文中首先聚焦于风电机组桨叶零位偏移故障,利用GH-Bladed风机仿真软件仿真不同工况下的桨叶零位偏移,研究零位偏差对运行机组叶轮转速、叶根弯矩的影响,并采用风电机组轴向加速度1P谐波幅值和3P谐波幅值之比拟合桨叶零位偏差判定曲线图...文中首先聚焦于风电机组桨叶零位偏移故障,利用GH-Bladed风机仿真软件仿真不同工况下的桨叶零位偏移,研究零位偏差对运行机组叶轮转速、叶根弯矩的影响,并采用风电机组轴向加速度1P谐波幅值和3P谐波幅值之比拟合桨叶零位偏差判定曲线图,构建桨叶零位偏差判定模型。再基于神经网络技术,分析机组实际运行数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)历史数据,完成变桨故障特征提取和数据分析处理,训练添加注意力机制的长短期记忆神经网络(Long Short-term Memory Neural Network,LSTM)模型,构建AT-LSTM变桨健康状态预测模型,并从多个分类模型指标,将AT-LSTM与循环神经网络(RNN)和长短期记忆神经网络(LSTM)进行对比,证明了添加注意力机制对于神经网络带来的提升。展开更多
针对传统风电功率预测仅考虑气象因素,且无法计及风电机组真实出力状态导致预测精度较差问题,本文提出一种计及风机状态的超短期风电功率动态预测方法。首先,为能够精确评估风机状态,将BP(error back propagation, BP)算法引入层次分析...针对传统风电功率预测仅考虑气象因素,且无法计及风电机组真实出力状态导致预测精度较差问题,本文提出一种计及风机状态的超短期风电功率动态预测方法。首先,为能够精确评估风机状态,将BP(error back propagation, BP)算法引入层次分析法(analytic hierarchy process, AHP)的评估结构中,构建BP-AHP风机状态评估模型,实现单台风机状态评估;然后,综合考虑地形及机组排布等因素,将风电场所有风机的状态取均值作为风电场状态,利用皮尔逊相关系数衡量所评估状态与功率之间的相关性以验证评估模型合理性,并采用XGBoost构建计及风机状态的动态预测模型;最后,以陕西地区某风电场实测数据进行算例分析,验证了所提方法的可行性及有效性。展开更多
提出一种基于广义回归神经网络(generalized regression neural network,GRNN)的风力发电机组性能预测及异常状态预警方法。通过分析运行中影响风机主轴转速和发电功率的主要因素,确定了性能预测模型的输入和输出参数。运用监控与数据采...提出一种基于广义回归神经网络(generalized regression neural network,GRNN)的风力发电机组性能预测及异常状态预警方法。通过分析运行中影响风机主轴转速和发电功率的主要因素,确定了性能预测模型的输入和输出参数。运用监控与数据采集(supervisory control and data acquisition,SCADA)系统的真实历史数据,采用广义回归神经网络(GRNN)建立了风电机组的性能预测模型,通过比较模型的预测精度对GRNN的平滑因子进行了优选。以此模型为基础,采用滑动数据窗方法实时计算风电机组转速和功率的残差评价指标,当评价指标连续超过预先设定的阈值时,则可判断风电机组状态异常。采用某实际风电机组若干历史故障发生前后的真实SCADA数据进行模拟,验证了方法的有效性。展开更多
为提高风电机组系统的运行效率和稳定性,提出一种基于数据驱动的风电机组能效状态分析方法,实现对机组异常状态的高效检测与预警。首先从损耗与效率的角度出发,开展各因素对机组能效的影响分析,考虑到系统各部件能量损失主要体现在热量...为提高风电机组系统的运行效率和稳定性,提出一种基于数据驱动的风电机组能效状态分析方法,实现对机组异常状态的高效检测与预警。首先从损耗与效率的角度出发,开展各因素对机组能效的影响分析,考虑到系统各部件能量损失主要体现在热量方面,因此以温度参数为依据,建立基于能量流的能效状态指标体系。然后利用风电机组数据采集与监视控制(supervisory control and data acquisition,SCADA)系统采集数据,确定各参数基准区间,构建指标偏离度矩阵,利用改进的鲸鱼算法(improved whale optimization algorithm,IWOA)优化支持向量机,实现对能效异常状态的检测。同时引入能效异常指数来表征机组能效变化情况,利用自回归滑动平均模型-支持向量机(autoregressive moving average model-support vector machines,ARMA-SVM)组合模型实现能效的时间序列预测。最后以1.5 MW双馈异步风电机组为研究对象开展算例分析。结果表明该方法能够实现对能效异常状态的有效检测和预警,为风电机组的性能优化与故障分析提供了必要的决策参考。展开更多
文摘文中首先聚焦于风电机组桨叶零位偏移故障,利用GH-Bladed风机仿真软件仿真不同工况下的桨叶零位偏移,研究零位偏差对运行机组叶轮转速、叶根弯矩的影响,并采用风电机组轴向加速度1P谐波幅值和3P谐波幅值之比拟合桨叶零位偏差判定曲线图,构建桨叶零位偏差判定模型。再基于神经网络技术,分析机组实际运行数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)历史数据,完成变桨故障特征提取和数据分析处理,训练添加注意力机制的长短期记忆神经网络(Long Short-term Memory Neural Network,LSTM)模型,构建AT-LSTM变桨健康状态预测模型,并从多个分类模型指标,将AT-LSTM与循环神经网络(RNN)和长短期记忆神经网络(LSTM)进行对比,证明了添加注意力机制对于神经网络带来的提升。
文摘提出一种基于广义回归神经网络(generalized regression neural network,GRNN)的风力发电机组性能预测及异常状态预警方法。通过分析运行中影响风机主轴转速和发电功率的主要因素,确定了性能预测模型的输入和输出参数。运用监控与数据采集(supervisory control and data acquisition,SCADA)系统的真实历史数据,采用广义回归神经网络(GRNN)建立了风电机组的性能预测模型,通过比较模型的预测精度对GRNN的平滑因子进行了优选。以此模型为基础,采用滑动数据窗方法实时计算风电机组转速和功率的残差评价指标,当评价指标连续超过预先设定的阈值时,则可判断风电机组状态异常。采用某实际风电机组若干历史故障发生前后的真实SCADA数据进行模拟,验证了方法的有效性。
文摘为提高风电机组系统的运行效率和稳定性,提出一种基于数据驱动的风电机组能效状态分析方法,实现对机组异常状态的高效检测与预警。首先从损耗与效率的角度出发,开展各因素对机组能效的影响分析,考虑到系统各部件能量损失主要体现在热量方面,因此以温度参数为依据,建立基于能量流的能效状态指标体系。然后利用风电机组数据采集与监视控制(supervisory control and data acquisition,SCADA)系统采集数据,确定各参数基准区间,构建指标偏离度矩阵,利用改进的鲸鱼算法(improved whale optimization algorithm,IWOA)优化支持向量机,实现对能效异常状态的检测。同时引入能效异常指数来表征机组能效变化情况,利用自回归滑动平均模型-支持向量机(autoregressive moving average model-support vector machines,ARMA-SVM)组合模型实现能效的时间序列预测。最后以1.5 MW双馈异步风电机组为研究对象开展算例分析。结果表明该方法能够实现对能效异常状态的有效检测和预警,为风电机组的性能优化与故障分析提供了必要的决策参考。
