针对风电机组变频器故障时常伴随剧烈温度变化的特点,本文提出一种基于VMD-Informer-LOF算法的故障检测方法。方案综合考虑风机状态变量对变频器的影响,利用变分模态分解(variational mode decomposition,VMD)提取电流电压等电信号的平...针对风电机组变频器故障时常伴随剧烈温度变化的特点,本文提出一种基于VMD-Informer-LOF算法的故障检测方法。方案综合考虑风机状态变量对变频器的影响,利用变分模态分解(variational mode decomposition,VMD)提取电流电压等电信号的平稳变化分量与高频干扰噪声,并结合排列重要性(permutation importance,PI)筛选对温度具有高灵敏性的变量。同时,基于故障时温度呈现为过低温或过高温的特点,将Informer预测温度值和SCADA(supervisory control and data acquisition)系统实测值重组为二维序列,结合局部离群因子(local outlier factor,LOF)算法识别变频器不同状态下的温度模式,进而实现高效的异常识别。经实验验证,本文所提出的VMD-Informer模型的温度预测拟合优度能够达到0.9841,效果优于LSTM(long short term memory)、XGBoost(extreme gradient boosting)等时序预测方法;同时,结合滑动窗口划分数据,LOF算法能够有效地对窗口内异常数据进行识别,在故障率阈值为0.2的情况下,能够实现提前约14小时发现故障,显著提高了故障预警效果。展开更多
文摘针对风电机组变频器故障时常伴随剧烈温度变化的特点,本文提出一种基于VMD-Informer-LOF算法的故障检测方法。方案综合考虑风机状态变量对变频器的影响,利用变分模态分解(variational mode decomposition,VMD)提取电流电压等电信号的平稳变化分量与高频干扰噪声,并结合排列重要性(permutation importance,PI)筛选对温度具有高灵敏性的变量。同时,基于故障时温度呈现为过低温或过高温的特点,将Informer预测温度值和SCADA(supervisory control and data acquisition)系统实测值重组为二维序列,结合局部离群因子(local outlier factor,LOF)算法识别变频器不同状态下的温度模式,进而实现高效的异常识别。经实验验证,本文所提出的VMD-Informer模型的温度预测拟合优度能够达到0.9841,效果优于LSTM(long short term memory)、XGBoost(extreme gradient boosting)等时序预测方法;同时,结合滑动窗口划分数据,LOF算法能够有效地对窗口内异常数据进行识别,在故障率阈值为0.2的情况下,能够实现提前约14小时发现故障,显著提高了故障预警效果。
