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Bi-LSTM和支持向量机的风机叶片短期覆冰状态预测模型

风机叶片覆冰灾害严重危害风电场安全经济运行,对风机叶片覆冰状态的预测是预防覆冰灾害的有效手段。针对传统覆冰状态预测方法精度较差问题,基于风电场SCADA监测数据,提出一种基于Bi-LSTM和SVM的风机叶片短期覆冰状态预测模型。首先,采用PCA对风机叶片覆冰状态监测特征指标进行降维,筛选可以反映风机叶片覆冰状态的特征指标;其次,基于大量历史数据,对Bi-LSTM和SVM模型进行训练,训练结果表明模型有较好精确度;最后,将多组实际数据集输入Bi-LSTM预测模型,预测输出值输入SVM模型,对风机叶片是否会出现覆冰故障进行判别。结果表明,所提方法可准确实现叶片覆冰状态预测,准确率可达95%。     

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。     

基于RBM和SVM的风电机组叶片开裂故障预测

针对风电机组SCADA监测数据的非线性、高冗余等特点,提出一种基于受限玻尔兹曼机(Restricted BoltzmannMachine,RBM)和支持向量机(SupportVectorMachine,SVM)的风电机组叶片开裂故障预测方法。利用RBM优异的特征学习能力,将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。将RBM的输出作为SVM的输入,构建RBM+SVM组合预测模型。利用训练集、验证集进行预测模型构建和参数微调。为验证提出模型的有效性,将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。实验表明,RBM+SVM的预测准确率为93.08%,与三组对比模型相比具有明显的优势。研究结果可为实际风电机组叶片开裂故障预测提供重要参考。     

结合随机森林和SVM的风机叶片结冰预测

风电领域里工作在严寒地区的风机结冰现象严重。材料、结构性能的变化以及低温环境引起的负荷变化威胁风机的发电和安全运行。文中提出结合随机森林和SVM的风机叶片结冰监测方法。主要采取递归特征消除随机森林的特征选择方法从原始风机数据集选择出有效特征,SVM对特征选择后的数据集进行训练,最后用Stacking结合策略融合SVM模型和随机森林模型。经试验结果表明,采取RFE-随机森林特征选择和SVM相结合的方法比未经过特征选择的SVM模型在分类精度上平均提高9.64%;采取Stacking结合策略融合SVM模型和随机森林模型,融合模型具有最好的准确率99.05%和泛化性。该方法可以实现对风机结冰有效预测且可理解性好,对风场操作人员维护风机具有指导意义。     

风机异常及缺失数据的填补方法研究

风机异常数据和缺失数据的识别和填补对于风机运行状态的评估和未来风速的预测具有重要意义。本文考虑到SCADA数据中某些风机可能存在异常数据和大量缺失数据的情况,首先对数据进行错误数据的识别剔除,再对缺失数据进行分类,对于个别不连续点缺失的情况进行均值填补;对于连续缺失并有旁侧风机数据参考的情况下,基于同时间段临近风机数据,先建立风向填补模型,绘制连续完整的风向数据,再分风向区间分别使用SVM方法建立风速填补模型;对于无旁侧风机参考状态下的缺失数据,使用NAR神经网络进行逐点填补。本文采用某风场实测数据进行数据验证,并与其他几种传统神经网络填补方法进行比较,测试结果表明本文提出的方法性能优于其他模型。     

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。     

基于PSO-SVM算法的风电机组结冰故障诊断

针对不平衡数据进行处理,结合自适应邻近的混合重取样的方法处理原始数据中小类数据,增加小类数据的有效实例;设计了一种基于相似函数的欠采样算法处理,减少大类数据的重复性数据,在不改变数据高信息性的情况下对数据降维,最后将特征数据导入到支持向量机中采用粒子群算法对参数进行优化。实验结果表明,特征量的提取在该模型中预测性能达到79.21%,在极限学习与随机森林（RF）算法中提升度为22.93%与48.83%,均有显著的提升,为风力机叶片结冰故障诊断提供了新的思路。     

大型汽轮发电机风扇静叶改型分析

采用轴向-径向通风的大型汽轮发电机多级轴流风扇静动叶片皆采用不锈钢材料,为进一步优化发电机结构,将静叶材料改为锻铝。受锻铝材料刚度和叶片生产工艺的影响,按原叶型生产的静叶容易发生变形,需对静叶叶型进行改型。采用NUMECA软件对叶片加厚和宽度减小两种静叶叶型的4级风扇气动性能进行了数值模拟,并与原风扇性能进行了比较。计算表明:叶片加厚方案气动性能更优,与原风扇相比,静压升只降低0.95%,对风扇在设计工作点的气动性能影响很小,改型方案可行。     

35 MW循环流化床锅炉二次风机节能改造

循环流化床锅炉机组因其具有的优良特点适应中国国情而得到了迅速发展,但与煤粉锅炉相比,其特殊的燃烧方式使其必须采用高压头的一次风机与二次风机,造成流化床锅炉电站厂用电率较高。为了提高某135 MW循环流化床锅炉二次风机的效率,对该风机进行了技术改造,即通过在该风机原有叶片中间增加小叶片的方式来提升其效率。改造前后风机性能测试数据表明,改造后风机的流量与效率提升明显,其转速越低,风机性能提高幅度越大。     

Improvement of approaches for simulating the thermal state of perforated blades used in high-temperature gas turbines

Application of 3D approaches for simulating the thermal state of blades during developed convective-film cooling are considered, the use of which makes it possible to describe experimental data on the depth of the blade metal cooling (cooling efficiency) with an error no more than 5% both in conjugate and semiconjugate statements.     

导叶形式对于两级动叶可调轴流风机的影响

为探究导叶形式和结构对轴流风机的影响,选取某两级动叶可调轴流引风机为研究对象,构建了不同的导叶结构方案,方案一是将所有短导叶变为长导叶;方案二是将空心导叶改为长导叶;方案三是所有叶片均为长叶片。采用FLUENT软件进行三维定常数值模拟,分析了不同方案下风机性能和内流特征,得到最优的方案。研究表明,方案三是将所有导叶变为长叶片,风机在设计流量下全压和效率达到最佳,较原结构分别提升3.8%和1.8%;减少了相邻叶片之间流体的掺混,一级静叶区和二级动叶区流场得到改善;第二级动叶总压升系数有较大提升,风机整体做功能力变强。     

风力机叶片的图像跟踪与识别算法研究

为及时发现、处理风力机叶片事故,提高风力发电的安全性和可靠性,针对中国现行风力发电的特点,采用图像跟踪技术,借助Adaboost算法对风力机叶片运行状态进行跟踪与识别研究,并提出了Adaboost算法缩短训练耗时间的改进方法。结果表明,改进后的算法可以减少训练分类器的时间,使跟踪、识别的实时性与准确性更为理想。     

基于模糊RBF神经网络的风电机组变桨控制研究

针对大型风力发电机变桨控制受外部干扰和参数变化大、造成输出功率不稳定的问题,提出一种智能控制的算法,在RBF神经网络基础上增加模糊算法,利用模糊RBF神经网络实时在线调整PID参数。当实际风速偏离额定风速时,科学调整风机桨距角,使风机所获得的空气动力转矩发生变化,从而在额定功率附近保持风力机输出功率的相对稳定。据此搭建了风电机组各模块的数学模型,并在MATLAB/Simulink上搭建了仿真模块。实验结果表明：基于上述的方法控制效果相比于传统PID控制和常规RBF神经网络PID控制,响应更快、风能利用系数性能超调更小、功率输出更稳定,更有利于风力发电机组的系统稳定性。