基于卷积神经网络的风电机组齿轮箱状态监测方法

为了实现对风电机组齿轮箱的状态监测,文章提出了一种基于卷积神经网络的风电机组齿轮箱状态监测方法。首先,提取风电机组数据采集与监视控制(SCADA)数据和振动信号作为参数,组成齿轮箱状态矩阵。其次,建立了一种卷积神经网络模型,该模型针对输入数据设计了特定结构和池化层规则,提高了计算效率,能够从齿轮箱状态信息中提取特征并判断其状态。最后,利用实际运行的风电机组数据对卷积神经网络模型进行了训练和验证,最终取得了96.3%的识别精度。同时,将该模型应用于对同一风场其他机组的状态监测,结果验证了卷积神经网络模型对齿轮箱状态监测的有效性。     

基于邻比模型分析的风电机组传感器监测研究

以风速计为例,提出基于邻比模型的风电机组传感器监测方法。风资源相似的多台风电机组(邻比机组)的运行工况和传感器测量值存在较强的相关相似性。采用多台风电机组风速计正常测量数据和非线性状态估计方法来建立多个风速计横向之间的邻比模型,该模型反映了邻比机组风速之间的相关相似关系。模型建立后,将风速计实时测量风速作为模型的输入。当某台机组的风速计出现测量异常时,其与其他邻比机组风速计之间原有的相关相似关系被破坏,邻比模型对该机组风速的预测残差将会显著增大,预示该风速计出现故障。该方法能够实现风电机组传感器状态的实时监测。通过某风电场实际运行数据,验证了该方法的有效性。     

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识别指标,并根据统计学区间估计理论合理确定指标阈值,以实现异常工况预警.采用某风电机组的真实历史运行数据进行故障重演试验.结果 表明:该方法能够在故障发生前及时对风电机组的异常运行工况发出预警,验证了该方法的有效性.     

数据驱动的风电机组变桨系统状态监测

针对数据采集与监视控制(SCADA)系统存在误报、故障报警滞后等问题,提出一种基于单分类模型的风电机组变桨系统在线状态监测方法.首先,从SCADA数据中提取出与变桨系统相关的特征参数并进行特征重构以进一步提取出更值得关注的桨叶之间的差异化信息.其次,基于单分类支持向量机对历史数据的分析确定变桨系统运行数据的健康边界,进...     

基于迁移学习的风电机组轴承故障诊断研究

针对风电机组运行工况复杂，实际采集的振动信号存在分布差异，导致故障诊断模型的分类效果偏低问题，提出一种具有多核领域适应（MKDA）的多尺度卷积神经网络（MSCNN）风电机组轴承故障诊断研究方法（MKDA-MSCNN）。该方法通过迁移理论将已知风电机组知识迁移至目标风电机组实现故障诊断。首先，利用源域数据预训练MSCNN网络，再利用多核领域适应减小源域和目标域分布差异，最终获得目标风电机组故障诊断模型。试验结果表明，该文提出的MKDA-MSCNN方法在实际风电机组轴承故障诊断中分类精度高达96.17%，对比结果表明该文所提方法的故障分类准确度优于其他深度学习和深度迁移学习方法，对迁移学习理论在实际工程风电机组轴承故障诊断中的研究具有一定价值。     

基于无迹卡尔曼方法的风电机组齿轮箱故障诊断

在对风电机组的运行特性和齿轮箱温升机理的研究基础上,提出一种基于无迹卡尔曼方法(UKF)的风电机组故障诊断策略。该模型实现了对齿轮箱温升的有效预测,并在风电机组故障的情况下实现有效检测。对不同故障类型的诊断测试结果可显示机组局部故障对风电机组各关键参量的动态影响,同时表明UKF方法对不同故障条件下输入参数的变化有特殊响应。因而根据风电机组不同的故障模式,通过有针对性的算法输入参量设计可实现风电机组多种故障的有效诊断,为分析SCADA数据隐含的故障信息提供了一种有效手段。     

基于数据驱动的风电机组状态评估方法研究

为了延长风电机组平稳运行时长和减少故障停机次数,文章基于有监督主成分分析(SPCA)的Hotelling-T~2和Q统计量控制图,提出了一种风电机组状态监测与评估方法。首先,根据风电机组SCADA历史数据提取正常状态数据。然后,训练集成学习模型拟合主要状态变量,采用贝叶斯优化算法优化其中的超参数。最后,在移动时间窗内利用SPCA方法将监测数据分解到主成分空间与残差空间,计算真实数据与参考状态数据的Hotelling-T~2和Q统计量,并同时求取两种统计量的斯皮尔曼系数,通过划定阈值对机组进行状态评估。将该方法用于某风电场1.5 MW级风电机组,结果表明,该方法能够有效地对机组当前状态进行监测并识别出功率输出故障。     

基于长短时记忆网络融合SCADA数据的风电齿轮箱状态监测

针对不具有时间记忆能力的机器学习方法融合风电机组数据采集与监控系统(SCADA)的时序数据而导致风电齿轮箱状态预测精度不高的问题,提出基于长短时记忆(LSTM)网络融合SCADA数据的风电齿轮箱状态预测模型。选择能表征风电齿轮箱运行状态的某个监测量作为模型的输出量,基于灰色关联度选择与该监测量关联密切的SCADA参数作为预测模型的输入量;使用正常状态下的SCADA数据训练LSTM预测模型,得出预测值和残差,通过3σ准则计算出上下预警阈值,用于风电齿轮箱状态监测和故障预警。某风电场风电齿轮箱的SCADA数据验证表明所提出的方法能有效预警风电齿轮箱故障。     

一种基于非线性偏最小二乘的风电机组齿轮箱状态监测方法北大核心CSCD

风电机组状态监测是提升机组运行水平和经济效益的重要手段。文章提出了一种基于非线性偏最小二乘(PLS)的风电机组齿轮箱状态监测方法,利用数据采集与监控系统(SCADA)数据对齿轮箱油温进行建模和监测。首先,基于无监督聚类对SCADA数据进行预处理,利用相关性分析选取与齿轮箱油温相关的输入变量;然后,构建用于表征非线性关系的输入变量,建立正常运行工况下齿轮箱油温的非线性PLS模型;最后,根据模型输出结果与齿轮箱油温的残差分布,设置合理阈值,用于齿轮箱状态监测。应用该模型对某大型风电机组齿轮箱进行状态监测。监测结果表明,相比于BP神经网络模型,该模型具有更高的拟合优度和预测精度。     

XGBoost算法在风电机组发电机故障监测预警中的应用研究

发电机作为整个风电机组的核心部件之一,其能否正常运行将严重影响风电机组的持续发电。利用集成机器学习算法中的梯度提升算法XGBoost对风电机组发电机故障监测预警进行研究。首先,提取数据采集与监控(SCADA)系统数据库中风电机组在并网状态下的正常运行大数据,对缺失、异常数据进行预处理后,结合运维专家经验利用XGBoost算法筛选出关键特征变量;然后经过训练和参数调整,建立最优风电机组发电机故障监测预警模型;通过对照研究发现,XGBoost算法对风电机组发电机进行故障监测预警的效果优于随机森林算法和Cat Boost算法;最后利用关键特征变量重要性排序作为风电机组发电机故障诊断与定位的参考。     

基于深度卷积自编码器的风电机组故障预警方法研究

通过风电机组状态监测进行故障预警,可防止故障进一步发展,降低风场运维成本。为充分挖掘风电机组监控与数据采集（SCADA）各状态参数时序信息,以及不同参数之间的非线性关系,该文将深度学习中自动编码器（AE）与卷积神经网络（CNN）相结合,提出基于深度卷积自编码（DCAE）的风电机组状态监测故障预警方法。首先基于历史SCADA数据离线建立基于DCAE的机组正常运行状态模型,然后分析重构误差确定告警阈值,使用EMWA控制图对实时对机组状态监测并进行故障预警。以北方某风电场2 MW双馈型风电机组叶片故障为实例进行实验分析,结果表明该文提出DCAE状态监测故障预警方法,可有效对机组故障提前预警,且优于现有基于深度学习的风电机组故障预警方法,可显著提升重构精度、减少模型参数和训练时间。     

基于深度学习的齿轮箱故障模糊诊断方法

风电机组齿轮箱作为传动系统重要组成部分,其运行状态关乎整个风电机组的健康运行。由于齿轮箱振动信号具有非线性、非平稳等特性,传统时频分析方法分解故障信号和提取故障特征的能力有限。因此,文章提出将深度学习应用于齿轮箱故障诊断中,通过构建一维卷积神经网络模型对齿轮箱不同状态下的特征向量进行高效提取、重构。同时,将模糊理论应用于分类器,构建一个模糊多分类器(FMC)对故障进行识别,提出了以平均隶属度作为故障等级判断标准。实验结果表明,文章所提方法在确保齿轮箱故障诊断高准确率的同时,提升了故障分类的精度。     

基于卷积自编码器的风电机组变桨轴承故障预警与定位

以变桨轴承为研究对象,文章提出了一种基于卷积自编码器的变桨轴承故障预警与定位方法。首先,在分析不同风速工况下风电机组变桨控制运行特性的基础上,选取恒功率阶段运行数据进行分析;其次,建立卷积自编码网络（CAE）模型对多个相关特征变量进行编码和解码重构,实现对不同特征变量间内在相关性的建模与特征挖掘,进一步通过余弦相似性函数和差异性函数分析特征变量重构残差的变化来检测和定位故障;最后,基于某风电场风电机组SCADA数据进行验证分析。相较于传统主成分分析和自编码器网络以及全工况监测,文章所提方法能够更早预警故障的发生,且误报率低,能够实现故障准确定位。     

永磁同步风电机组发电机定子温度建模方法

针对山地风电场大型永磁同步风电机组发电机定子温度的变化特点及传热过程进行分析,提出一种基于风电机组SCADA数据的发电机定子温度建模方法。首先,分析风电机组在实际运行过程中定子温度的变化情况;然后,根据永磁同步发电机内部的传热过程,对发电机定子温度建模;最后,采用风电机组正常运行时的SCADA数据求解模型参数。实例分析表明,风电机组状态正常时,定子温度估计的平均误差绝对值为0.59 ℃,模型精度较高;风电机组状态异常时,模型温度估计的平均误差绝对值为5.17 ℃,精度显著降低。     

基于工况辨识的风电机组主传动系统运行状态监测

针对风电机组主传动系统运行工况复杂多变,导致状态监测系统误报警率高的问题,提出一种基于工况辨识的风电机组主传动系统运行状态监测方法。首先采用最大互信息系数（MIC）选取数据采集与监视控制系统（SCADA）特征参数,运用k-均值聚类算法对主传动系统运行工况进行划分,解决机组运行状态复杂多变导致运行工况不清的问题;接着提取状态监测系统（CMS）特征参数,并采用层次分析法计算CMS特征参量相对权重,提出主传动系统运行状态评价指标与量化算法;最后利用核密度估计（KDE）方法确定阈值,根据阈值与运行状态指标的关系实现主传动系统异常监测。将该方法运用于实际风场,结果表明所提方法监测结果与实际相符。     

基于CAE与BiLSTM结合的风电机组齿轮箱故障预警方法研究

针对风电机组故障频发且早期故障监测难的问题,为实现风电机组智能监测,提出基于卷积自编码(CAE)与双向长短期神经网络(BiLSTM)的风电机组齿轮箱故障预警方法。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,选择能表征风电机组齿轮箱运行状态的监测量作为输出量,根据相关性分析选择与输出量相关性高的监测量作为输入参数;然后根据特征选择特性和参数非线性特性构建深度学习网络模型,对输出的预测值和残差进行统计分析,设置自适应阈值来监测风电机组异常状态的趋势变化。将CAE-BiLSTM模型应用于某风电场的算例分析中,并与其他模型的预测效果进行对比。结果表明：该方法解决了模型输入与结构冗余问题,提高了模型精度,能够有效预警风电机组齿轮箱早期故障。     

基于运行数据的风电机组转矩控制性能评估

风电机组的性能评估方法具有多样性及复杂性的特点,基于风电场SCADA系统中采集的大量风电机组运行数据,对风电机组转矩控制的性能评估方法进行了研究。在深入分析风电机组中发电机转速与发电机转矩关系的基础上,提出了风电机组在最佳风能利用系数Cp(max)跟踪区内的转矩优化控制的性能评估方法。通过筛选有效数据,拟合计算出风电机组的实际运行转矩增益系数;再通过与理论最优转矩增益系数进行对比,找出风能捕获能力较弱的风电机组,进而采取措施提高其发电量。通过软件仿真及案例分析表明,该方法在不增加设备及成本的情况下,可有效识别因转矩控制的性能差而影响发电量的风电机组,以便及时进行控制策略调校,维护风电场的利益。     

基于警报信号和D-S证据理论的风电机组故障诊断

数据采集与监视控制系统(SCADA)储存了风电机组大量的警报信号,这些警报信号对故障类型具有一定的指示作用。为了及时有效地检测出风电机组故障,提出一种基于低频SCADA警报信号和D-S证据理论的风电机组故障诊断方法。首先从维修记录中提取故障类型构建辨识框架,然后选取故障当天触发的所有警报信号作为证据源,最后基于改进的D-S理论进行信息融合实现故障诊断。验证结果表明,该方法可以实现风电机组故障的有效诊断,为风电机组故障诊断提供了一种新的思路。     

基于运行数据的风电机组本地风向波动特性及偏航控制研究

采用某风电场采样时间间隔为1 s的SCADA数据,研究与机组偏航控制系统密切相关的风电机组本地风向波动特性。从分析风向波动的微观过程入手,提出准确衡量风电机组本地风向波动的量化指标。对该风电场的3台典型机组的运行数据进行对比分析,并进行偏航控制和发电量的仿真计算,说明在平均风速相同的情况下同一风场中不同机组的风向波动性存在很大差异,并且稳定性不同的机组其风向波动特性随风速变化的规律也不同,平坦地势下平均风速越高风资源稳定性越好的规律对某些地形复杂的风电机组不能适用。