基于数据驱动方法的风电机组功率优化

风电机组功率与风电产能息息相关,为提高风电产能及其收益,有必要对风电机组功率进行优化。应用前馈神经网络,从历史运行数据中挖掘风电机组功率与风速和控制量间的函数关系,进而提出逐点优化策略和聚类优化策略,用于实现风电机组功率优化,即在已知测量风速时,优化确定风电机组控制量,实现风电机组功率最大化。后者优化策略在前者优化策略基础上,应用K均值聚类方法聚类风速,从而降低优化计算复杂度,利于风电机组功率的实时优化。定义平均功率增益、功率增益百分比和功率增益概率三种指标用于测度功率优化效果。将两种优化策略应用至H56-850型风电机组,将优化后的风电机组功率与历史运行记录进行对比,结果表明,两种优化策略均可有效提高风电机组功率输出。此外,聚类中心数为5的聚类优化策略,能以较低的优化计算复杂度,达到与逐点优化策略相近的优化效果。     

基于数据驱动的风电机组状态监测与故障诊断技术综述

随着大规模风电场的建设,风电机组的状态监测和故障诊断成为一个重要的研究课题。早期的风电机组状态监测和故障诊断依靠人工巡检,而随着风电机组装机容量的不断增长,人工巡检的成本和难度也随之增加。近年来,基于数据驱动方法的风电机组状态监测和故障诊断逐渐成为热点。文中从运行数据类型出发,对相关研究内容进行综述。首先,针对风电机组数据采集与监控（SCADA）系统,从监测对象角度出发,剖析基于SCADA数据的状态监测与故障诊断方法的研究现状;其次,针对风电机组组件振动数据,分析对比各类振动故障特征提取方法的优点和局限性;然后,针对新兴基于图像数据或数据-图像转换数据的状态监测与故障诊断方法,从单一图像诊断和数据-图像转换评估两方面对现有研究进行论述与总结;最后,对未来状态监测和故障诊断的研究方向进行了展望。     

基于OOB-GWO-SVR的风电机组齿轮箱故障预警

针对风电机组齿轮箱超温出现的故障问题,提出了基于改进参数优化机器学习算法的风电机组齿轮箱故障预警模型。 首先,通过随机森林袋外估计确定特征变量,并采用滑动平滑滤波对输入变量进行滤波处理。 其次,构建灰狼算法优化支持向 量回归模型,根据最优模型输出的偏差值确定状态识别指标。 最后,通过时移滑动窗口设置阈值范围,当状态识别指标超出阈 值范围之外时立即报警。 实验结果表明,该模型能提前 87 min 对风电机组齿轮箱温度异常发出故障预警,并且预警效果优于 距离相关系数-GWO-SVR 模型、Pearson-GWO-SVR 模型和 OOB-SVR 模型。     

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SCADA数据驱动的风电机组状态监测

监测控制与数据采集(SCADA)系统广泛部署于各大风场的风电机组上,其采集的SCADA数据可用于风电机组的状态监测。为了更有效地捕获SCADA数据中的空间关联性,可以改进Inception v1方法建立1D＿Inception v1模型提取SCADA数据中的空间多尺度特征,以更准确地对风电机组进行状态监测。实验结果表明,该模型提供了一种端到端的数据驱动方法,可以直接从SCADA原始数据中学习空间关联性,给出故障诊断结果,相较于传统方法有着更高的准确率。使用基于1D＿Inception v1模型的数据驱动方法,可以及时、准确地对风电机组进行状态监测,降低风电机组的运行和维护成本。     

MKIF模型风电机组健康劣化监测及预警

分析了风电机组异常数据分布特征,设计了MKIF(Mini-batch K means-isolation forest)算法,并基于MKIF算法构建了风电机组健康劣化监测预警模型.MKIF算法将小批量K均值聚类引入搜索树的划分过程中,使用轮廓系数监督树分裂节点的数量和位置.定义了MKIF异常得分以描述数据的孤立程度,进...     

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。     

基于数据驱动的多风电机组协同控制方法

风机的尾流效应会严重降低风电场的发电效率,传统风电场能量管理方法未考虑尾流效应的影响,各风机均采用最大功率点跟踪MPPT(maximum power point tracking)控制方案,风电场整体输出功率并非最优。尾流耦合现象极其复杂,难以用解析模型描述,传统基于模型的控制思路难以适用。为此,提出一种基于数据驱动的多风电机组协同控制方法。基于风电场的历史运行数据,采用神经网络辨识多风电机组之间的尾流交互模型。进一步,在风电场层通过粒子群算法在线求解多风电机组协同控制功率优化指令;在机组层由各机组控制器实现指令跟踪,最终实现风电场整体发电功率的优化。仿真结果表明:基于数据驱动方法建立的尾流交互模型,其误差在1%之内;在此基础上,进行多机协同优化控制,相比传统未考虑尾流效应的单机MPPT控制,风电场平均输出功率得到提升,验证了所提控制方法的有效性。     

数据-知识驱动的变工况运行风电机组塔筒振动状态预测

为有效监测塔筒异常振动,保障机组运行安全,提出数据-知识驱动的基于长短时记忆（long-short term memory,LSTM）神经网络、经验模态分解（empirical mode decomposition,EMD）-极限梯度提升（e Xtreme gradient boosting,XGBoost）算法分步建模的变工况塔筒振动预测方法。首先,根据机组运行机理分析剥离出环境变量与运行变量之间的关系,并确定影响塔筒振动的风机SCADA运行参数;然后,基于LSTM神经网络实现机组环境风速和运行功率的超短期预测,根据全工况历史运行数据建立机组数据知识模型,实现由预测风速和功率查询桨距角和转子转速;最后,采用希尔伯特-黄算法（Hilbert-Huang transform,HHT）对振动信号分解并提取塔筒低频振动,构建基于XGBoost算法的塔筒振动预测模型,通过输入预测变量输出塔筒低频振动预测结果并确定预测区间。结果表明：塔筒振动预测模型能有效预测塔筒振动,判定塔筒的运行状况,保障机组平稳运行。     

基于RBM和SVM的风电机组叶片开裂故障预测

针对风电机组SCADA监测数据的非线性、高冗余等特点,提出一种基于受限玻尔兹曼机(Restricted BoltzmannMachine,RBM)和支持向量机(SupportVectorMachine,SVM)的风电机组叶片开裂故障预测方法。利用RBM优异的特征学习能力,将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。将RBM的输出作为SVM的输入,构建RBM+SVM组合预测模型。利用训练集、验证集进行预测模型构建和参数微调。为验证提出模型的有效性,将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。实验表明,RBM+SVM的预测准确率为93.08%,与三组对比模型相比具有明显的优势。研究结果可为实际风电机组叶片开裂故障预测提供重要参考。     

风电机组驱动系统参数辨识

提出了风速激励下的定速风电机组驱动系统参数辨识方法。首先以含定速风电机组的单机无穷大系统为例,仿真了风速激励风电机组的受扰轨线,表明由于感应发电机电气部分动态较快,因此在辨识驱动系统模型参数时,可将电气部分用准稳态模型近似,以降低模型的阶数以及参数辨识的个数。进一步采用轨迹灵敏度方法,分析了驱动系统模型参数的可辨识性。基于粒子群优化算法进行了参数辨识,结果验证了该定速风电机组驱动系统参数辨识方法的可行性。     

基于SCADA数据图形化的海上风电机组故障预测

随着海上风电的快速发展,海上风电机组的状态预测引起广泛关注,精准、及时的状态预测有利于减少机组状态恶化可能导致的重大损失。为了提高故障预警的精准性,该文将机组数据采集与监视控制系统(supervisory control and data acquisition,SCADA)数据图形化处理并作为整体输入神经网络,以充分反映海上风电机组不同部件故障的相关性与SCADA数据多状态信息之间的耦合性;针对部分故障类型标签样本数据稀少致使的故障辨识失效问题,采用双层生成器、双判别器的循环生成对抗网络(cycle generative adversarial networks,CycleGAN)来丰富故障标签样本。为了提升机组故障预警的时效性,尽可能早的做出故障预警,该文采用相关性分析将高维SCADA数据降维处理,以简化径向基函数(radial basis function,RBF)神经网络结构,加速神经网络收敛,提升训练速度。针对国内某实际海上风电场的算例结果显示,所提方法可有效提前预知故障的发生,同时可以有效辨识故障类型,有利于风电场提前处理故障并合理安排运维检修计划,避免重大损失。     

海上风电机组控制系统研究

对海上风电机组控制系统进行了研究。针对海上风电机组工作环境恶劣、故障率高和维护困难等问题,提出了海上风电控制系统的设计原则,并提出一种海上风电控制系统的设计方案。描述了系统的功能结构,并对其关键技术进行了分析和论述,其可靠性、安全性和可维护性良好,满足海上风电场各种功能要求和各项发电指标,具有一定的实用价值。     

基于支持向量数据描述和XGBoost的风电机组异常工况预警研究

该文提出一种基于支持向量数据描述（SVDD）和XGBoost模型的风电机组异常工况预警方法。从机组监控与数据采集系统（SCADA）数据中选择与转速和发电功率密切相关的特征变量,利用SVDD算法对建模数据进行预处理,采用XGBoost建立风机正常性能预测模型。以所建预测模型为基础,构建时间滑动窗计算性能评价指标,并根据统计学的区间估计理论合理确定风机性能异常预警指标阈值。采用某风电场1.5MW风电机组SCADA系统记录的若干真实故障案例,开展异常工况预警仿真试验。结果表明：基于SVDD和XGBoost的风机异常工况预警方法,可以有效地清洗数据,及时识别风电机组异常状态,对于提高风电机组运行的安全性具有较好的工程实用意义。     

风电机组主轴总成窜动监测与故障预警

风电机组主轴总成窜动故障是风电场发生频次较高、危害性较大的一类故障模式,目前对 其监测的方法效率低,测量精度差。对此提出一种高效的主轴总成窜动在线监测技术,并开发了相应的监测装置和预警系统,现场实现了对风电机组主轴总成窜动位移的实时在线监测和预警。采用合理安装激光位移传感器,获得主轴总成窜动监测数据,通过时间序列预测方法对其进行分析,建立主轴总成窜动的ARMA模型。实际案例应用表明,该监测系统能对主轴总成窜动的发展趋势进行预测,可及时掌握主轴总成窜动状态,提前发现其异常或劣化趋势,当判断主轴总成有较大可能发生窜动故障时给出预警信息,避免主轴总成故障的产生和蔓延,保障机组安全稳定运行。     

风电机组风速仪故障诊断

首先利用风电场的监控数据和粒子群优化算法建立风电机组的基准模型,然后通过基准模型推测风速,并将其与风速仪实际测得的风速进行对比,最后根据残差分析确定风速仪的运行状态,诊断风速仪的故障。     

风电机组在线远程故障诊断系统的应用

为便于实时检测风电机组运行状态,及时发现风机设备的异常和缺陷,风电机组应用了在线远程故障诊断系统。介绍了该系统的构成和安装布置,分析了系统的功能和应用特点。该系统应用实现了对风力发电机组的主动性维护,提高了风电场的安全性和经济性。     

风电机组低电压穿越能力测试中的风机故障

近年来,我国风力发电装机容量不断增长,大规模风电并网对电网的影响日益受到重视。低电压穿越能力是风电机组并网特性的重要考核指标之一,该文详细分析了目前风电机组低电压穿越能力测试所依据的标准,就标准中对风电场及风电机组低电压穿越性能的具体要求进行了分项阐述,在此基础上总结了已开展的现场低电压穿越测试中风机发生的种种故障及其原因,证明了同样机型的风电机组测试性能存在差异,而且现场试验证实了风机零部件故障也成为影响风机低电压穿越性能重要因素。