采用信息熵和组合模型的风电机组异常检测方法

充分利用现有数据采集与监控系统的数据是当前提高风电机组运行可靠性最迅速、有效的方式。首先根据风电场数据采集与监控数据,确定了风电机组状态参数和监测数据的风速范围;其次,建立了分别基于反向传播神经网络和最小二乘支持向量机的单项模型,分析了各单项模型的权重分布,并建立了较优的组合预测模型;最后,引入信息熵的概念对残差数据进行了处理,提出了风电机组状态参数的异常检测方法。验证结果表明,所提方法能准确检测出不同风电机组的发电机轴承温度异常,同时为风电机组的异常识别、故障预警奠定了基础,可为风电场工作人员制定维修策略提供参考信息,具有重要的工程价值。     

基于状态曲线的风电机组运行工况异常检测

为了提高风电机组的利用率和发电量,减少风电机组维修和更换费用,需要对其运行工况进行监测。本文首先对机组的风速-功率、风速-转速、风速-桨距角、转速-功率、转速-桨距角5种状态曲线进行理论介绍,然后结合实际运行数据对其进行了分析。结果表明:由于风速的随机性和风电机组的惯性,前3种曲线不能很好地区分机组的正常运行状态和故障状态,而转速-功率、转速-桨距角能够对机组的异常情况进行准确的监测;以转速-功率、转速-桨距角状态曲线为基础,分析了机组不同运行工况在状态曲线上的分布,对各个不同工况分别建立相应的评价体系,通过故障实例分析,表明本文方法能提前感知异常情况,有效提高系统的状态监测精度。     

基于滑动窗口和聚类算法的变压器状态异常检测

在线监测数据在变压器运行状态中发挥出重要角色,而传统的异常状态检测一般基于阈值判定法,难以及时发现变电设备的异常情况,甄别噪声数据。针对上述问题,根据变压器在线监测数据中异常值特点,提出了一种基于滑动窗口和聚类算法的变压器状态异常检测方法。首先,利用时间序列和滑动窗口对多维的在线监测数据流进行筛选,记录异常点的发生时间和类型,建立候选异常数据集合的判断模型;其次,基于无监督的k-means聚类方法建立多元特征量数据点的异常检测模型,并用于在线监测实时数据的异常检测,判断异常时刻与异常类型。通过某变电站的油中气体数据对本文算法进行了验证,结果表明,该方法可以实时检测在线监测数据流中因运行状态变化而产生的趋势异常,并祛除少量传感器噪声或突变值的影响,具有较高的实用价值。     

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。     

采用GA-BPNN与TLS模型的风电机组异常辨识方法

基于反向传播神经网络(BPNN)建立了风电机组状态参数预测模型,并采用遗传算法(GA)对BPNN模型的初始权重与阈值进行优化,有效消除环境因素对风电机组状态参数的影响;采用TLS(t-location scale)分布模型刻画不同风速区间下预测残差的分布特性,基于矩估计方法实现TLS分布参数估计,并在此基础上提出了计及风速影响的状态残差异常程度量化指标。以某风电场的1.5 MW双馈风电机组为例进行了异常分析,结果验证了模型的有效性和准确性。     

基于高斯过程回归和双滑动窗口残差处理的风电机组主轴状态监测

针对风电机组运行数据强随机性和高噪声的特点,采用高斯过程回归方法建立主轴正常时段的温度模型,并应用自动关联分析方法选择主轴温度模型的建模变量。为降低建模复杂程度,采用模糊核聚类方法对风电机组原始运行数据进行筛选,消除冗余信息,构造紧凑有效的建模样本集。当主轴发生故障时,模型的输入观测向量发生异常变化,导致模型预测残差发生明显改变。为提高主轴异常预警的灵敏度和可靠性,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,则发出报警信息。某风电机组主轴的实际运行数据验证了所提方法的有效性。     

基于深度自编码网络模型的风电机组齿轮箱故障检测

为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。     

基于健康样本的风电机组状态评估与异常检测系统

针对目前风电机组状态监测系统存在的不足,提出了基于健康样本的风电机组状态评估与异常检测系统,该系统建立了风电机组工况参数和关键部件性能参数间的映射关系,通过实时计算风电机组关键部件性能参数的健康值,能实时评估其运行状态。实例分析表明,该系统克服了单一静态阈值报警的不足,能有效地识别出机组关键部件存在的异常。     

采用预测模型与模糊理论的风电机组状态参数异常辨识方法

为提高风电机组的停运预警能力,基于风电场数据采集与监控(SCADA)系统数据提出了一种风电机组状态参数的异常辨识方法。对参数进行划分,针对与环境因素密切相关的状态参数,采用神经网络建立了状态参数预测模型。采用本机组近期SCADA样本、本机组历史样本和其他机组近期样本分别作为预测模型的训练数据,对比分析了基于3类样本建立的模型的预测精度。采用平均绝对误差对基于本机组历史样本和其他机组近期样本建立的预测模型进行选择。定义了异常程度指标量化预测残差的异常程度。为了提高异常辨识的精度,采用模糊综合评判对筛选出的预测模型的异常辨识结果进行融合。最后,以国内某风场的1.5 MW风电机组为例进行了异常分析,并与传统的风电机组状态参数异常检测方法进行了对比,实例分析结果表明所提出的异常辨识方法具有更高的准确性。     

风电机组偏航性能异常及检修方法研究

正偏航系统是大型风力发电机组最为重要的子系统。通过分析风力发电机组能量捕获原理与偏航系统能量捕获原理,明确偏航系统造成能量损失的原因,在此基础上,提出了一套机组偏航系统性能异常判别方法,制定了较为适当且实用性较强的状态检修策略。     

应用深度自编码网络和XGBoost的风电机组发电机故障诊断

针对风电机组现场故障样本难获取的问题,为实现风电机组发电机部件的故障诊断,通过分析风机监控与采集(SCADA)数据,设计了基于深度自编码(DAE)网络和XGBoost的故障诊断算法。该算法包含两部分:第一部分是DAE故障检测算法,通过DAE获取SCADA数据的重构值,分析重构误差的变化趋势与其超越阈值的情况以预测风机故障和提取故障样本;第二部分是XGBoost故障识别算法,用贝叶斯优化搜索XGBoost的最优超参数,建立XGBoost多分类故障识别模型。算例结果表明,DAE算法能够捕获风电机组发电机早期故障,XGBoost比其他算法更精确地识别不同故障类型。     

基于BPNN-NCT的风电机组主轴承异常辨识方法

风电机组主轴承作为传动系统的重要组成部件,其异常辨识精度受风速波动的影响较大。针对该问题,提出了一种基于BPNN-NCT的风电机组主轴承异常辨识方法。首先,利用相关系数法确定了与主轴承状态相关的参数作为模型的输入,并基于反向传播神经网络(BPNN)建立了以主轴承温度为状态参数的状态参数预测模型。然后,基于非中心t(NCT)分布刻画了不同风速波动区间下状态参数预测残差的分布特性,并在此基础上提出了计及风速波动影响的风电机组主轴承异常状态量化指标。最后,以某风电场的2 MW直驱风力发电机组为例,验证了所提方法的有效性和准确性。     

基于滑动窗口和多元高斯分布的变压器油色谱异常值检测

现有的变压器油色谱在线监测数据因监测装置问题频繁出现失真,严重影响了整个在线监测系统的有效性和实用性。传统阈值判定法无法灵活及时地发现变压器本体设备和监测装置的异常。对此,提出了一种基于滑动窗口和多元高斯分布的变压器油色谱异常值检测方法,利用指数加权移动平均法和滑动窗口计算历史每笔数据中氢气、乙炔、总烃的估计值,获取到与监测值的残差数据后,再通过多元高斯分布,进行异常值检测。通过某变电站油中气体数据对本算法进行验证结果表明,该方法不仅能实时检测出变压器本体异常还能发现监测装置数据失真,并能祛除数据突变和噪声带来的影响,具有一定实用价值。     

并网风电机组运行状态的物元评估方法

为了准确评估风电机组实时运行状态,结合机组在线监测信息,提出基于物元分析理论的风电机组运行状态评估方法.首先,分析风电机组控制系统所监测的物理量,构建风电机组运行状态评估指标体系;借鉴Bin方法对所监测的温度量进行分析,并引入劣化度概念对各评估指标进行量化处理.其次,采用层次分析法(AHP)和均衡函数得到了各评估指标的...     

风电机组风速-功率异常运行数据特征及清洗方法

风功率曲线是考核风电机组发电性能的重要指标,对风电场的运行管理和电力系统的运行调度都具有重要意义。实际运行过程的设备故障及人为控制因素会导致风速-功率曲线中存在大量的异常数据,给风功率曲线的后续应用带来严重影响。本文在分析风电机组风速-功率异常运行数据特征的基础上,根据空间分布位置和形态将异常数据分为曲线底部、中部、上部堆积型异常数据和曲线周围分散型异常数据等四类,提出了基于变点分组法与四分位法组合的异常数据识别清洗方法及流程,与四分位-变点分组法以及局部离群因子算法的对比算例验证结果表明,提出的变点分组-四分位法可有效识别四种类型的异常数据,流程合理,清洗效果好,效率高,并具有较强的通用性。     

基于状态估计的风电机组液压变桨距系统故障检测

液压变桨距系统是风电机组的高频故障部件之一,对其进行早期故障检测,可以有效地提高风电机组运行的可靠性,减少不必要的经济损失。风电机组所受环境因素干扰较多,而基于数据的故障检测方法易受这些因素的影响造成误报警,并且故障分离较为困难。因此,本文提出基于状态估计的方法对风电机组液压变桨距系统进行故障检测。首先,构建风电机组液压变桨距系统的状态空间模型及其状态观测器,利用液压变桨距系统模型的实际输出与状态观测器输出产生残差;其次,将残差的均方根作为残差估计函数,并配合自适应阈值进行决策。最后,以液压变桨距执行机构故障和节距角传感器故障为例,通过仿真验证了该方法的有效性。     

基于改进深度降噪自编码网络的电网气象防灾方法

电网运维数据表明电网故障的主要原因已由电气设备制造工艺水平、现场运维水平等因素转向雷电、山火、大风、冰灾等自然气象因素,电网防灾减灾也应重点关注气象致灾。针对气象与电网故障之间的关联特点和规律,提出了一种基于改进深度降噪自编码(SDAE)网络的电网气象防灾方法。以气象历史数据和电网运维检修数据为基础,利用合成少数类样本过采样技术(SMOTE)降低原始数据集的不平衡度,自编码网络通过非监督自学习和有监督微调完成气象信息特征的提取和气象信息与电网故障映射关系的建立,并通过融入稀疏项限制和加噪编码来改善网络的鲁棒性。算例分析表明,所提出的基于SMOTE和SDAE的网络电网气象防灾方法,能够准确、全面地建立气象信息与电网故障之间的关联映射关系,能够对给定的气象条件是否会导致发生电网灾害事故进行准确的预判。     

计及信息不确定性的风电机组健康状态实时评估方法

运行工况识别作为风电机组状态监测与健康管理领域的重要环节,往往受到不确定信息以及高速实时数据流的影响,造成健康状态评估难以有效实施。在此背景下,文中提出一种基于Spark流式处理的健康状态实时评估方法。首先,采用大数据分析技术实现风电机组运行工况的空间划分;然后,在充分考虑风电机组监测信息不确定性的情况下,结合数据采集与监控(SCADA)历史运行数据,对基于高斯云模型和高斯云变换的健康状态评估模型进行训练,并以健康指数作为风电机组健康状态评估的指标。最后,将该评估方法应用在中国北方某风电场1.5 MW风电机组故障前的健康状态评估中。算例分析结果表明,该方法可监测到风电机组健康状态的变化趋势,初步实现了故障的早期预警。     

基于深度神经网络模型的风电机组传动系统状态监测方法

大型风电机组传动系统运行工况复杂,运维人员无法实时了解其运行状态.针对这一情况,提出一种基于深度神经网络模型(DNN)的状态监测方法.首先,BP算法训练DNN模型时容易陷入局部最小值和过拟合,因此,将麻雀搜索算法(SSA)与BP算法结合,提出一种SSA优化BP算法训练DNN模型的方法.然后,采用风电机组SCADA系统数...