基于生成对抗网络的风电机组在线状态监测

基于风电机组数据采集与监控系统(SCADA)的大量时序数据分析,提出一种基于生成对抗网络(GAN)的风电机组在线状态监测方法。首先,通过GAN模型中的生成器获得一组与SCADA数据相同维度的生成数据;其次,利用生成的和真实的SCADA数据对GAN模型进行优化训练进而得到用于区分机组健康状态的判别器模型。利用所提方法分别对一台故障风电机组和一台健康风电机组的SCADA数据分析后发现:GAN方法能够有效监测风电机组的在线运行状态,比SCADA系统提早5 d发现故障机组的异常;当风电机组正常工作时,GAN方法比其他方法(如马氏距离、主成分分析、深度神经网络、支持向量机等)误报的次数更少;当机组发生故障后,GAN方法比上述其他方法能检测出更多的异常样本。     

一种基于SCADA参数关系的风电机组运行状态识别方法

提出一种基于SCADA参数关系的风电机组运行状态识别方法。首先,从风电机组运行特性出发,深入分析风电机组运行状态SCADA数据输入/输出参数关系;基于时间的滑动窗口模型,采用多项式回归拟合方法,构建风电机组运行状态输入/输出参数关系数学模型;然后,基于风电机组正常运行输入/输出参数关系数学模型,提出描述各个时刻风电机组运行状态异常程度的指标计算公式;对风电机组正常运行阶段的状态指标进行统计分析,获取其分布函数规律;最后,根据小概率事件假设,确定识别风电机组运行状态出现异常的阈值,据此对风电机组运行状态出现异常进行预警。以同风场同型号两台2 MW直驱式风电机组SCADA数据为例进行分析,结果表明:①基于SCADA数据的风电机组运行状态识别方法,可以实现对风电机组运行的异常状态识别和早期预警,该方法的特点是状态识别完全基于正常运行SCADA数据分析而无需异常运行SCADA数据进行挖掘训练和相关物理机制与故障模式方面的先验知识;②基于风电机组SCADA数据的运行状态识别方法,依据风电机组及其部件的运行状态输入/输出参数关系的层次结构,可以获得发生异常状态的相关部件信息,这对风电机组运行状态预警和维护决策具有重要意义。     

基于群体多维相似性的风机齿轮箱预警策略

风场区域气候周期性变化及气象条件瞬时变化都会直接影响风电机组设备运行状况,已有齿轮箱故障预警策略较少与周边相似风机联动,偏向于"单体预警"。将高斯混合模型、动态时间规整及熵权值算法三者紧密结合,提出了一种基于群体多维特征相似性的故障预警策略:通过与周边风机的相似性联动,消除周期性及瞬时性环境因素对预警结果的影响;采用分级时间滚动窗口生成风机相似关系,保留数据的时间次序属性,展示研究对象的数据资源迁徙规律,判断潜在故障风机。最后,用福建沿海风场监控与数据采集系统(SCADA)数据验证了所提预警算法的有效性与实效性,至少可以提前26天预警潜在故障风机。     

基于动态特征矩阵的k近邻风电机组故障检测方法

受风的间歇性和随机性影响风电机组运行状态频繁切换,导致设备状态异常检测误报和漏报情况严重,风电企业运维成本居高不下。为此,提出了基于动态特征矩阵的k近邻故障检测方法,该方法采用基于互信息的动态特征矩阵描述风电机组的动态特性,通过加权k近邻同时考虑动态特征矩阵中的特征贡献率与累计互信息的影响,利用动态阈值计算降低运行状态突变造成的误报。分别以美国可再生能源实验室5 MW海上风机基准模型的常见传感器和执行器故障以及SCADA数据中记录的变桨系统故障为例,将所提方法的故障检测结果分别与PCA、KPCA、FD-kNN以及PC-kNN故障检测方法进行对比,结果表明所提方法能够准确进行故障信息的检测,所提方法优于其他对比故障检测方法。     

基于FISSA-DBN模型的风电机组运行状态监测

为提高风电机组运行效率,降低风电场运营成本,对风电机组运行状态监测显得尤为重要,提出一种基于数据采集与监控（supervisory control and data acquisition,简称SCADA）系统和萤火虫改进麻雀搜索算法优化深度置信网络（firefly improved sparrow search algorithm optimized deep belief network,简称FISSA-DBN）的风电机组状态监测新方法。首先,对SCADA数据进行预处理分析,并利用专家系统和皮尔逊相关系数分析,相关分析选取输入参数和输出参数;其次,利用预处理数据集建立基于FISSA-DBN的风电机组运行状态监测新模型,根据模型预测值和实际输出值之间的重构值误差,以及指数加权移动平均阈值（exponentially weighted moving average,简称EWMA）判断是否有异常;最后,以华东某风电场实际数据为例进行实例验证。结果表明,所提出方法的预警时间比实际记录时间最早可提前4 d多。同时,将所提出方法与其他方法进行对比,结果表明该方法预警时间提前,模型预测误差更小。     

风电机组变桨轴承的磨损预警方法研究

针对风电机组变桨轴承磨损情况严重、经济损失大等问题,提出了一种基于数据采集与监视控制(SCADA)数据的风电机组变桨轴承磨损预警的建模方法。以变桨电机电流、桨距角、风速、功率等风机运行参数为基础,利用滑动窗口统计的方法构造了新的特征变量,将特征变量和标签数据导入随机森林算法,进行了模型的训练和验证;然后,建立了一种监测变桨轴承磨损的预警模型;最后,以某风场20台机组历史数据为输入,以机组故障记录为输出标记,在设定了合理的预警规则基础上,建立了变桨轴承的预警模型,并对此进行了实测验证。测试结果表明:该变桨轴承磨损预警模型能提前5 d～30 d发出预警信息,预警准确率平均能达到87.9%;试运行结果表明:该模型具有成本低、效率高、解释性强的特点,在提高机组的安全运行时长,以及降低机组的运维成本方面具有重要意义。     

融合多时段SCADA数据的风电机组风险态势预测

针对传统风电机组静态评估较难准确反映出整机状态的问题,在缺乏历史故障数据支撑的场景下,综合考虑风电机组数据采集与监控(SCADA)系统的历史记录、当前状态以及运行趋势等多时段信息,基于风险的思想开展风电机组态势预测.采用长短期记忆网络构建有功功率短期预测模型,以有功功率预测残差量化风险状态严重度;利用模糊C均值算法构建机组风险状态严重度离群点模型,划分风险状态严重度等级;在此基础上,基于马尔科夫链的状态转移模型,预测机组当前风险状态严重度等级和潜在趋势.以新疆某风场的2MW风电机组为例,验证所提方法的合理性与有效性.     

基于运行规律和TICC算法的风电SCADA高维时序数据聚类方法

针对大型风力发电机组高维SCADA时序数据的工况识别问题,结合风电机组运行规律和TICC算法,提出一种自动分割聚类方法。从高维的SCADA数据中选取风速、转速和桨距角等少量特定参数作为初始分割聚类对象,分析特定参数的运行规律,确定风电机组理论的运行工况。选取一段特定参数的历史数据,利用TICC算法进行离线聚类分割,获得聚类的最优特征参数。将最优特征参数作为TICC算法的输入,对新的特定参数时间序列数据进行分类。最后根据特定参数时间序列的聚类结果,对未进行分割的SCADA时序数据进行聚类处理。选取某2.5 MW双馈风电机组的SCADA时间序列数据对方法进行验证,同时将所提出的方法与FCM算法、GMM算法、K-Means算法进行对比研究。实例验证和对比研究表明,所提的聚类方法充分融合理论知识和TICC算法的优点,可高效处理高维SCADA聚类分割问题,同时保证聚类结果与理论分析结果一致性。     

变工况条件下的风电机组齿轮箱故障预警方法

针对风电机组运行工况复杂多变,难以实现故障特征提取和预警指标量化的特点,提出基于k邻近度异常检测技术的风电机组故障预警方法:首先利用阶比重采样技术将时域非平稳信号转换为角域的平稳或准平稳信号;其次构建出新量纲一幅域特征值,提取阶比重采样角域信号早期故障特征;最后将振动角域序列映射成多维特征向量,通过基于k邻近度的异常点检测技术挖掘机组潜在异常信息,实现机组的早期故障预警。试验仿真验证了该方法的有效性。     

基于LSTM-BO和SPRT的风电机组故障演化过程分析

有效挖掘故障演化的过程有利于分析和总结故障传播规律。本文提出了基于LSTM-BO模型和SPRT算法，利用SCADA历史数据研究风电机组早期故障演化过程的分析方法。首先使用Pearson相关系数法挖掘SCADA数据各监测变量之间的映射关系，获得LSTM-BO网络所需的输入—输出关系对；其次是依赖LSTM网络强大的时序特征提取能力，将预处理后的SCADA数据送入LSTM网络进行训练，从而得到相应的正常行为模型；最后，依赖SPRT在序贯测试方面的优势，将各监测变量模型预测值与实际监测值之间的偏差看作序贯测试的对象，并对其测试结果进行滑动窗口观测，以异常点数目占观测窗口宽度的比值为度量指标，得到SCADA数据部分重要监测变量在故障发生前的演化过程。实例分析结果表明，所提方法能够有效提取故障演化的过程，为后续演化规律的分析提供指导。     

A combined mono- and multi-turbine approach for fault indicator synthesis and wind turbine monitoring using SCADA data

The monitoring of wind turbines using SCADA data has received lately a growing interest from the fault diagnosis community because of the very low cost of these data, which are available in number without the need for any additional sensor. Yet, these data are highly variable due to the turbine constantly changing its operating conditions and to the rapid fluctuations of the environmental conditions (wind speed and direction, air density, turbulence, …). This makes the occurrence of a fault difficult to detect. To address this problem, we propose a multi-level (turbine and farm level) strategy combining a mono- and a multi-turbine approach to create fault indicators insensitive to both operating and environmental conditions. At the turbine level, mono-turbine residuals (i.e. a difference between an actual monitored value and the predicted one) obtained with a normal behavior model expressing the causal relations between variables from the same single turbine and learnt during a normal condition period are calculated for each turbine, so as to get rid of the influence of the operating conditions. At the farm level, the residuals are then compared to a wind farm reference in a multi-turbine approach to obtain fault indicators insensitive to environmental conditions. Indicators for the objective performance evaluation are also proposed to compare wind turbine fault detection methods, which aim at evaluating the cost/benefit of the methods from a production manager’s point of view. The performance of the proposed combined mono- and multi-turbine method is evaluated and compared to more classical methods proposed in the literature on a large real data set made of SCADA data recorded on a French wind farm during four years : it is shown than it can improve the fault detection performance when compared to a residual analysis limited at the turbine level only.     

Wind turbines abnormality detection through analysis of wind farm power curves

Abnormality detection and prediction is a critical technique to identify wind turbine failures at an early stage, thus avoiding catastrophes. In this study, we propose a new abnormality detection and prediction technique based on heterogeneous signals and information, such as output power signals and wind turbines downtime event information collected from the supervisory control and data acquisition (SCADA) system. First, discriminant statistical feature extraction is performed on the power signals in both the time-domain and frequency-domain. Then, a sideband expression is derived for normalized statistical data based on quartiles. In addition, a dissimilarity metric is defined to calculate the distances between downtime time intervals, and a higher dimension feature space is obtained. To reduce the dimension of the feature space, the Laplacian Eigenmaps (LE) nonlinear dimensionality reduction method is implemented. Afterwards, a Linear Mixture Self-organizing Maps (LMSOM) classifier is applied to differentiate abnormal types and a cumulative trend difference method is utilized to predict the faults in wind turbine. The method is validated and applied to data collected from a wind farm in north China. The results show that the proposed technique can effectively detect and predict wind turbine abnormalities.     

风力发电机组故障诊断与预测技术研究综述

随着风力发电机组装机容量的快速发展,累计运行时间的持续增长,风电机组的维护问题日益突出,迫切需要研发有效的风电机组故障诊断与预测系统。从故障诊断和故障预测两个方面,归纳风力发电机组的主要故障特点;针对故障诊断难点问题,分析和总结基于振动、电气信号分析和模式识别算法的故障诊断方法的研究现状,指出各种方法的技术特点、局限性和今后的发展趋势;针对风电机组中机械结构和电子系统性能退化的各自特点,归纳当前的研究进展,提出物理失效模型和数据驱动模型融合的故障预测方法;最后,归纳了利用风力发电机组数据采集与监控系统(SCADA)数据进行故障诊断与预测的最新进展及需要进一步研究的问题。     

基于 LeNet5like 的迁移学习风电机组叶片覆冰故障诊断研究

针对海上风电场和高海拔地区风机机组的叶片覆冰故障模型精度低、建模速度慢等问题,提出一种基于 LeNet5like 的 迁移学习风电机组叶片覆冰故障诊断方法。 首先,整合监控和数据采集系统的记录数据与风机覆冰情况进行预处理,建立训练 数据集;其次,基于改进后的 LeNet5like 网络构建覆冰故障诊断模型,提取数据集中多变量间的相关性特征信息;然后,经网络 参数微调迁移学习对模型进行训练,实现对其他风机覆冰故障诊断模型的快速建立;最后,经实验验证,该模型覆冰故障诊断准 确率为 98. 90% ,较无迁移模块网络训练时间缩短 28 s,提升约 15. 91% ,验证了基于 LeNet5like 的迁移学习风电机组叶片覆冰 故障诊断方法的精确性和快速性。     

基于协整分析的风电机组状态监测方法

针对风力发电机组SCADA系统受到环境及运行等因素影响[1],常常发生故障漏报和误报等问题,提出一种基于协整计算的风力发电机SCADA非平稳数据分析方法。风力发电机SCADA数据经协整计算可以获得附带风力发电机状态信息的残差,通过分析该协整残差可实现风力发电机的状态监测。取内蒙古包头市固阳县某风场1.5 MW双馈风电机组所采集的SCADA数据为研究对象,利用部分非平稳数据建立协整模型,并用一组正常运行数据以及一组已知齿轮箱故障数据对模型进行验证,结果表明,所提方法可有效抑制SCADA数据中由环境和运行引起的响应,准确识别风力发电机的运行状态,简单有效的实现风力发电机的状态监测.     

基于风况的风力发电机组选型设计

为解决目前风力发电行业机组设计和选型存在的较多问题.本研究以风况各参数作为关键依据,结合风资源测量技术,将风况分析应用到机组选型设计中.通过对风况各参数的分析,确定风况与风力发电机组性能和载荷的关系,提出了基了:风场实际风况的风力发电机组选型设计方法.利用先进的风力发电机组专用设计软件进行了机组在各工况下的载荷分析,结...     

基于协整分析的风力机多工况监测与故障诊断

为降低装备故障率、减小停机损失,提出一种基于协整分析的装备多工况监测与故障诊断方法。基于监控与数据采集系统采集的数据,利用随机森林特征选择算法提取与装备故障相关的关键特征变量;通过对关键特征序列的协整分析,计算协整系数,建立协整残差模型,获得反映装备状态变化的最优残差序列;采用概率图分析最优残差序列,完成了多工况状态的区间划分,确定了每种工况对应的残差预警阈值,实现了状态监测与故障预警。某型号直驱式风力机的研究结果表明：所提出的方法能有效分析非平稳时间序列,利用残差阈值可以监测电机故障、识别风力机工况,提高故障诊断的准确性。     

基于云模型的风电机组输出功率特性分析

风电机组性能的优劣直接影响着风电场安全生产和经济效益。输出功率是风电机组最重要、最具代表性的性能指标之一,风功率曲线是机组发电能力最直观的表述。以输出功率和风速为数据源,应用云模型特征量研究风电机组输出功率的波动特性,有利于掌握风电机组性能状态。在对风电机组SCADA系统风速、功率数据筛选的基础上,描绘风电机组正常工作状态下的风功率散点图,采用比恩法建立风电机组实际风功率曲线;统计分析不同风速区间的输出功率,利用逆向云发生器建立不同风速下的输出功率云模型,得到不同机组的整体功率云;通过对比分析功率云的特征值,实现输出功率大小、波动范围和离散程度的量化分析;同时计算风速、功率相关系数反映和评价机组响应的灵敏度。云模型的应用,把机组状态从定性评价拓展到定量评价,从宏观综合评价深入到风速区间段精准评价,提高了风电机组性能分析的准确性和全面性。最后,应用实例验证了算法的有效性和可靠性。