基于PCA和多元状态估计的引风机故障预警

针对电厂引风机运行条件恶劣、故障种类多的特点,为了提高机组安全和设备利用率,提出了一种基于主元分析(Principal Component Analysis,PCA)和多元状态估计(Multivariate State Estimation Technique,MSET)的引风机故障预警方法:首先采用PCA对原始数据进行简化,消除冗余和噪音,选取主要状态参数,同时采用小波变换(Wavelet Transform,WT)进一步优化数据质量;然后通过MSET对引风机正常运行工况下的历史数据进行建模,包括历史记忆矩阵的构建、观测向量的估计和残差的计算等。以华能上海某电厂的引风机为例进行故障预警分析,验证该方法可以有效实现引风机早期的故障预警。     

基于自适应PSO-LSSVM多维开关柜数据的状态评估方法

为有效分析开关柜的各种监测数据,减轻状态评估工作量,提出一种基于自适应粒子群优化和最小二乘向量机分析(PSO-LSSVM)的多维开关柜数据状态评估方法。首先对开关柜的多维历史监测数据进行分类,提取有效数据构建数据集,并利用K最近邻法(KNN)填补缺失数据,针对已有的开关柜历史评估结果,采用最小二乘支持向量机算法进行数据分析和训练,引入自适应粒子群算法,实现算法参数的优化,最终获得多维数据的开关柜评估模型。经实际数据检验,此评估方法能有效分析历史监测所累积的大规模数据,评估准确率较高,可有效筛选出需检修的开关柜,减轻了开关柜评估工作量,具有一定的实际应用意义。     

基于多元状态估计和偏离度的电厂风机故障预警

为了解决风机故障预警问题,提出一种基于多元状态估计技术(MSET)和偏离度的方法.利用MSET建立风机正常运行状态下的非参数模型,对观测向量进行最优估计并得到估计向量,观测向量与估计向量之间的差异可以反映风机工作是否异常.引入偏离度定量衡量观测向量与估计向量之间的偏离程度,有利于捕捉故障发展过程,然后利用滑动窗口法确定故障预警阈值.当平均偏离度超过预警阈值时,发出报警信息提醒运行人员处理.以长春某热电厂引风机的某次故障为例进行应用研究.结果表明:该方法可以及时发现风机异常,实现风机实时故障预警.     

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,结合模型输出结果与SCADA数据提取残差分布特征向量,建立随机森林残差分布模型对机组齿轮箱运行状态进行监测;最后,对某大型风电场机组进行模型建立和仿真研究。结果表明,基于LSTM神经网络结合随机森林算法对风电机组齿轮箱状态监测有较强的实用性和较高的准确率,为后续开展齿轮箱健康度评价提供了新的方法和思路。     

基于改进熵权法的多元状态估计模型在汽轮机能效监测中的应用

为了提高汽轮机能耗预警水平,将多变量状态估计技术(MSET)作为汽轮机能效监测的数据挖掘方法,在完成不同工况机组能耗水平分类的基础上,利用改进的熵权法计算能效偏离度。将偏离度和警报阈值结合来判断汽轮机运行工况水平,及时获取能耗时间点,并定位引起能耗异常的特征参数,该方法克服了单一热耗率指标评价能效变化的局限性。以某电站600 MW机组的汽轮机历史运行数据为研究对象,借助聚类算法完成汽轮机热耗分类,以最佳热耗率所在类簇的部分运行数据作为训练样本建立MSET能耗模型,并完成模型正确性验证。利用剩余类簇在能耗模型下实际观测值和模型估计值的偏差,并结合信息熵权法分配与热耗相关的特征参数属性权重,计算获得偏离度指数,完成汽轮机能耗异常预警。结果表明：该方法可以为汽轮机能效异常变化提供及时的预警信息并定位导致能耗异常的参数。     

基于工况辨识的风电机组齿轮箱状态监测

针对大型风电机组复杂多变的运行工况,采用单一固定阈值来评价风电机组运行状态误报警率高的问题,采用标准模糊C均值聚类进行运行工况识别;在各个子工况空间下,利用非线性状态估计方法建立齿轮箱正常工作状态下温度模型进行轴承温度估计;采用滑动窗口残差统计方法对残差进行分析,建立残差均值报警阈值。最后以某风电机组SCADA(数据采集与监视控制系统)数据进行应用研究。结果表明:基于工况辨识的模型可以准确估计齿轮箱温度并能够降低误报警率,可以实时在线监测齿轮箱运行状态。     

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。     

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IPSO神经网络的风电机组主轴状态监测

风电机组主轴是叶轮和齿轮箱的连接部分,在机组传动链中具有传递转矩和能量的作用,因此对主轴进行状态监测关系到风电机组的稳定性。将改进粒子群算法(IPSO)与BP神经网络相结合构造主轴温度模型并进行预测。当主轴发生故障时,模型输入的观测向量发生异常变化,导致模型预测残差发生改变。为提高主轴异常预警的灵敏度和可靠性,文中采用基于莱依特准则的双滑动窗口对预测残差序列进行实时的统计分析,如果残差均值或标准差超出设定的故障报警阈值时,发出报警信息。     

电站风机故障智能预警技术的应用研究

针对电站风机状态监测和故障预警问题,提出了一种基于密度峰聚类的多元状态估计方法。首先,利用密度峰聚类算法对风机正常运行工况下的历史数据进行分析,提取包含设备正常运行特征信息的数据,构建记忆矩阵;然后通过相关性原理分析观测向量与记忆矩阵之间的相似程度,使用多元状态估计技术对该观测向量进行估计。计算估计值与实测值之间的统计残差和相似度,确定风机的运行状态。最后,以南京某电厂一次风机为监测对象进行研究,建立动态故障预警模型,并结合故障实例分析验证。结果表明:该方法能够实时准确预测风机运行状态,提前发现故障征兆,指导设备运行和维护。     

负荷扰动下汽轮机组状态重构算法模型研究

汽轮机组的状态是指与汽轮机、凝汽器和回热系统的参数对应的运行状态,汽轮机组的状态重构是指在给定的机组负荷与环境温度等外部条件下,上述主辅机设备的运行状态(或者参数)的响应规律。文中采用机理建模与数据驱动建模相结合的混合建模方法,基于设备结构参数和典型工况汽轮机组状态数据样本,研究了汽轮机组的状态重构方法,建立了汽轮机组的状态重构模型,算例验证了重构方法与模型的有效性,为汽轮机状态评估及其滑压优化奠定了基础。     

大型汽轮机运行状态的可拓评价理论与系统开发

在建立汽轮机运行状态评价指标的基础上,提出了一种可拓评价方法.基于可拓学的物元理论,建立了汽轮机运行状态的物元模型,引入可拓集合中的关联函数与关联度,由综合关联度的大小对汽轮机运行状态进行定性和定量评价,并开发了基于SIS实时/历史数据平台的汽轮机运行状态评价系统,最后通过实例验证了该方法的实用性.研究结果表明,该方法能快速而有效地识别汽轮机运行状态,从而为状态维修决策提供科学的依据.     

采用主成分分析法综合评价电站机组的运行状态

为解决电厂机组运行优化、状态监测与故障诊断中涉及到的机组运行状态的综合评价问题,提出用主成分分析(PCA)方法,建立了电厂机组的综合评价指标的思想.介绍了主成分分析法的原理,并应用该方法对某电厂机组的实际运行状态进行了综合评价.结果表明:该方法消除了主观因素对评价的影响,得到的综合评价指标可对汽轮机进行定量评价,也可为机组状态在线监测提供依据.     

基于SCADA及振动监测数据的风电机组变权综合状态评价

数据采集与监视控制(Supervisory Control and Data Acquisition,SCADA)系统是一套广泛应用于风电机组状态监测的系统。文章提出基于SCADA及振动监测数据的多数据源风电机组变权综合状态评价模型,并进行实例分析。研究表明,该模型在风电机组状态评价中是合理有效且可实现的,其评价结果为机组的维修决策及风电场运行优化提供了科学依据。     

基于SVAR的汽轮机转子振动时间序列预测

为了监测汽轮机转子在运行中的振动状态,提高转子运行的安全性,将统计学习理论中的核心算法--支持向量机与自回归方法相结合,建立了转子振动振幅时间序列预测模型(SVAR).并通过实例,与基于灰色理论建立的预测模型(GM)和基于自回归方法建立的预测模型(AR)进行了比较.结果表明:基于支持向量自回归的转子振动预测模型具有精度高、泛化能力好的特点.应用该方法建立的预测模型能够很好地对转子振动振幅进行中短期预测,为有效避免转子运行中由振动引起的故障提供保证.     

基于相对劣化度模型的大型汽轮机状态综合评价

大型汽轮机设备工作状态性能的好坏直接影响到电厂运行的安全性和经济性，对其进行状态监测及状态综合评价很有必要。为克服传统状态评价方法的缺陷和不足，引入相对劣化度概念，充分利用设备运行参数、状态监测参数和运行统计参数，融合汽轮机本体振动信号、轴系运行参数以及通流部分热效率等多类信息，建立了应用相对劣化度的评价模型，开发了汽轮机本体状态综合评价系统并将其成功应用于国产300MW汽轮机本体状态综合评价中。研究结果表明，该方法合理有效，评价结果可为以后的本体维修决策提供科学依据。图2表1参6     

基于改进HAC和MSET的给水泵故障预警方法

汽动给水泵是火电厂汽水系统重要的辅机设备,但给水泵运行环境恶劣,且故障种类多,导致给水泵故障频发,对电厂的经济性和安全性造成了影响。对此,提出了一种基于改进的层次凝聚聚类（Hierarchical Agglomerative Clustering,HAC）和多元状态估计（Multivariate State Estimation,MSET）的给水泵故障预警方法,首先选取与给水泵故障相关测点的历史数据,使这些数据可以涵盖给水泵正常运行时所有动态变化情况;通过主元分析法（Principal Component Analysis,PCA）和改进的小波去噪对数据进行预处理,实现数据的降噪和降维,再采用层次凝聚聚类算法构建记忆矩阵D,并引入了距离检测的方法对HAC进行改进,以此构建MSET预警模型,最后通过滑动窗口法分析残差,实现故障预警,并和最小二乘支持向量机（LS SVM）预警模型比较分析,经验证该模型可以准确高效地实现给水泵的早期预警。     

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...     

变电站二次设备状态检修研究

分析了二次设备的状态监测难点,包括外回路、破坏性失效、电磁干扰和数据模型。从状态评估角度构建状态监测的要素:状态量的确定与监测方法的选择。选取功率和温度为模型参数,构建电源插件老化分析模型,计算其剩余寿命。提出基于力矩特征的状态监测方法,监测端子紧固程度。提出基于RUBEE/ZIGBEE技术的设备辨识和数据录入方案,方便状态监测数据的自动收集、归类。     

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。