基于激光测风雷达及SSA-ELM的风电场短期风速预测

基于激光测风雷达数据,针对风速的非线性特性,提出麻雀搜索算法（sparrow search algorithm, SSA）优化极限学习机（extreme learning machine,ELM）进行风速预测。搭建预测模型,根据预测风速对风电机组进行预变桨,分析风电机组叶根矩载荷。采用新疆某风电场激光测风雷达数据仿真并与其他预测模型分析对比。结果表明,麻雀算法优化的极限学习机可精确预测风速,且显著提升极限学习机预测速度及不同风速条件下的动态性能;预变桨后,风电机组叶根矩载荷大幅减小,提升了桨叶使用寿命及运行安全性。     

基于极端天气情况的风-储系统平抑控制策略

提出了一种储能系统的功率控制方法,实现了极端天气情况下风电场出力波动的快速平抑.该控制框架融合了机器学习算法与模型预测控制方法,由基于在线序贯极限学习机的神经网络模型预测优化时域范围的风电功率,储能的充放电功率指令通过MPC进行滚动优化,保证储能系统的运行约束得到满足.仿真实验表明该方法能够实现储能系统的快速充、放电管...     

基于SCADA系统的风电变桨故障预测方法研究

风电机组变桨系统故障是目前造成机组停机的第一原因。文章对未来30 min的风电机组变桨故障进行预测,通过分析变桨系统潜在故障,制定维护保养计划;针对兆瓦级风电机组,分析SCADA系统的数据,提取变桨距系统故障特征;从风速、风向、桨距角和电机转速的输入、输出关系出发,应用多元线性回归分析和BP神经网络分别对变桨系统进行模型训练,对比两种算法的预测能力。通过分析故障预测模型性能指标、误差指标和输出数据图形可知,BP神经网络在风电变桨系统中的故障预测效果优于多元线性回归预测。     

基于ADQPSO-KELM风电功率短期预测模型的研究

为了改善传统风电功率预测方法中误差较大且稳定性较差的问题,引入量子粒子群(QPSO)优化算法、自适应早熟判定准则及混合扰动算子,构建了自适应扰动量子粒子群(ADQPSO)优化算法,通过ADQPSO算法对核极限学习机(KELM)模型进行优化,建立了自适应扰动量子粒子群优化的核极限学习机(ADQPSOKELM)风电功率短期预测模型,并利用内蒙古高尔真风电场采集的风电功率时间序列数据为试验样本进行48h预测分析。结果表明,ADQPSO-KELM风电功率短期预测模型与其他基于KELM优化的风电预测模型及传统风电预测模型相比,其预测的误差更小、准确度更高,且预测稳定性显著增强。     

大型风电机组电动变桨系统变桨角度故障诊断

为提高大型风电机组电动变桨系统变桨角度故障的判别准确性,结合模糊粗糙集特征量约简和基于粒子群算法优化的支持向量机进行变桨角度故障诊断分析研究。首先基于模糊粗糙集理论建立变桨系统特征参数约简的数学模型,通过对变桨相关运行数据进行约简,确定对故障诊断贡献率较高的参数;再利用实际运行数据训练经粒子群优化的支持向量机,从而获得高精度诊断模型;然后设计基于双层支持向量机的故障程度判别模型,可对故障进行进一步分类。最后通过实际运行数据对变桨角度故障进行诊断实验,实验结果表明,该诊断方法能准确快速地判别故障并可进行故障程度分类。     

基于极限学习机的风电机组主轴承故障诊断方法

针对传统故障诊断方法在风电机组主轴承的故障诊断中诊断准确率不高的问题,引入了一种改进粒子群优化(PSO)算法,并结合交叉验证(CV)优化极限学习机(ELM)的方法。利用ELM建立故障诊断模型,采用主轴承振动信号的代表性时域特征参数作为模型输入,结合改进PSO算法和CV用于模型的参数优化,用于风电机组主轴承的故障诊断。实例分析表明,文章提出的方法可以快速、有效地诊断风电机组主轴承的故障,与LS-SVM,SVM和BPNN等方法相比,诊断准确率更高。     

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...     

基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法

提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。     

CQPSO-BP算法在风电机组齿轮箱故障诊断中的应用

为实现风电机组齿轮箱故障模式的有效识别,提出一种基于混沌量子粒子群优化BP神经网络(CQPSOBP)的故障诊断方法。在该算法中,利用混沌序列来初始化粒子的初始角位置,可提高种群的遍历性;通过引入变异操作,避免算法陷入早熟收敛,并依此来对BP神经网络的初始权值和阈值进行优化。实例表明,同粒子群优化BP神经网络(PSO-BP)与BP网络的诊断结果相比,CQPSO-BP算法具有收敛速度快、识别精度高的优点,可有效用于风电机组齿轮箱的故障诊断系统中。     

风电场邻近风电机组缺测风速集成填充方法

针对风电场中邻近多台风电机组集中出现缺损测量风速的工况,提出基于粒子群优化广义回归神经网络的风电机组缺损测量风速集成填充方法。以"成员等同性"原则引入动态时间规整算法、空间邻点法和Pearson相关系数法,分别搜寻与缺损测量风速风电机组风速演化最为相似的若干台风电机组及对应的测量风速时序,建立基于广义回归神经网络的填充子模型,采用粒子群算法对广义回归神经网络的模型参数和训练集的构成进行全局优化,之后选取较好的子模型构造自适应的熵权集成填充模型。实验结果表明:依据相似性风速序列进行缺损风速的填充能有效提高填充精度;粒子群算法优化广义回归神经网络,不仅提高了子模型的填充效果,更使得模型参数的调节有据可依,能适应不同风电场风速数据的特点;基于熵权的集成填充策略理论依据充分,集成填充的精度和稳定性优于单个子模型。     

基于机器学习算法与SCADA系统的风电机组变桨系统变频器的故障预警方法研究

变桨系统是风电机组的关键设备,但由于风电机组长期处于复杂的工作环境,导致变桨系统故障成为风电机组故障中最常见的故障之一,而变桨系统变频器故障在变桨系统故障中的占比很高.基于此,提出了一种变桨系统变频器的故障预警方案,分析SCADA系统数据,将机器学习算法应用于故障预警,并将模型温度残差作为故障预警的指标;然后,针对随机...     

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。     

Fault diagnosis for a wind turbine transmission system based on manifold learning and Shannon wavelet support vector machine

Fault diagnosis for wind turbine transmission systems is an important task for reducing their maintenance cost. However, the non-stationary dynamic operating conditions of wind turbines pose a challenge to fault diagnosis for wind turbine transmission systems. In this paper, a novel fault diagnosis method based on manifold learning and Shannon wavelet support vector machine is proposed for wind turbine transmission systems. Firstly, mixed-domain features are extracted to construct a high-dimensional feature set characterizing the properties of non-stationary vibration signals from wind turbine transmission systems. Moreover, an effective manifold learning algorithm with non-linear dimensionality reduction capability, orthogonal neighborhood preserving embedding (ONPE), is applied to compress the high-dimensional feature set into low-dimensional eigenvectors. Finally, the low-dimensional eigenvectors are inputted into a Shannon wavelet support vector machine (SWSVM) to recognize faults. The performance of the proposed method was proved by successful fault diagnosis application in a wind turbine's gearbox. The application results indicated that the proposed method improved the accuracy of fault diagnosis.     

基于批标准化的堆叠自编码网络风电机组变桨系统故障诊断

为了提高风电机组变桨系统故障诊断的准确性,提出一种基于批标准化的堆叠自编码(SAE)网络故障诊断模型.针对SAE网络在特征学习过程出现的梯度硬饱和问题,选用PReLU激活函数,在SAE网络中加入批标准化(BN)层进行优化,通过输出层的Softmax函数,得到变桨系统各部件故障发生概率.以均方误差最小化为目标,采用Ada...     

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。     

Development of a 20 kW wind turbine simulator with similarities to a 3 MW wind turbine

As the use of wind power has steadily increased, the importance of a condition monitoring and fault diagnosis system is being emphasized to maximize the availability and reliability of wind turbines. To develop novel algorithms for fault detection and lifespan estimation, a wind turbine simulator is indispensible for verification of the proposed algorithms before introducing them into a health monitoring and integrity diagnosis system. In this paper, a new type of simulator is proposed to develop and verify advanced diagnosis algorithms. The simulator adopts a torque control method for a motor and inverter to realize variable speed-variable pitch control strategies. Unlike conventional motor–generator configurations, the simulator includes several kinds of components and a variety of sensors. Specifically, it has similarity to a 3 MW wind turbine, thereby being able to acquire a state of operation that closely resembles that of the actual 3 MW wind turbine operated at various wind conditions. This paper presents the design method for the simulator and its control logic. The experimental comparison between the behavior of the simulator and that of a wind turbine shows that the proposed control logic performs successfully and the dynamic behaviors of the simulator have similar trends as those of the wind turbine.     

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法。通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法寻找LSSVM中最优的2个关键参数正则化参数和核函数参数,以此提高故障诊断模型的分类精度。通过不同工况下的试验数据集测试,实现了对不同故障状态特征参数的准确分类。结果表明,所提方法诊断结果优于遗传算法(GA)和粒子群算法(PSO)分别优化的LSSVM.远优于传统的LSSVM算法。     

基于特征选择和XGBoost的风电机组故障诊断

随着风电规模的不断增加,风电机组的运行维护成为研究的热点。针对风电机组的故障诊断问题,文章提出了一种基于特征选择和XGBoost算法的故障诊断方法。该方法采用随机森林的袋外估计进行特征选择,降低了特征选择过程的主观性;以XGBoost算法为基础搭建诊断模型,采用网格搜索和交叉验证对算法进行参数优化。以风电场SCADA实测数据对所提方法进行验证,通过准确率、AUC值等指标将文章所提方法与传统机器学习算法的诊断结果进行对比。对比结果表明,文章提出的方法比传统机器学习算法的预测准确率更高,可用于风电机组故障诊断的工程中。     

基于惯性网络的兆瓦级风电叶片形变测量算法研究

针对目前风电叶片形变过程中挠曲度测量误差较大的问题,提出一种基于惯性网络的相对运动监测算法。首先根据应力分析对叶片建立主从式惯性网络,然后推导出主子节点间的相对运动解算方法并建立相对导航误差模型,设计相对导航误差估计滤波器,通过误差反馈保证子节点的位姿解算精度;其次构建联邦式的相对惯性导航误差估计滤波器进行主子节点的数据融合,提高风电叶片的形变估计精度及系统整体的容错性;最后对某型风电叶片进行静力加载试验,试验结果表明：该算法可准确测量出叶片上各节点在三维空间的位移曲线,3个子节点在挥舞方向的平均相对误差仅为0.92%、1.18%、1.07%。该算法可实时监测风电叶片的位姿状态,在叶片检测及风力机日常运行的安全监测上具有较好的理论研究意义与工程应用价值。