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。