基于四分位与CFSFDP的风电机组异常数据清洗方法

在分析风机功率曲线异常数据的类型及产生原因的基础上,将异常数据划分为堆积型和离散型;在进行简单的异常数据剔除后,分别利用四分位–快速密度峰值聚类、快速密度峰值聚类–四分位这2种不同的组合方法进行数据清洗。将取自数据采集与监视控制系统的4台风机历史运行数据用于实验验证,并采用数据剔除率以及相关性指标来判断异常数据的清洗效果。实验结果表明所提算法可行、有效。

基于CFSFDP与LightGBM的风电机组异常状态预警研究

提出一种基于快速密度峰值聚类(CFSFDP)和LightGBM模型结合的风电机组异常状态监测方法。首先采用CFSFDP算法对风电机组监控与数据采集(SCADA)数据中的异常工况数据与噪声数据进行清洗;之后利用贝叶斯优化算法搜索LightGBM的最优超参数并建立风电机组正常运行工况预测模型。针对风速随机性的特点,利用时移滑动窗口方法构建异常状态识别指标,并结合核密度估计法计算指标阈值以实现异常工况预警。应用某风场的真实历史故障数据进行实验,结果表明LightGBM预警模型能在故障发生前对风电机组的异常工况进行及时正确的预警,验证了方法的有效性。

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。