基于DBSCAN和SDAE的风电机组异常工况预警研究

提出一种基于密度的聚类方法(DBSCAN)和堆栈式降噪自编码器(SDAE)结合的风电机组性能预测及异常运行工况预警方法。首先采用DBSCAN算法对机组监控与数据采集(SCADA)系统历史运行数据进行清洗,然后利用SDAE建立风电机组的正常运行性能预测模型。基于该模型,采用时移滑动窗口方法构建能准确反映风电机组异常状态的识别指标,并根据统计学区间估计理论合理确定指标阈值,以实现异常工况预警。采用某风电机组的真实历史运行数据进行故障重演试验。结果表明:该方法能够在故障发生前及时对风电机组的异常运行工况发出预警,验证了该方法的有效性。

基于随机搜索算法优化XGBoost的过热汽温预测模型

建立过热器汽温对象的高精度性能预测模型,是实现过热汽温智能优化控制的基础。为此,针对某600 MW超临界机组仿真系统的历史运行数据,采用机器学习中的XGBoost(eXtreme Gradient Boosting)回归模型建立过热器汽温特性的预测模型,并分别采用网格搜索算法和随机搜索算法对模型参数进行优化。通过比较两种优化模型的预测效果,结果表明:随机搜索算法可以进行多个参数组合寻优,收敛速度快,全局寻优的效果更好,优化后的过热汽温模型具有更好的预测精度和泛化能力。

北黄海南部近岸海域表层沉积物稀土元素分布特征及影响因素

根据北黄海南部近岸海域52个站位表层沉积物和7条主要入海河流沉积物样品粒度和稀土元素(REE)测试结果,分析了研究区沉积物粒度和稀土元素含量的平面分布特征,并探讨了稀土元素分布的影响因素。结果表明,研究区表层沉积物大致呈由近岸向海粒度变细的特征。研究区稀土元素含量普遍高于长江、黄河和中国黄土等地区,总体呈轻稀土富集、重稀土亏损的特点。稀土元素的含量及分布特征受粒度特征、矿物成分、风化作用及物质来源等多种因素影响,其中,矿物成分对研究区稀土元素的影响较为显著,稀土元素的高含量可能与陆源碎屑矿物(长石类矿物、含钛矿物等)的富集有关;粒度的影响主要反映在重稀土元素更容易富集在细粒组分含量较高的沉积物中;风化作用对稀土元素的影响主要是通过多种物源混合完成。研究区稀土元素所指示的物质来源以黄河为主。

基于网格搜索优化ERF模型的风电机组异常状态预警

提出一种基于网格搜索优化(GS)极端随机森林(ERF)模型的风电机组性能预测及异常状态预警方法。首先,采用离散度分析法清洗噪声和异常工况数据,以获取建模用正常运行状态数据。其次,通过分析风机运行与控制原理,选取与转速和功率具有较高相关度的特征参数作为模型输入,完成预测模型训练和验证,并对比ERF模型与其它几种模型的建模效果。最后,基于滑动窗口算法确定窗宽为10 min,增量为1 min,计算窗内数据的平均绝对误差作为状态指标,采用非参数估计确定发电机转速阈值为33.78,有功功率阈值为55.07。借助某风电机组真实历史运行数据和故障样本,验证异常状态预警方法,结果表明,该方法能够对即将发生的故障进行检测,预警时间比实际故障时间有效提前。

基于XGBoost建模及改进灰狼优化算法的再热汽温预测优化控制

为改善燃煤机组频繁变负荷过程中再热汽温的控制效果,提出一种基于机器学习的再热汽温预测优化控制方法。首先利用机组变负荷历史运行数据和XGBoost算法进行再热汽温特性建模,并采用随机搜索算法对模型参数进行优化以提高其预测精度。以最终的模型为基础,采用改进的灰狼优化算法(IGWO)对烟气侧再热挡板开度和蒸汽侧喷水减温阀指令进行实时寻优,实现再热汽温的预测优化控制。利用仿真机进行优化控制仿真试验。试验结果表明:采用智能预测优化控制方案可有效改善再热汽温控制效果,明显减少减温喷水用量,有助于提高机组的经济性。