热点.针对风电机组的故障诊断问题,文章提出了一种基于特征选择和XGBoost算法的故障诊断方法.该方法采用随机森林的袋外估计进行特征选择,降低了特征选择过程的主观性;以XGBoost算法为基础搭建诊断模型,采用网格搜索和交叉验证对算法进行参数优化.以风电场SCADA实...     

基于成本模型法的1MW变速风电机组的参数优化设计分析

主要针对大型变速变距风力发电机组样机在产业化过程中如何以降低机组发电成本、提高经济性为目标对机组参数的优化设计进行探讨。首先阐述了发电成本的计算过程和成本模型法的基本计算规则,然后以国家863"兆瓦级变速恒频风电机组"研制成果SUT-1000的成本构成为例,分别对机组的主要设计参数即风轮直径和额定风速进行了优化设计和对比,并对依据经验确定的变化因子进行了敏感性分析,最后进行了同等容量约束条件下机组的参数综合优化设计,可适用于不同安装场址。     

基于SCADA数据的风电机组齿轮箱状态监测方法

为解决故障劣化渐变过程的长时间序列对齿轮箱状态监测模型的影响问题,提升其决策精度,提出一种基于数据采集与监控(SCADA)数据的组合建模方法.首先,采用主成分分析法(PCA)选取与齿轮箱温度密切相关的输入观测向量,并应用长短期记忆(LSTM)神经网络分别对齿轮箱正常工况和异常工况独立建立温度模型;其次,结合模型输出结果...     

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。     

基于机器学习算法与SCADA系统的风电机组变桨系统变频器的故障预警方法研究

变桨系统是风电机组的关键设备,但由于风电机组长期处于复杂的工作环境,导致变桨系统故障成为风电机组故障中最常见的故障之一,而变桨系统变频器故障在变桨系统故障中的占比很高.基于此,提出了一种变桨系统变频器的故障预警方案,分析SCADA系统数据,将机器学习算法应用于故障预警,并将模型温度残差作为故障预警的指标;然后,针对随机...     

基于温度参数的风电机组异常识别

文章针对风电机组运行过程中机组早期的异常状态识别问题,提出一种考虑有功功率的基于机组温度参数变化特性的风电机组异常识别模型。首先,分析风电机组各系统与温度相关的参数。然后,利用相关性理论,确定了与有功功率相关的温度参数:齿轮箱高速轴轴承前端温度、齿轮箱高速轴轴承后端温度、齿轮箱油温、发电机驱动端轴承温度、发电机非驱动端轴承温度、发电机定子绕组温度,形成了异常检测的参数体系。再次,以正常状态下机组温度参数的偏度和峰度的最大区间作为阈值,建立风电机组异常识别模型。最后,采用滑动窗口对机组运行状态进行在线监测。通过实例研究发现,当机组发生异常状态时,温度参数的偏度或者峰度超过了阈值,比警报提前了15 d。该识别模型为风电机组的早期故障预警提供了参考。     

风电机组大部件的备品备件区域库存优化控制策略

风电机组大部件的备品备件是保障风电机组运行的重要物资,合理的备件库存可减少风电场的停机损失。针对风电机组大部件的备品备件库存控制问题,提出了基于(s,Q)策略的区域库存优化控制策略。首先,以威布尔分布函数描述风机大部件的故障概率密度。其次,考虑风电机组设计寿命及备件短缺停机时间,通过概率模型推导了区域库存策略下的风机大部件备件成本和平均可用率公式。然后,以备件成本最小为优化目标,建立库存优化控制模型,并分析了大部件的各主要参数对最优库存控制参数的影响。最后,通过算例分析验证了该策略的有效性。     

风电机组发电机前轴承健康度预测方法及实现

为了解风电机组健康状态程度,提供提前检修方案,文章提出了基于ConvLSTM-SA（convolution long short term memory-self attention）的风电机组健康状态监测和评估方法。首先,采用基于密度的聚类方法（density-based spatial clustering of applications with noise,DBSCAN）和随机森林完成对状态预测输入数据的处理与特征选择;然后,搭建了状态预测模型,把预测结果的多类残差融合,定义混合残差及报警阈值限;最后,设计了以混合残差为参数的健康状态模糊隶属度函数,确定机组综合健康状态评价指标,并利用某风电场运行案例进行验证。与时间卷积网络（temporal convolutional network,TCN）和双向长短期记忆（Bi-directional long-short term memory,Bi-LSTM）模型相比,ConvLSTM-SA的预测精准度更高,同时验证了多特征残差混合对状态评估的必要性。结果表明,评估模型能够清楚反映机组的状态变化,且可以提前10 h发出故障预警信号。

     

基于SCADA数据的风电机组异常识别方法

提出一种基于组合预测模型和样本熵的风电机组异常识别方法.该方法首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理,筛选出合适的SCADA数据,同时利用斯皮尔曼(Spearman)等级相关系数分析风电机组状态参数之间的相关性,确定预测模型的输入参数;其次利用径向基神经网络(RBFNN)和最小二乘支持向量机(...     

基于输出功率预测的风电机组运行风险度评估

准确评估风电机组运行健康状态对于降低机组故障率、减少运维成本十分有利.输出功率是表征风电机组运行性能的最基本参数之一,输出功率的波动能够直观反映机组运行状态的变化.当实际输出功率明显偏离正常运行状态下的预期值时,则说明机组健康状态可能存在异常,由此文章提出了一种基于输出功率预测的风电机组运行风险度评估方法.首先采用随机...