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。     

基于XGBoost-KDE的风机主轴承温度预测与故障预警方法

风力发电机主轴承的故障诊断是提高其可靠性和可用性的关键。为及时发现风机主轴承故障,提出一种基于XGBoost-KDE的风机主轴承温度预测与故障预警方法。选用数据采集与监视控制（SCADA）系统中相关的特征参数作为输入变量,对风机正常工况下的主轴承温度进行预测,得到预测值和正常工作时运行数据的残差;之后运用非参数核密度估计（KDE）法确定残差预警阈值,结合滑动窗口分析法实现风机主轴承故障预警。以某2 MW等级风电机组为研究对象,采用SCADA系统中的运行数据做验证,实验结果表明,该方法可以对风机正常工况下的主轴承温度实现97.6%的精准预测,并对主轴承故障时产生的温度曲线波动做出反应,提前近1个月对风机主轴承故障进行有效预警。     

基于XGBoost建模和Change-Point残差处理的风电机组齿轮箱温度预警

风电机组具有单机容量小,台数多,状态信息复杂的特点;基于SCADA数据的风电机组齿轮箱预警普遍存在预测精度和计算效率低,资源占用高的问题,选取有效方法以克服上述问题成为齿轮箱预警的关键。极限梯度提升(eXtreme Gradient Boosting,XGBoost)算法本身结合多线程、数据压缩、分片的形式,其在处理大数据量样本时仍具有较高的通用性。采用XGBoost算法建立齿轮箱正常工作状态的温度模型,使用XGBoost模型与其它4类回归预测模型分别进行齿轮箱温度预测模型实验,结果表明XGBoost模型在齿轮箱温度预测中综合性能要优于其它4类模型。当齿轮箱发生故障时,模型的样本特性会发生异常变化,导致模型的预测残差发生明显改变。为提高齿轮箱故障预警的可靠性,构建了新的Change-Point算法,利用Change-Point技术进行XGBoost模型预测残差序列分析,可定位齿轮箱状态劣化时间点,回溯状态劣化原因。     

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Relief算法的风电机组故障特征参数提取方法

随着风电技术的快速发展,风电装机容量快速增长,风机SCADA系统监测的数据也越来越全面。风电机组部件故障与运行环境密切相关,可通过重点关注风电场中工况恶劣的风机来提高整体可用率。文章提出一种基于Relief算法从风电机组SCADA数据中提取故障特征参数的方法,根据SCADA历史数据和风机故障记录,利用Relief算法筛选出与风机部件故障相关度高的故障特征参数,作为判断风机运行工况和故障率的特征量。采用实际风电场的SCADA数据,以变桨故障和偏航故障为例进行计算,验证了本方法的有效性。     

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。     

考虑多信息融合的风电机组状态评估与预测系统开发

为降低风电机组故障发生概率,提高其可靠性,该文利用数据采集与监控系统（supervisory control and data acquisition,SCADA）检测获得的风电机组运行状态数据,通过研究多指标融合状态评价模型及其预测算法,解决风电机组状态参数评估与预测难题。结合SCADA系统结构,设计并规划风电机组状态参数评估与预测系统架构与功能;利用输出功率波动、风能利用率以及开机运行比率3项参数,基于阈值法,建立风电机组状态退化评价指标模型,通过主成分分析法对3个评估标准进行权重计算,并将各指标进行信息融合,综合反应风电机组运行状态;设计Convolutional Neural Network-Long Short-Term Memory风电机组状态预测模型,实施风电场运行状态参数预测;开发风电机组状态评估与预测系统软件,验证所提方法的有效性。     

基于大数据分析的风机轴承故障预警

将大数据分析应用到风机轴承故障预警中,使用栈式自动编码器（SAE）为基本结构,通过逐层提取风机轴承监视控制与数据采集系统（SCADA）数据深层特征,将散乱的SCADA大数据转化成能够深度刻画风机轴承运行状态的内在特征。利用预训练、微调的方法并结合误差反向传播算法（BP）构建SAE故障预警模型,通过SAE模型对大数据处理得到反映风机轴承运行状态的重构误差平均值,以均值漂移聚类算法动态地计算出风机轴承稳定运行状态重构误差基准值为预警的标准。最后利用某风电场机组的SCADA数据进行工程实例仿真分析,验证了基于大数据分析用于风机轴承故障预警的可行性。     

考虑运行状态相似性的风电机组数据异常检测方法

文中提出一种利用风电场内运行状态相似的风电机组数据采集与监控（SCADA）数据提升异常检测结果准确性的方法。首先,基于实际数据的分析结果,提出了风电机组运行状态的相似性比较原则,进而提出了基于互信息特征选择算法和迭代自组织数据分析聚类算法的运行状态相似性评估方法。然后,在考虑状态变量短时相依性的基础上,利用待检测风电机组的历史SCADA数据构建了基于支持向量机的确定性估计模型,利用相似风电机组的历史SCADA数据构建了基于核密度估计的组合概率估计模型。进一步,利用确定型估计模型和组合概率估计模型分别对目标变量的异常状态进行自检测和外部检测,通过2次检测结果的互相印证来提升异常检测结果的准确性和可靠性。最后,基于一个实际风电场内所有风电机组的SCADA数据和对比实验验证了所提方法的可行性和准确性。     

神经网络技术在风电机组SCADA数据分析中的应用研究

随着海上风电场的快速发展,降低运维成本和提高风电机组可用性问题已成为研究热点。文中提出一种数据驱动的风电机组性能评估方法用来提高风电机组运维效率,降低维护成本。该方法结合了神经网络和随机过程理论,对风电机组数据采集与监视控制系统(supervisory control and data acquisition,SCADA)数据进行分析,建立了风电机组运行行为模型,提出了评估风电机组运行性能的指标。在此基础上,结合9台风电机组的SCADA数据,评估了运行性能。针对风电机组运行中出现的异常状态,分析了可能的原因,并提出了相应的维修建议。结果表明,该方法能够有效地分析SCADA数据,所提指标对提高风电场运维效率具有参考价值。     

采用滑动窗口及多重加噪比堆栈降噪自编码的风电机组状态异常检测方法

该文提出一种基于多元变量数据重构的风电机组状态异常检测方法。针对风电场数据采集与监控(SCADA)系统数据,首先,建立基于滑动窗口的堆栈降噪自编码(SDAE)模型,在获取机组正常运行状态下变量间的互相关性和各变量短时相依性的基础上重构机组状态数据;其次,为提高模型特征学习能力,提出多重加噪比的SDAE模型训练方法学习机组状态参数的全局和局部特征;最后,采用重构误差的马氏距离为机组状态监测指标,通过核密度估计方法分析机组正常数据监测指标的概率密度分布,确定机组正常运行状态下监测指标的阈值,定义监测指标连续越限数监测机组状态,计算各状态参数对监测指标越限的贡献度,实现机组参数异常检测。华东某风电场SCADA数据分析结果表明该方法可有效地用于实际风电机组运行状态的异常检测。     

XGBoost算法在风机主轴承故障预测中的应用

针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题,提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先,对风机主轴承SCADA数据开展特征分析,挖掘和发现特征与故障之间的关联关系,并评估各特征的重要性;然后利用XGBoost算法构建主轴承故障预测模型,进行模型评估;最后,依据SCADA系统收集的实测数据对模型进行训练和测试,并调整XGBoost模型的主要参数,提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比,结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法,是处理SCADA大规模数据集的有效工具。     

基于相对主元分析的风电机组塔架振动状态监测与故障诊断

振动信号是风电机组数据采集与监控系统（supervisory control and data acquisition system, SCADA）中一类重要变量。以风电机组SCADA运行数据为基础,首先结合风机运行原理详细分析了导致塔架振动的主要因素。进而采用相对主元分析（relative principal component analysis,RPCA）和某风电机组2011年3~5月份的SCADA运行数据,建立了覆盖塔架正常工作状态的RPCA振动模型,计算得出监控统计量Hotelling T2（简称T2）和平方预测误差（squared prediction error,SPE）。采用塔架振动RPCA模型,准确检测出风电机组变桨系统故障,验证了所研究方法的有效性。     

基于GRU和注意力机制的海上风机齿轮箱状态监测

海上风电机组齿轮箱运行状态的有效监测和及时预警对海上风机运维工作具有重要意义。为此,提出一种基于门控循环单元(Gated Recurrent Unit, GRU)和注意力机制的海上风电机组齿轮箱状态监测方法。在训练阶段,通过注意力机制自动提取海上风电SCADA数据集输入参量与目标建模参量间的关联关系,同时采用GRU网络提取数据间的时序依赖关系,进而建立风电机组齿轮箱的正常行为模型。在测试阶段,采用指数加权移动平均值(Exponentially Weighted Moving-Average,EWMA)控制图对目标建模参量实际值和模型预测值间的输出残差进行监控,实现海上风机齿轮箱运行状态的实时监测和预警。最后基于东海大桥海上风电场真实数据对所提方法的有效性和优越性进行了验证。结果表明：所提方法对故障和正常运行条件下的海上风电机组齿轮箱状态均可进行有效监测,且相比现有陆上风机状态监测方法具有更高的精度和可解释性,并能更早地揭示故障趋势。     

基于SCADA和支持向量回归的风电机组状态在线评估方法

为提高风电机组并网运行的实时可靠性、优化机组维修策略、降低风力发电成本,有必要充分考虑风电机组各部件或子系统之间的相互作用和耦合关系。利用数据挖掘技术,建立了一个针对风电机组整体运行状态的在线评估模型。首先,分析了数据采集与监控(SCADA)报警系统的不足,提出了基于回归预测模型和SCADA报警系统相配合的鲁棒性更强的在线评估方案;其次,对评估方案中的回归预测模型进行了详细说明,建立了以SCADA系统的部分监测项目为输入量、以风电机组有功功率为输出量的基于支持向量回归(SVR)算法的回归预测模型。最后,利用某风电场的实测数据对所提出的在线评估模型进行了验证,结果证明了此方法的可行性。     

基于特征选择和XGBoost的风机叶片结冰预测

风电场风机叶片积冰会造成风电机组的效率降低,严重时会导致叶片断裂,严重威胁风电场的正常生产运行。提出了一种基于Relief的特征选择和XGBoost的风机叶片结冰预测方法,能够根据风机运行的SCADA数据对叶片结冰的早期过程进行精确预测,并采用某风电场的2台风机数据进行模型验证和对比试验,取得了较好的预测精度,提升了预测速度,能够有效预测早期叶片结冰故障的发生,从而为降低风机的效率损失和风机的运行风险提供数据支撑。     

基于INNER-DBSCAN和功率曲线模型的风机异常状态检测

针对目前风电机组异常运行状态无法快速检测问题,提出一种基于INNER-DBSCAN算法和功率曲线模型的数据驱动实时检测方法。该方法先利用贝茨理论和RC模型构造一个新的约束来进行数据预处理,剔除机组极端异常运行数据;再基于提出的区间DBSCAN算法对数据进行聚类,得到正常数据和异常数据;最后利用区间邻域最值对正常数据进行边缘识别,构造风电机组正常运行时的功率曲线模型,并通过模式图的上下临界值识别风机异常运行状态。利用8台风电机组SCADA数据进行实验,结果表明,该方法能有效实时检测风机异常运行状态。     

基于数据统计的偏航系统故障诊断研究

针对风电机组偏航系统隐性故障及诊断,研究风力发电机偏航系统跟风性能,提出基于风机运行SCADA系统特征数据提取的偏航系统故障诊断方法.计算风场风向角度变化和风机偏航角度变化的差值,根据正态分布和置信区间判断此差值是否超过阈值,实现对风机偏航系统的故障诊断.案例分析结果表明该方法能准确地识别故障风机.     

基于功率曲线的风电机组数据清洗算法

针对风电机组性能分析过程繁琐低效、数据清洗不彻底以及传统方法难以有效识别复杂多变的异常发电状态的问题,提出一种用于风电机组功率曲线分析的数据清洗算法。通过分析风电机组数据采集与监控(SCADA)系统采集的风速功率数据,优化数据处理规则与数据分析过程,提出最优组内方差清洗算法,检测机组发电性能异常的状态,降低对检测工具和数据维度的硬性要求。实例分析表明该方法实用、高效,在不增加硬件设备投资的前提下,能准确清洗风电机组功率曲线数据并识别出机组异常运行状态,显著提高了风电机组性能分析的准确性。     

基于运行数据和高斯过程回归的风电机组发电性能分析与监测

采用SCADA运行数据,结合风电机组的运行原理,详细分析了对发电性能有密切影响的因素,包括环境因素及机组各个子部件如变桨系统、偏航系统、控制系统的运行状态。采用适合风电机组运行数据强随机性和高噪声特点的高斯过程回归方法建立了发电性能模型。该模型表征了机组发电性能正常时风能利用系数与其影响因素之间的复杂关系,将实时运行数据作为发电性能模型输入,通过分析模型预测残差能够实时监测风电机组发电性能的异常变化。通过风电场实际运行数据仿真,验证了所提方法的可行性。