基于关联度与自检验长短期记忆网络的风电机组轴承寿命预测模型

为提高风电机组轴承寿命预测的稳定性，提出基于关联度与自检验长短期记忆网络(self-checkinglong short-term memory,Sc-LSTM)的轴承寿命预测模型。首先，采用长短期记忆网络(long short-term memory,LSTM)对风电机组轴承单一运行状态信号进行预测，分析预测误差与运行状态关系，建立风电机组轴承的寿命时长体系。其次，LSTM对轴承全寿命信号进行预测与分析，选择检验指标σ来构建检验层与Sc-LSTM，引入通过率η对预测效果进行评价。采用关联度(indexedrelation,IR)为轴承全寿命信号的状态评价指标，得到轴承的IR运行曲线。最后，利用Sc-LSTM分别对IR运行曲线、风电机组轴承信号进行预测与分析，结果表明：Sc-LSTM与IR的预测模型能有效地提高轴承寿命预测的稳定性，减少大规模预测试验的时间与成本，弥补预测误差对预测效果评价单一的问题，与其他预测方法相比效果更佳，在风电机组轴承寿命预测上具有一定参考价值。     

考虑多信息融合的风电机组状态评估与预测系统开发

为降低风电机组故障发生概率,提高其可靠性,该文利用数据采集与监控系统（supervisory control and data acquisition,SCADA）检测获得的风电机组运行状态数据,通过研究多指标融合状态评价模型及其预测算法,解决风电机组状态参数评估与预测难题。结合SCADA系统结构,设计并规划风电机组状态参数评估与预测系统架构与功能;利用输出功率波动、风能利用率以及开机运行比率3项参数,基于阈值法,建立风电机组状态退化评价指标模型,通过主成分分析法对3个评估标准进行权重计算,并将各指标进行信息融合,综合反应风电机组运行状态;设计Convolutional Neural Network-Long Short-Term Memory风电机组状态预测模型,实施风电场运行状态参数预测;开发风电机组状态评估与预测系统软件,验证所提方法的有效性。     

基于BPNN-NCT的风电机组主轴承异常辨识方法

风电机组主轴承作为传动系统的重要组成部件,其异常辨识精度受风速波动的影响较大。针对该问题,提出了一种基于BPNN-NCT的风电机组主轴承异常辨识方法。首先,利用相关系数法确定了与主轴承状态相关的参数作为模型的输入,并基于反向传播神经网络(BPNN)建立了以主轴承温度为状态参数的状态参数预测模型。然后,基于非中心t(NCT)分布刻画了不同风速波动区间下状态参数预测残差的分布特性,并在此基础上提出了计及风速波动影响的风电机组主轴承异常状态量化指标。最后,以某风电场的2 MW直驱风力发电机组为例,验证了所提方法的有效性和准确性。     

永磁同步电机转子位置及速度提取灰色预测法

针对永磁同步电机的调速及伺服运行状态具有较强周期性与规律性的特点,提出了基于灰色系统预测理论的电机转子位置和速度自检测方法.通过相关因子序列的灰色关联度分析,确定了转子位置及速度的有效预测因子:即磁链-电流-转子位置角关系曲线及反电势-电压有效值-转子速度关系曲线,转子位置的预测采用等间隔的5条关系曲线,建立了等间隔GM(1,1)预测模型,而转子速度的预测根据低速及中高速范围确定为非等间距的8条关系曲线,建立了非等间隔GM(1,1)预测模型.将此预测方法用于永磁同步电机的矢量控制当中,仿真及实验表明状态估计准确、参数变化鲁棒性强,控制系统具有优良的静态和动态性能.     

风力发电机组运行状态的混沌特性识别及其趋势预测

通过对风力发电机组运行状态参数时间序列进行非线性动力学建模,解析了机组运行状态的动力特征,验证了风力发电机组运行状态的混沌特性。在此基础上,根据混沌时间序列的相空间重构理论,应用加权一阶局域预测方法对风电机组运行状态进行混沌预测研究,采用某风场风电机组实际运行数据对预测方法进行检验。计算结果表明,应用混沌预测方法对风力发电机组运行状态进行预测是可行的,具有较高的精度,为风电机组状态预测提供了新的思路。     

采用GA-BPNN与TLS模型的风电机组异常辨识方法

基于反向传播神经网络(BPNN)建立了风电机组状态参数预测模型,并采用遗传算法(GA)对BPNN模型的初始权重与阈值进行优化,有效消除环境因素对风电机组状态参数的影响;采用TLS(t-location scale)分布模型刻画不同风速区间下预测残差的分布特性,基于矩估计方法实现TLS分布参数估计,并在此基础上提出了计及风速影响的状态残差异常程度量化指标。以某风电场的1.5 MW双馈风电机组为例进行了异常分析,结果验证了模型的有效性和准确性。     

基于趋势预测的大型风电机组运行状态模糊综合评价

大型风力发电机组的设备维修与更换的费用昂贵,因此及时准确地对风电机组运行状态进行评估,可有效节约检修维护成本。为此,提出一种基于状态参数趋势预测的大型风电机组运行状态模糊综合评价策略。首先分析并归纳大型风电机组的重要运行状态参数,采用层次分析法构建出评价模型,在状态参数的劣化度计算中结合模糊趋势预测策略,然后应用模糊隶属度加权进行逐层评价结论的综合,在总体评价结论的综合策略上对传统方法进行有益的改进。算例表明,与常规模糊评价策略相比,提出策略更具合理性,有助于及时发现早期故障隐患,可为风电场合理安排机组的调度运行与检修维护计划提供参考。     

采用预测模型与模糊理论的风电机组状态参数异常辨识方法

为提高风电机组的停运预警能力,基于风电场数据采集与监控(SCADA)系统数据提出了一种风电机组状态参数的异常辨识方法。对参数进行划分,针对与环境因素密切相关的状态参数,采用神经网络建立了状态参数预测模型。采用本机组近期SCADA样本、本机组历史样本和其他机组近期样本分别作为预测模型的训练数据,对比分析了基于3类样本建立的模型的预测精度。采用平均绝对误差对基于本机组历史样本和其他机组近期样本建立的预测模型进行选择。定义了异常程度指标量化预测残差的异常程度。为了提高异常辨识的精度,采用模糊综合评判对筛选出的预测模型的异常辨识结果进行融合。最后,以国内某风场的1.5 MW风电机组为例进行了异常分析,并与传统的风电机组状态参数异常检测方法进行了对比,实例分析结果表明所提出的异常辨识方法具有更高的准确性。     

水电机组状态退化评估与非线性预测

提出了基于Shepard曲面、经验模态分解法(ensembleempirical mode decomposition,EEMD)、混沌理论和灰色理论的水电机组状态退化评估与趋势预测模型。该方法首先用Shepard曲面建立综合考虑有功功率、工作水头作用的水电机组状态退化趋势模型。然后将水电机组状态退化趋势进行EEMD分解,得到若干个相对平稳的固有模态函数(intrinsic mode function,IMF)分量和一个余项分量,对每个IMF分量进行特性识别,根据其不同属性,选用混沌预测模型或灰色模型预测,同时对余项分量进行灰色预测。最后将所有分量的预测结果进行重构,获得最终预测结果。实例分析表明,该方法能有效地评估水电机组状态的退化过程,且能提高退化趋势的预测精度。     

一种变权重风电功率最优组合预测模型

针对单项预测方法的局限性,利用改进的基于灰色关联度的IOWGA算子组合预测模型,建立了一种风电功率最优组合预测模型,并通过改进多种群遗传算法(MPGA)对该模型进行优化。采用RBF神经网络法、相似日法和支持向量机(SVM)法对预测日和预测日前一日的风电功率分别进行预测,通过提出的最优组合预测模型及优化算法对预测日的24 h风电功率进行组合预测。根据云南某风电场的实测数据,进行了实例分析。结果表明,风电功率最优组合预测模型能够有效提高风电功率预测精度,具有较强的实用性。     

叶轮不平衡下的风力机自适应独立变桨控制策略

为减小风电机组叶轮不平衡引起的周期载荷,提出一种自适应独立变桨控制策略。首先,基于叶片旋转坐标系和轮毂静止坐标系之间的关系,揭示了机组在叶轮不平衡情况下的载荷特性及变化规律。其次,考虑不平衡周期载荷的频率随机组转速变化的特点,提出了一种谐振频率自适应于叶轮转速的比例—积分—谐振(PIR)独立变桨控制策略,并阐述了变桨控制器参数设计方法。最后,基于FAST-MATLAB/Simulink风电机组载荷及控制联合仿真平台,仿真比较了机组在叶轮平衡和不平衡两种状况下的载荷特性;并在IEC标准湍流风速下对所提自适应PIR独立变桨控制策略的载荷控制性能进行仿真,且将结果与传统比例—积分和比例—谐振独立变桨控制策略进行比较。结果表明,叶轮不平衡会导致风电机组产生频率变化的不平衡周期载荷,且相对传统控制策略所提自适应PIR独立变桨控制策略能够更有效地减小不平衡周期载荷。     

基于灰色理论的航空发动机剩余寿命预测

针对航空发动机健康监测数据繁杂、性能退化特征不明显、缺乏有效的健康指数构建与剩余寿命预测难的问题,提出了基于灰色理论的多监测参量优化选择与融合及全阶时间幂灰色预测模型(FOTP-GM(1,1))方法。首先,采用灰色关联分析法对航空发动机的高维监测物理参量的性能退化状态表征能力进行参数化度量,结合线性相关分析对监测参量进行优化选择;其次,利用灰色接近关联度对优化选择的特征进行加权融合,构建航空发动机的统一健康指标(HI),并以训练发动机HI失效阈值为参照,采用滑动窗欧氏距离比对法确定测试发动机的HI失效阈值;最后,采用FOTP-GM(1,1)对测试发动机的剩余寿命进行预测。通过实验分析,该方法能够有效地对航空发动机的剩余寿命进行预测,并比传统方法得到更高的预测准确度,该方法为实现航空发动机的故障预测与健康管理提供一种新的思路与手段。     

基于灰关联加权组合模型的电力负荷预测研究

针对灰色系统理论中的预测模型(简称GM(1,1)模型)不太适于中长期负荷预测的不足,以及由历史负荷数据的不同时段建模形成预测灰区间的特点,提出了灰关联加权组合修正方法。从历史负荷与其拟合数值的灰关联度挖掘出负荷发展的“远、近”趋势,对灰区间值进行加权组合,大大提高了GM(1,1)模型的预测精度。使用该方法对某一地区未来几年的负荷预测得到了较为理想的结果,说明该方法对中长期负荷预测非常有效,弥补了GM(1,1)模型在该领域内使用的缺陷,具有一定的理论价值和实际应用价值。     

基于灰色理论的航空发动机剩余寿命预测

针对航空发动机健康监测数据繁杂、性能退化特征不明显、缺乏有效的健康指数构建与剩余寿命预测难的问题,提出了基于灰色理论的多监测参量优化选择与融合及全阶时间幂灰色预测模型(FOTP-GM(1,1))方法。首先,采用灰色关联分析法对航空发动机的高维监测物理参量的性能退化状态表征能力进行参数化度量,结合线性相关分析对监测参量进行优化选择;其次,利用灰色接近关联度对优化选择的特征进行加权融合,构建航空发动机的统一健康指标(HI),并以训练发动机HI失效阈值为参照,采用滑动窗欧氏距离比对法确定测试发动机的HI失效阈值;最后,采用FOTP-GM(1,1)对测试发动机的剩余寿命进行预测。通过实验分析,该方法能够有效地对航空发动机的剩余寿命进行预测,并比传统方法得到更高的预测准确度,该方法为实现航空发动机的故障预测与健康管理提供一种新的思路与手段。     

改进灰色GM(1,1)模型的EAST快控电源输出电流预测

针对非模型PID控制难以克服参数变化、时滞的固有缺陷,为优化托卡马克装置中应对等离子体垂直不稳定位移的主动反馈控制,通过改进灰色GM(1,1)预测模型对基于级联H桥拓扑的EAST快控电源的输出电流进行准确预测以优化控制参数.灰色GM(1,1)预测模型适用于小样本、贫信息系统,所需建模样本少、计算简易.预测拟合序列的差异...     

基于灰色关联分析的短期风速预测方法

针对建立短期风速预测统计模型时输入变量的类型难以确定的问题,提出了一种基于灰色关联分析的短期风速预测方法。该方法以风速为基准序列,对温度、压强、相对湿度、露点等气象因素进行灰色关联分析,按照关联系数大小对气象因素进行排序,并根据排序结果选择风速和关联系数较大的气象因素作为输入变量构建LSTM模型,最后通过模型计算出预测结果。基于实测数据对该方法的有效性进行验证,结果表明,所提出的方法具有较高的预测精度。     

变尺度时间窗口和波动特征提取的短期风电功率组合预测

精确的风电功率预测对保障大规模风电接入电网后电力系统的安全稳定运行具有重要意义。其中,风速的随机变化是引起风电功率波动和影响风电功率预测精度的最主要原因。针对该问题,提出一种基于变尺度时间窗口和波动特征提取的短期风电功率组合预测方法。首先,通过多重分形谱分析不同天气类型下的风速特征。然后,根据当前风速的特征量采用变尺度滑动时间窗口算法,动态地进行特征提取,由提取结果对风电历史数据进行分类,在此基础上选择特定参数建立对应的功率预测模型。为使模型在功率大幅度波动时刻的预测结果更加精确,提出了基于频谱分析的修正方法。最后,将不同天气类型下的功率预测结果与修正结果进行时序组合。算例结果表明,所述变尺度时间窗口与波动特征提取相结合的短期风电功率组合预测方法可有效提高风速波动剧烈的风电场的风电功率预测精度。     

基点气象相似聚合的短期风电功率预测方法

提出了一种基点气象相似聚合的短期风电功率预测方法。先以风电功率预测时间点(简称基点)的气象为核心对历史气象记录按灰色关联度进行相似聚合,以突出基点气象对应的风电功率变化规律。再对聚合中历史记录的气象因素按因子分析法降维、求取独立因素,以去除原始气象因素之间的相关性、降低因果关系的非线性度。然后基于径向基神经网络建立"独立因素-风电功率"的映射关系,从而实现风电功率预测。结合实例对此方法进行了仿真,结果表明,此方法预测得到的风电功率,其准确度比基于主成分的径向基神经网络方法的高、比径向基神经网络方法的更高。     

融合 CEEMDAN 和 ICS-LSTM 的短期风速预测建模

为提高风速预测精度,本文从挖掘风速数据可预测性和优化预测模型性能两方面出发,提出一种融合完全经验模态分解(CEEMDAN)和改进的布谷鸟算法优化长短期记忆深度神经网络(ICS-LSTM)的风速预测模型。首先采用CEEMDAN降低风速序列的不稳定性,提高其可预测性。其次对分解得到的各子序列建立LSTM预测模型,并采用ICS优化LSTM的关键参数,提高LSTM预测模型的回归性能。然后对各个子序列采用最优参数LSTM预测模型进行建模预测,最后叠加子序列预测结果得到风速预测结果。经实测数据验证,本文所提模型的平均绝对误差和平均相对误差仅为0.82和0.95,对比研究表明本文所提预测模型的优越性。     

基于灰色-马尔可夫链的短期风速及风电功率预测

风速具有较大的随机波动性,影响风电及其与之相连电网的运行稳定性,良好的风速和风电功率预测是解决风电并网问题的关键。为此,对用于风速预测的灰色模型和马尔可夫链模型进行比较分析。通过对灰色拟合值的误差转移序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型,进而求得风速的误差预测值。并用马尔可夫链转移概率矩阵的期望值对传统马尔可夫链进行改进,得出改进型灰色-马尔可夫链模型,以此对风电功率进行直接预测,并与功率曲线模型法进行对比分析。结果表明,改进型灰色-马尔可夫链模型预测精度更高。