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。     

基于大数据技术的电厂实时数据分析

随着人们对于海量数据的挖掘和运用,大数据技术也为各行业带来新的生产率增长点和盈利新道路。电力行业也在积极寻求改革,以前电厂出现故障,更多的是靠工作人员的经验排查、解决问题,现在通过大数据技术,所有设备的运行情况一目了然,而且通过大量的历史数据,配合合理的算法,我们可以知道此时此刻各设备应该并且合理的运行状况,当实时状况偏离此状况时还可以发出报警,方便运维检修人员及时对设备进行查看。     

排粉风机轴承故障频发的原因分析及对策

姚孟发电有限责任公司(以下简称姚电公司)始建于1975年,拥有4台300 MW和2台600 MW燃煤机组。1,2号锅炉为上海锅炉厂上世纪70年代设计制造的亚临界中间再热直流锅炉,制粉系统为钢球磨煤机中储式,乏汽送粉。每台锅炉配置4套制粉系统,每套制粉系统配置1台离心式排粉风机,型号6-30-NO191/2,由沈阳鼓风机厂设计     

XGBoost算法在风机主轴承故障预测中的应用

针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题,提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先,对风机主轴承SCADA数据开展特征分析,挖掘和发现特征与故障之间的关联关系,并评估各特征的重要性;然后利用XGBoost算法构建主轴承故障预测模型,进行模型评估;最后,依据SCADA系统收集的实测数据对模型进行训练和测试,并调整XGBoost模型的主要参数,提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比,结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法,是处理SCADA大规模数据集的有效工具。     

基于电力大数据分析模型的防返贫预警监测应用

为建立贫困监测机制,对有返贫和致贫风险的人口进行动态监测预警,巩固提升脱贫攻坚成果,本文集合电力数据特征、数据质量、存储方式、管理方法、业务逻辑等进行数据汇总;基于阿里云数据中台,采用Edas中间件、RDS数据库,对脱贫户的用电缴费等数据进行数据清洗及挖掘,形成脱贫户多个维度的用电行为数据分析模型;对脱贫户现状进行数据采样及分析,以"分类监测、分级预警"为原则形成"红、黄、蓝"三级预警,实现全面的脱贫户数据画像,系统地对数据结果进行分析研究,完成脱贫户监测的全流程闭环;助推政府巩固扶贫攻坚成果,深化扶贫监测机制的改革和创新,初步探索出一条运用电力大数据助力乡村振兴的新路子.     

YBF系列防爆风机电机轴承故障原因分析与改进

YBF系列高压防爆风机的绝大部分故障是滚动轴承的故障。通过对轴承故障频发的原因分析,找出轴承故障主要是因为其受力复杂、注排油困难、风机叶轮安装不当、维护不够等造成的,从而提出改进措施,得出必须合理选择轴承及其润滑方式,减少损伤和加强维护等,以确保其安全可靠性。     

基于大数据日志的预警技术分析

随着电力网络信息化的发展,信息技术已经深入到电力生产的各个环节。电力系统在运行过程中产生大量的日志信息,其中的某些数据可能包含着与系统的运行状态相关的信息。如何对海量日志信息进行分析处理,深层挖掘信息的潜在价值,从而全面掌握系统状态,及时发现故障隐患是十分重要的。本文对大数据质量提升和分析方法进行了介绍,并对预警模型进行了研究,对大数据背景下电力系统预警技术的研究有一定的参考意义。     

由锅炉风机轴承频繁故障引发的对轴承优劣鉴别的探讨

轴承作为转动机械的重要部件,其品质优劣对转动机械的稳定运行至关重要。由于轴承问题造成电厂转动机械非停故障屡见不鲜。工作中颇多遇见假冒伪劣及翻修轴承,经过长期的现场实际工作经验,对轴承品质的优劣鉴定方法进行了总结探讨。通过2000-2006年发生在姚电公司锅炉风机因轴承频繁损坏停机的故障事件分析。警示从事电厂技术管理、备件采购人员从中汲取经验教训,提高风险意识。     

电站设备远程故障预警系统设计

电站设备远程故障预警系统能够在设备劣化阶段对设备进行预警。它使用了当今最主流的hadoop大数据平台,实现了数据的采集、处理。在此基础上对数据进行建模分析,同时数据分析工具结合专家判据实现故障预警功能。电站设备远程故障预警系统实现了对设备故障的感知,在设备故障劣化阶段对其进行维护,从而避免了设备严重损坏,有效的辅助设备预知性检修。     

电厂风机故障诊断现状及发展趋势

风机作为发电厂的重要辅助设备,一旦风机出现故障则会造成机组降负荷甚至主燃料跳闸(Main Fuel Trip, MFT)的危险工况,因此风机的故障预警尤为重要。对风机的故障诊断方法进行了归纳,并对故障诊断未来的发展方向做出分析和预测。     

基于区间划分的风电齿轮箱在线故障预警方法

针对大型风电机组运行工况复杂多变,依靠恒定的润滑油温度值作为齿轮箱故障预警值容易不报的问题,提出了基于运行区间划分的风电机组齿轮箱在线故障预警方法。该方法通过划分不同的运行区间,对不同运行区间根据高斯模型分别设定阈值。将实时数据代入相应运行区间判定是否异常,再利用移动窗口计算异常率作为触发齿轮箱故障预警的指标。该方法用于某1.5 MW风电机组齿轮箱故障的分析,结果表明,该方法能够准确地反映故障的发展趋势,可实现齿轮箱故障的早期预警,避免故障向更严重的方向发展,降低风电机组运行和维修成本。     

大数据处理技术在风电机组齿轮箱故障诊断与预警中的应用

风电机组状态监测数据具有量大、多源、异构、复杂、增长迅速的电力大数据特点。现有的故障诊断与预警方法在处理大数据时难以在保证精度情况下进行快速处理,故提出了结合Storm实时流数据处理和Spark内存批处理技术的风电机组在线故障诊断与预警模型。以齿轮箱故障诊断与预警为例阐释该模型,引入了Storm处理状态监测数据流,设计了流数据处理的Topology结构;引入Spark,利用弹性分布式数据集(RDD)编程模型实现了朴素贝叶斯(NB)算法和反向传播(BP)算法对设备状态信息进行故障诊断与预测。实验结果显示,该故障诊断与预测方法在保证精度的前提下具有较好的加速比,也证明了该故障诊断与预警模型的有效性和可行性。     

基于仿真大数据的电网智能型超前安全预警技术

电网安全预警是保证电网安全稳定运行的重要手段。首先介绍了"分析型"电网安全预警技术的现状,并简要分析了目前遇到的问题。接着提出了基于仿真大数据的"智能型"电网超前安全预警技术,分析了将纯"模型驱动"模式变革为"模型-数据混合驱动"模式的可行性与优越性。该技术在广东电网的初步应用效果良好。     

风电机组发电机轴承电腐蚀故障的分析诊断

电腐蚀故障是风电机组发电机轴承的常见故障模式,电腐蚀故障通常分布在整个轴承滚道上,产生的振动响应信号中故障冲击特征往往不如局部故障明显,因此容易被忽视。针对电腐蚀故障振动信号的这种特点,采用一种最小熵解卷积方法对振动信号进行预处理,增强信号中的故障冲击成分。然后再应用包络谱分析方法提取故障特征信息,以提升故障诊断的效果。论述了最小熵解卷积方法的基本原理和实现流程,将该方法应用于一台实际风电机组发电机轴承的电腐蚀故障诊断中,通过对实测振动信号的分析处理,实现了电腐蚀故障的识别诊断,验证了最小熵解卷积方法对故障信息增强的使用效果。     

基于固有时间尺度分解的风电机组轴承故障特征提取

针对风电机组调心滚子轴承故障振动信号非平稳、非线性的特点,提出了基于固有时间尺度分解(ITD)的轴承故障特征提取方法。ITD方法可以将复杂信号分解成若干个固有旋转分量和一个趋势分量之和,能准确地展示非平稳信号的动态特性,有较高的拆解效率和频率分辨率。分析结果表明,ITD方法能有效地提取风电机组轴承故障特征,可用于在线故障诊断。     

基于卷积神经网络的视频大数据智能预警分析

大数据时代的到来对电力视频监控应用提出了新的要求,现有的电力视频监控系统基本只承担了远程录像机的作用,视频监控系统在主动预警方面的能力仍然没有体现,变电站仍然不够"智能"。基于卷积神经网络技术,先从现有的视频监控平台中提取出原始视频素材,利用视频云存储平台进行存储和video2pic工具进行数据清洗;然后将现场隐患行为进行分类分析并标记;最后通过特征提取、分类器模型训练和验证,实现对现有视频监控智能化升级。通过对视频大数据的挖掘实现对现场情况的实时智能预警分析,实现对变电站违章作业和营业厅不规范服务行为的自动挖掘、实时预警以及智能推送,摆脱对人工值守的依赖,在降低人力投入的同时提升电力生产安全管控能力和优质服务水平,使电力视频监控系统能充分发挥其"监"与"控"的作用。     

基于监测点数据分析的风电场电压暂降预警研究

对风电场电压暂降指标进行深入数据挖掘并给出适当预警,可及时发现电网中已存在或潜在的电能质量问题并加以改善。利用改进的AHP法确定电压暂降各个特征量的权重,结合改进的欧氏距离法计算出风电场并网点电压暂降监测数据、自设等级限值以及前一段时间电压暂降均值的距离系数,进而快速准确地对风电场电压暂降干扰的真实水平做出及时预警。通过实例分析,证明了所提方法的实用性和高效率,可将其有效应用于电能质量异常数据预警系统。     

基于决策融合的直驱风力发电机组轴承故障诊断

基于振动信号时域、频域和包络谱等多源特征,采用决策融合方法构建了直驱风力发电机组轴承故障诊断模型。对直驱风力发电机组主轴轴承经常发生的外圈故障、内圈故障、滚动体故障以及正常运行4种状态进行了实验研究。选取具有较高故障区分度,适合风电机组轴承故障诊断的特征参数。以风电机组振动信号的时域特征、频域特征和包络谱频域特征为诊断样本,使用灰色关联分析方法对机组轴承故障进行初步诊断,然后用证据融合理论对不同证据进行决策信息融合,从而获得最终诊断结果。实验结果表明,该方法能较好地识别风力发电机组轴承故障。     

HHT改进及其在风力发电机故障诊断中的应用

为解决风力发电机轴承故障特征难以提取的问题,提出一种基于相关分析的改进的HHT方法。该方法利用EMD是近似正交分解的特征,将EMD产生的残差分量与原信号间的相关系数作为阈值,对IMF进行自适应筛选,解决了由三次样条拟合误差引发的伪IMF问题。通过仿真分析对该方法进行了验证。使用该方法分析D70型1.5 MW风力机承振动信号,诊断出了轴承故障,进而可以将该方法应用于工程实践中。     

大数据驱动下的风电机组工作状态决策树判别方法

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。