基于动态矩阵与特征相似度的AAKR风电机组状态监测

针对传统自组织核回归(AAKR)模型所选记忆矩阵冗余度较高、无法根据在线数据实时更新、计算相似度时未考虑特征参数权值不一的问题,提出一种基于动态矩阵与特征相似度的自组织核回归(DM-FS-AAKR)风电机组状态监测方法。首先基于样本间距离对原始数据集去冗余以降低运算复杂度,形成待选数据集;其次基于k-最近邻算法选取最符合当前运行条件的历史数据构建动态矩阵;为克服相似度计算时不良参数的偏差污染,提出一种特征相似度计算方法为不同参数分配相应权值进一步提高预测精度;最后以河北某风电场SCADA数据为例,对机组故障停机前工况进行验证实验。结果表明,相比于传统AAKR模型,所提算法平均绝对误差降低约15.6%,故障预警时能够提前35天实现预警,具有较高精度和实时性。

基于AAKR模型的船用低速柴油机状态监测方法

针对船用二冲程低速柴油机运行状态监测,本文分析现有的柴油机状态监测方法,并指出现有方法的不足之处。提出基于AAKR模型的柴油机状态监测方法,同时阐述AAKR模型的原理。该方法具有无需故障数据、无需对模型进行训练与调参、高效快捷等优点。本文建立柴油机仿真模型,通过对柴油机模型进行模拟状态监测实验,证明基于AAKR模型的柴油机状态监测方法的有效性,最后讨论不同带宽的选择对模型性能的影响。该方法无需故障数据的特性使其具有更强的普适性,可广泛应用于船舶柴油机的在线状态监测和预警。

基于加权AAKR算法的发电设备状态预警技术研究

针对发电设备的状态监测问题,引入加权AAKR算法建立了设备的状态估计模型,通过四重交叉验证学习机制对模型进行优化,并提出了完整的实时状态预警方案。为提高历史状态矩阵的信息量,提出了主参数等间隔划分结合多参数聚类的历史存储矩阵构建方法。以某600 MW机组的送、引风机为例,采集实际运行数据进行验证计算,结果表明:基于加权AAKR算法的状态估计模型在正常状态下能够对监测参数进行准确的估计,在部分测点失效的情况下模型不仅能够及时给出预警信号,而且能够抑制异常值的残差污染,维持稳定的估计跟踪能力。

基于稳健状态估计的设备状态预警研究

针对发电机组设备的状态监测问题,采用改进的自联想回归(AAKR)算法建立设备的状态预警模型。将稳健距离算子代替马氏距离算子,提高自回归模型的稳健性和抗污染能力。将聚类思想应用于距离划分,提出一种基于聚类的变间隔状态矩阵提取方法,并给出具体的实施步骤。采用四重交叉验证学习机制,在训练过程中对模型参数进行优化,获得最优的状态监测模型。以某600 MW机组一次风机为例建立状态参数估计模型,DCS实际运行数据和仿真计算结果表明,改进后的稳健状态估计方法在维持较高准确性的前提下,能够大幅提高模型的稳健性,具有较强的抗污染能力。这样在设备故障早期就能给出相关预警信号,为设备的状态检修提供理论依据。

自组织核回归风电机组功率曲线建模与应用研究

首先采用偏最小二乘方法确定对风电机组输出功率有较大影响的变量。采用自组织核回归(AAKR)方法建立多变量功率曲线模型并进行验证,与传统单风速输入功率曲线模型相比该方法建模精度显著提高。应用滑动窗口方法对功率曲线模型的功率预测残差进行分析,及时准确地发现功率的异常变化。以一台变桨系统出现桨距角卡涩导致输出功率异常的风电机组实际运行数据,验证所提方法的有效性。