基于 GA－SVＲ 数据融合的风机噪声预测述

研究风电机组振动噪声特性对机组工况判别及故障诊断的意义,以永磁同步风电机组为例,建立基于遗传算法的支 持向量回归( GA － SVＲ) 的多源数据融合振动噪声预测模型。采集机组空载、负载及变化风速不同运行工况下的振动、噪声 数据,基于信息熵理论处理后建立样本数据,并选择发电机主轴纵横两个方位、齿轮箱高速轴和低速轴纵横两个方位的振动 数据为模型输入变量,机组的噪声数据为模型输出变量,建立 GA － SVＲ 特征级融合预测模型,以实测数据验证预测模型。 结果表明,该预测模型在机组噪声预测应用中,能得到较精确的噪声波动趋势及预测值,具有实际应用可行性。     

基于支持向量数据描述和XGBoost的风电机组异常工况预警研究

该文提出一种基于支持向量数据描述（SVDD）和XGBoost模型的风电机组异常工况预警方法。从机组监控与数据采集系统（SCADA）数据中选择与转速和发电功率密切相关的特征变量,利用SVDD算法对建模数据进行预处理,采用XGBoost建立风机正常性能预测模型。以所建预测模型为基础,构建时间滑动窗计算性能评价指标,并根据统计学的区间估计理论合理确定风机性能异常预警指标阈值。采用某风电场1.5MW风电机组SCADA系统记录的若干真实故障案例,开展异常工况预警仿真试验。结果表明：基于SVDD和XGBoost的风机异常工况预警方法,可以有效地清洗数据,及时识别风电机组异常状态,对于提高风电机组运行的安全性具有较好的工程实用意义。     

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SCADA运行数据的风电机组塔架振动建模与监测

振动信号是风电机组数据采集与监视控制(supervisory control and data acquisition,SCADA)系统中的一类重要变量.对振动信号的建模和分析可以实现对机组重要部件如塔架、传动链、叶轮等的状态监测工作.采用非线性状态估计技术(nonlinear state estimate technique,NSET)作为建模方法,在对风电机组塔架振动特性及其影响因素进行细致分析的基础上,建立了塔架振动模型.该模型由额定风速以下和额定风速以上两部分子模型构成.同时,对非线性状态估计技术的物理意义及特点进行了深入的分析和探讨.在某风电机组2006年4至6月份SCADA数据的基础上,建立了覆盖其正常工作状态的塔架振动模型,并对该模型进行了验证.研究表明,基于NSET的塔架振动建模方法具有方法简单、物理意义明确和建模精度高等优点,为后续拟开展的风电机组振动状态监测和早期故障诊断打下了良好的基础,同时为风电机组振动分析提供了新的思路.     

基于宽频振荡稳定约束的风电接入容量分析

风电的大规模接入可能引发严重的宽频振荡。宽频振荡与风电场的容量、接入点阻抗以及机组的运行工况等密切相关。文章采用阻抗模型方法分析风电并网系统的宽频振荡特性,明确宽频振荡约束下的风电接入容量与电网阻抗之间的关系。首先,建立了风电机组的全工况阻抗模型,该模型以风电机组端口工频电压和输出电流为变量;然后,基于全工况阻抗模型分析了风电机组输出功率、接入点短路比等对风电并网系统宽频振荡的影响;进而,分析了风电场容量与接入点之间的关系,为风电场的建设和运行提供参考;最后,通过时域仿真验证了全工况阻抗模型分析结果的准确性。结果表明,基于全工况阻抗模型可以确定在不同电网条件下考虑宽频振荡稳定时风电场的最大接入容量。     

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。     

酒泉风电基地短路试验分析及仿真

为验证酒泉风电基地风电场的低电压穿越能力,国家电网公司西北分部于2012年12月组织开展了4次短路试验。基于实测数据,分析了试验过程中风电机组和无功补偿装置的特性,建立了不同型号风电机组的数学仿真模型,通过与实测数据比对校验了机组模型的准确性。建立了短路试验典型工况下的酒泉风电基地仿真模型,仿真复现了典型工况下的短路试验暂态过程,从而校核了风电基地动态仿真模型及参数的正确性。     

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BP神经网络和多因素权重法的风电机组载荷预测和分析

基于BP神经网络,建立了风电机组关键部位载荷的快速准确预测方法。以风电机组关键参数风速、空气密度、湍流强度、入流角、风切变、偏航误差角等为自变量,以机组关键部位载荷作为输出变量,建立用于快速预测机组关键部位载荷的BP神经网络模型;然后基于多因素权重法对风电机组不同参数的影响权重进行分析,获得影响风电机组载荷的关键变量。结果显示:基于叶素-动量理论模型计算得到不同风况下风电机组关键部位载荷,然后设置合理的神经网络结构以及合适的神经网络参数,可以实现对不同风况下风电机组关键部位载荷的预测;对于叶根和塔底的平均载荷和极限载荷4个不同的变量,风速、空气密度、湍流强度、入流角、风切变、偏航误差角等参数影响的权重各不相同。     

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。     

基于混合Copula函数的风电机组异常识别方法

风电机组的功率曲线是衡量风电机组运行性能的重要指标,其中存在大量异常数据直接影响风电机组运行维护,研究功率曲线异常识别方法对提高风电机组运行稳定性具有重大意义.本文通过对功率曲线的特性分析,分三种工况建立了基于概率分布函数(Copula函数)的功率曲线异常数据识别模型及影响因素Kendall秩相关分析,从而确定了与功率...     

基于数据-模型融合驱动的新能源场站宽频阻抗在线辨识及稳定性评估

风电、光伏等新能源在电网中的渗透率不断提高,导致一系列宽频振荡问题。阻抗法是研究新能源并网系统宽频振荡稳定性的有效方法之一,然而由于商业化新能源机组的“黑/灰箱”问题、新能源场站运行状态的随机不确定性等因素,导致新能源场站的精确阻抗/导纳建模困难。为此,提出基于数据-模型融合驱动的新能源场站宽频阻抗/导纳在线辨识方法,针对输入随机不确定的新能源机组,采用数据驱动方法建立其覆盖整个稳态运行工况的宽频阻抗/导纳辨识模型,然后结合新能源场站的物理结构模型,构建数据-模型融合驱动的新能源场站宽频阻抗/导纳在线辨识模型。最后,以风电并网系统为例,利用建立的导纳辨识模型对风电并网系统的宽频振荡稳定性进行在线评估,并通过时域仿真验证稳定性在线分析的正确性。     

基于RF-GBDT的燃煤锅炉NO_x排放预测

针对某超超临界660 MW机组锅炉,建立了基于随机森林(RF)和梯度提升决策树(GBDT)算法的氮氧化物(NO_x)排放预测模型。从电厂SIS系统筛选得到历史运行数据中的稳态工况点,利用RF模型对数据特征进行筛选,并以选中特征作为输入变量建立基于GBDT的NO_x排放预测模型。与支持向量机(SVM)、RF等模型的对比表明基于RF的特征选择能提升模型性能;较于其他模型,RF-GBDT具有最高的NO_x排放预测精度。     

水电机组复杂工况振动信号多尺度清洗北大核心CSCD

水电机组振动监测信号常包含大量异常数据,严重影响机组健康状态评估与预测。为此,本文深入研究机组振动与工况的映射关系,提出了一种基于高斯混合模型和基于密度的噪点空间聚类算法(GMM-DBSCAN)的机组振动信号多尺度清洗方法。首先,采用DBSCAN初步清洗全工况内振动异常点,进一步采用高斯混合模型计算机组工况概率,并进行工况区间划分;在此基础上,以工况概率密度计算出各工况区内振动信号的DBSCAN密度聚类清洗的阈值,并清洗各工况区内振动异常数据。最后,基于瀑布沟水电站1年内运行工况和振动监测数据进行实例分析,异常数据清洗率达6.3‰。同时,通过人工模拟异常数据进行验证,结果表明,所提方法能够有效清洗出机组振动孤立离群点和密集异常点,为水电机组健康状态评估与预测奠定数据基础。     

风电场主设备预警诊断系统设计与开发

针对风电场环境恶劣,设备故障早期监测难且机组故障率高的问题,提出一种基于多参量建模与振动信号频谱分析的风电场主设备预警诊断方法。首先,采集风电场在线监测系统、点巡检系统、监控系统及其他系统中的结构化和非结构化数据,并根据设备特点和应用系统要求,对多源数据进行预处理和有效融合;然后,基于多参量建立预警模型,并通过预警模型输出与振动信号频谱分析实现对设备状态数据的趋势分析;最后,设计并开发预警诊断系统,展示设备预警信息、故障诊断结果与运维决策建议。风电场主设备预警诊断系统为风电机组智能在线监测提供了一种新思路,可实现设备故障提前预警,降低机组故障率,提高设备维护人员的工作效率。     

火电机组过程大数据建模方法研究

火电机组属于过程工业系统,常规大数据建模技术在该类系统中的应用具有一定的局限性。为此,本文以火电机组过程大数据为研究对象,首先分析火电机组过程大数据的特点及其进行大数据建模所面临的困难;接下来对现有国内外火电机组过程大数据建模方法及存在问题进行了分析;最后提出一种基于火电机组过程大数据的全工况自适应传递函数建模方法,该方法应用数据挖掘技术选取不同工况下的合格建模数据,通过云计算平台应用数据驱动传递函数建模方法建立全工况范围内大量的系统模型,再应用线性变参数及数学插值等算法对大量系统模型进行融合,最终获取系统全工况自适应传递函数模型。该建模方法将数据驱动传递函数建模与过程工业大数据进行了有益结合,为火电机组等过程工业大数据建模提供了一种较好的方法参考。     

风电机组出力状态数对含风电机组配电网可靠性影响

基于风速分布的ARMA、Weibull和指数平滑模型,建立风电机组的多状态出力模型,并对含风电机组的配电网可靠性进行评估。应用该算法对RBTS-BUS6测试系统进行可靠性评估,并对不同风速预测模型对可靠性评估的影响进行对比分析,分析了风电机组多状态出力模型状态数的变化对含风电机组配电网可靠性指标的影响,表明指数平滑模型对应的配电网可靠性指标准确度更高。     

考虑风储一体的多场景两阶段调度决策模型

考虑风电的波动性和随机性,将风电功率的不确定性引入含风电调度模型中,建立基于场景集的日前机组组合和日内经济调度滚动修正两阶段决策模型。应用场景集描述风电功率的不确定性,建立基于场景集的机组组合模型,同时考虑合理弃风和切负荷有利于系统的稳定经济运行,在日内修正模型中引入弃风量以及切负荷量作为松弛变量,提高了模型的收敛性。两阶段模型均包含了储能系统来平抑风电功率的波动。算例结果表明:该模型有效抑制了风电的不确定性影响,提高了调度决策的鲁棒性。     

超短期风电功率预测及其在安全稳定预警系统中的应用

随着风电穿透功率的不断提高,研究适用于在线安全稳定预警系统的超短期风电功率预测方法,并将其应用于超短期安全稳定校核功能,对于提高电网安全稳定性、提升电网接纳风电能力具有重要意义。基于ARIMA时间序列模型建立了超短期风电功率预测模型。结合在线系统对超短期风电功率预测算法的要求,讨论了白噪声扰动序列在线计算方法,以及模型对不同工况的适应性。探讨了所提方法在在线安全稳定预警系统中的应用功能。以宁夏电网风电场运行数据为研究对象,分三种工况对比了该方法与持续法预测效果,证明了该方法的有效性。