基于SCADA数据协同的风力机故障检测与控制

为了在不停机的前提下,安全可靠地对齿轮箱进行故障检测,并实现风力发电机在齿轮箱故障工况下的容错控制运行,提出一种基于标准数据采集与监视控制(SCADA)数据协同的风力机故障检测与控制方案。介绍了风力发电机的系统模型与SCADA解决方案框架,通过回归建模、异常分析和集成学习对风力发电机系统进行故障检测并获得健康指标;借助模糊逻辑控制对风力发电机的输出功率进行降额控制,从而实现风力发电机在齿轮箱故障工况下的容错控制运行,最后进行仿真实验,并将仿真结果与一个实际运行的2 MW风力发电机系统进行对比。实验结果表明:该故障检测与容错控制方案可以有效地对齿轮箱进行故障检测,并在存在故障时适当对风力发电机的输出功率进行降额控制,从而降低叶片和塔架承受的应力,并有效降低了齿轮箱轴承和润滑油的温度。

基于SCADA数据驱动的海上风电机组运行状态诊断方法

传统海上风电机组运行状态诊断方法直接对异常数据进行判定,未对海上风电机组运行数据进行预处理,造成传统方法诊断精准度较低。提出基于SCADA数据驱动的海上风电机组运行状态诊断方法。实验结果表明该研究方法相比于传统方法诊断精准度更高,具有更好的诊断效果。

基于SCADA数据特征提取的风电机组变桨轴承状态识别

针对风电机组变桨轴承磨损和断裂两种主要故障类型,基于机组SCADA数据分析,利用Relief-F特征参数提取,得到了变桨轴承故障主要的特征参数。再通过PCA主成分分析法对SCADA数据进一步除杂和优化,减少了输入样本的误差和数量。最后,运用ELM学习机对变桨轴承磨损和断裂状态进行识别,结果表明该方法能够准确识别变桨轴承状态,其准确率和诊断速率也明显高于常用的BP神经网络学习和SVM支持向量机。

基于实测SCADA数据的大型海上风电机组尾流激振现象

对引起风电设备机组振动的相关因素展开研究,基于不同工况下海上风场实测SCADA秒级数据展开处理与分析,发现机组振动水平随尾流区内湍流强度增加而增加,但湍流强度并非引发机组振动超限的直接原因。结合典型故障时刻下高频采样数据进行时频域分析,排除叶轮转动频率与系统固有频率重合引发共振这一原因,推测机组振动超限可能与前排机组尾流中的脉动频率相关。

基于SCADA数据风电机组发电性能评价研究

从发电机组运行的数据声场角度出发,建立风电机组发电性能评价体系,从功率曲线、风性能、发电量数据、时间利用率4个角度,开展风电机组的性能评估,分析机组的可靠性、偏航性能、变桨性能指标,监测风电机组的运行状态。根据风电机组的SCADA数据,明确风电机组性能评价的流程,建立评估模型,最终取得风电机组发电性能状态指标。最终结果表明,功率曲线值保证值在95%以上,偏差角度平均值在-4.2°左右,限电实际电力占比在10%左右,时间利用率为58.2%左右。因此,风电机组的发电性能有待提升,存在保证值偏低、误差品行角度较高、发电量损失较大、时间利用率较低问题,需要对硬件进行检修,避免风电机组高频故障问题,确保风电机组各项发电性能指标符合要求。

基于SCADA数据的电网故障和异常智能分析的辅助决策系统

为了有效制定辅助决策、明确电网事故原因、帮助调控人员解决故障和异常事故,设计基于SCADA数据的电网故障和异常智能分析的辅助决策系统。利用数据库处理SCADA数据,建立SCADA数据库,业务逻辑层通过ArcGIS Engine组件技术实现辅助决策系统内各模块间的数据交互,应用层中故障和异常诊断模块以电网内断路器与继电保护等状态信息为适配指标,并将其当成目标函数,建立电网故障和异常诊断模型,通过带自适应变异的粒子群优化算法求解该模型,获取电网故障和异常诊断结果,通过辅助决策模块智能分析故障和异常诊断结果,确定事故原因,制定事故处理的辅助决策。实验证明:该系统可精准采集SCADA数据;不同通信轮次时,所提出的系统数据传输的网络节点平均剩余能量较高,数据传输能耗较低;在不同故障和异常情况下,系统均可精准诊断故障和异常情况,有效智能分析事故原因,制定合理的辅助决策。

风电场SCADA数据预处理方法及评价策略

为了从SCADA数据中获得更明确的物理信息,更好地判断风电机组运行状态,分别将常规平均数法、最小二乘法和该文提出的非参数法(核密度-均值法)用于风电场SCADA数据预处理。建立风电场SCADA数据预处理算法的3个评价指标,包括物理特性一致性、采样时间变化稳健性及采样频率变化稳健性。设计评价指标定量计算公式,用以评价各种预处理算法效果,计算结果表明非参数法(核密度-均值法)能够获得更好的预处理效果。最后,基于核密度-均值法对全工况风电机组SCADA数据进行预处理,分析风电机组运行特性,包括风速与输出功率、轮毂转速的关系以及风能利用系数。

基于SCADA数据和单分类简化核极限学习机的风电机组发电机状态监测

为了检测风电机组发电机异常,减少由故障引起的机组停机事件的发生,提出一种基于数据采集与监控系统(SCADA)数据分析和单分类简化核极限学习机(OC-RKELM)建模的发电机状态监测方法。首先,在风电机组SCADA数据中选取与发电机健康状态相关的特征,参照风电机组的性能特性同时结合局部异常因子算法对数据进行清洗;其次,利用机组历史正常的行为数据训练OC-RKELM模型,探明机组正常工作的行为规律,进而基于该模型在线监测发电机运行状态,当其工作异常时及时实现预警;最后,与其他单分类方法进行了对比分析,并利用t-SNE可视化技术对所提方法的分析结果进行了验证与评估。结果表明:OC-RKELM具有较好的健康状态监测效果,比其他单分类方法能更早发现风电机组发电机工作异常。

基于SCADA数据的风力发电机组振动监测与分析

风机在实际运行时,受风特性和控制策略、制造安装误差等因素影响经常出现振动超限报警甚至停机等工程问题。通过风特性建模,以及提取风电场海量的SCADA数据,运用数据修正等统计方法对SCADA数据中蕴含的丰富内容进行分析,研究了风速统计平均值、湍流强度以及风轮转速统计平均值对风机振动的影响关系。结果表明,相关各量对风机振动的影响差异明显。可为风电场SCADA数据分析、风机运行状态评估及现场维护等提供有益参考。

基于SCADA数据的实时监测电网低频振荡算法

提出基于SCADA(supervisory control and data acquisition)数据实时检测电网低频振荡的算法和实现方法,使用现有的SCADA、RTU(remote terminal unit)、通信等资源,实时检测电网低频振荡的问题得到了较好的解决,南方电网的生产运行实践证明该方法是可行的。

基于SCADA数据的实时定位电网低频振荡扰动源算法及其实现

低频振荡是电力系统中发生频繁、对系统稳定运行造成严重影响的一类事故。提出基于数据采集与监视控制(SCADA)数据实时定位低频振荡扰动源的算法,并在EMS系统中开发了振荡源实时搜索软件。该软件多年来实际运行测试表明,所提出的算法能够迅速确定电网中低频扰动源,对发生在南方电网的多次低频振荡发出了告警。此外,该算法不需要部署相角测量装置(PMU)进行数据采集,可以节省大量投资。

提高地区电网调度SCADA数据实时性和可靠性的研究

该文以金华电网调度SCADA系统为背景,分析了地区电网调度SCADA数据实时性和可靠性降低的原因;指出了地区电网调度SCADA系统采用传统远动方式直接采集变电站数据的模式存在的一些不足之处。提出采用新技术、新方法改变原有的数据采集模式和采集方式,提高调度SCADA数据的实时性和可靠性,消除电网运行的安全隐患,并且节省资源、降低维护工作量。该项研究成果已实际应用于金华电网,并取得了良好的实用效果。

运用SCADA数据分析预测风电设备的健康状况

风力发电是目前发展最快、应用最具前景的新能源发电技术，随着风电机组装机容量的日益增加，如何降低风电的运维成本、提高设备可靠性，成为业界越来越关心的问题。本文就如何通过分析风电场的SCADA数据预测风电设备健康状况进行了探讨，介绍了几种国内外先进的SCADA数据分析方法，并对其中一种基于最小二乘法的误差计算方法作了着重介绍。

基于SCADA数据分析的风机变桨故障诊断

为了及时有效地检测出风电机组的变桨故障,同时避免传统故障诊断方法的局限性,该文基于某风场的海量SCADA数据,选择与变桨故障密切相关的3个参数:风速、桨距角和功率进行研究。首先,利用一种有效的数据预处理方法来处理SCADA原始数据并提取出能够反映故障信息的特征值。然后,基于分析SCADA数据之间的相关性研究变桨故障诊断方法。最后,通过实验验证了此方法不但可以有效地对风电机组进行变桨故障诊断而且可以判断出2种常见的变桨故障类型。

融合SCADA数据的风电机组齿轮箱状态评估

为对风机齿轮箱状态进行准确评估,提出一种基于核主成分(KPCA)与最小二乘支持向量机(LS-SVM)结合的齿轮箱数据融合故障预测模型。鉴于SCADA系统中数据信息质量的不确定性和冗余性,该模型首先对监测数据预处理(4分位法剔除异常数据等),对齿轮箱特征因素进行相关性分析,利用该预测方法对齿轮箱典型状态特征(振动、温度特征等)进行预测,利用统计过程控制原理(SPC)分析残差,以实现齿轮箱异常状态的预测。最后,以齿轮箱油温预测为例,验证了该模型的准确性和有效性。

基于SCADA数据和改进BP神经网络的塔筒应力预测

针对风电机组载荷监测中应变片寿命短的缺陷,基于风电场海量状态监测数据,利用遗传算法和粒子群算法对BP神经网络进行改进,建立塔筒应力预测模型,并通过综合相关系数实现输入参量的有效选择。仿真结果表明,改进后的GA-BP神经网络预测模型和PSO-BP神经网络模型,预测结果的最大、最小相对误差等指标均比BP神经网络预测模型好;GA-BP神经网络预测模型的塔筒应力预测平均误差为7.04%,相对BP神经网络预测结果误差减少了4.38%,预测精度满足工程需求。所提出的方法建立风电场海量监测数据和塔筒应力数据之间的有效关系模型,可为风电场长期有效的载荷监测提供新的手段。

基于SCADA数据的风机叶片结冰检测方法

针对工作在寒冷地区的风机易出现的叶片结冰现象,提出一种基于SCADA数据的风机叶片结冰检测方法。根据叶片结冰会增大发电机的功率损耗,选择风速与网侧有功功率2个变量,利用主成分分析技术构造对叶片结冰敏感的风速与网侧有功功率在非主成分方向投影特征,通过选择最优阈值使逻辑回归分类器适用于不平衡分类,可以实现风机叶片结冰检测自动化与智能化。通过中国工业大数据创新竞赛数据验证了该方法的有效性。

基于SCADA数据的风力发电机组振动的相关性分析与研究

风力发电机组的振动信号是反映机组各旋转部件运行状态的重要参数,通过分析影响机组振动的因素,可为减少机组振动、降低故障率、状态检修等提供理论依据。通过对风电场SCADA数据进行筛选,去除无效数据,然后利用相关性分析,找到与机组振动有关的因素。分析发现,与机组振动相关程度较高的因素有风速、风轮转速、桨距角和发电机转速。应用数据的散点图进行分析,发现当机组处在不同的风速段时,影响机组振动的因素不同。

一种基于风功率曲线的SCADA数据清洗方法研究

风机SCADA数据在风机状态评估和性能预测中具有重要作用。在风机实际运行过程中,人为操作失误以及传感器等设备故障可能导致SCADA数据中存在大量异常,给后续的评估和预测带来较大干扰。文章基于风机SCADA数据中风速-功率散点图的分布特征和形态,以及标准风功率曲线的风速-功率对应关系,提出了一种改进的一类支持向量机(OCSVM)方法来进行异常数据清洗。通过选取东北某风电场的同类型风机进行SCADA数据清洗验证,并与四分位法、局部异常点检测算法(LOF)、孤立森林算法(IF)的清洗结果进行了对比。对比结果表明,本文提出的方法对异常点的清洗效率更高,清洗结果更接近标准风功率曲线,且具有较好的通用性。

基于SCADA数据的风电场故障预警

针对风电场故障预警研究,首先基于NJW(Ng-Jordan-Weiss)谱聚类和动态时间规整算法结合,对风场内风机进行机群划分,然后对某一机群中任意一台风机使用Elman神经网络建模来代替一个机群内所有的单机模型,最后将模型预测误差与滑动窗口技术结合,确定机组正常运行阈值,判断同一机群内其他机组所处运行状态。以河北风场SCADA数据为实例进行故障预警,结果显示该风场可以划分为3个机群,对机群1其中一台风机进行建模,另一台风机进行故障预警验证,结果显示该模型可以提前11 h预警故障。采用该方法可以有效简化风电场故障预警的复杂性,帮助运维人员提高工作效率,对智慧风场的推进具有积极意义。