基于子空间线性二次高斯的风电机组控制性能量化评估

针对目前风电机组控制性能综合评估时缺乏量化标准与评估方法的问题,提出了一种基于子空间线性二次高斯(LQG)的控制性能量化评估方法,利用子空间矩阵法求解出评估权衡曲线,确立了风电机组LQG控制性能基准与评估指标。以增加塔架阻尼减载控制改造的机组作为评估算例,采用2种数据处理策略进行改造前、后变桨控制性能的多变量综合量化评估。结果表明:2种数据处理策略均可得到准确有效的量化评估结果,所提评估方法可以实现对控制策略优化效果的综合量化评价。

基于XGBoost-Bin自动功率极限计算的风电机组健康性能评估及预测

针对数据量较大情形下风电机组健康性能评估区域难划分、健康性能预测精度低等问题,提出基于XGBoost-Bin的自动功率曲线极限算法,建立考虑多数据特征的机组健康性能预测模型。提出一种基于XGBoost-Bin的曲线构建算法,获取表征风电机组运行状态的静态最优功率曲线;提出一种改进自动功率曲线极限计算的风电机组健康性能评估方法,以准确划分机组健康性能评估区域,并通过综合分析实际与理论静态最优功率曲线偏差、发电效能等指标评估机组健康性能;提出基于多数据特征广义回归神经网络的风电机组健康性能预测模型,以提升健康性能的预测精度。最后,以内蒙古塞罕坝风电场20台风电机组为例表明,与传统自动功率曲线极限计算方法相比,所提风电机组健康性能评估方法的评估准确度提升了0.1026,所提预测模型能够提升机组健康性能的预测精度,比传统随机森林预测模型R2提升了0.017。

PHM技术在液压伺服系统中的应用

为了提高液压伺服系统的可靠性和可用性,将故障预测与健康管理(PHM)技术应用到该系统中,并对其核心技术进行研究。重点研究在液压伺服系统的性能发生退化时对该系统进行的故障检测、健康评估及预测。对液压伺服系统PHM技术研究可为系统故障检测、退化评估和寿命预测的工程实践提供有力的理论支撑,并且PHM技术研究是故障诊断技术新的发展方向。最终,实验结果证明了该PHM技术在液压伺服系统故障诊断上的有效性和适用性。

基于改进K-means聚类算法与马尔可夫链的风机性能评估新方法

为解决常规风功率曲线法对风机发电性能评估时,因数据删除过多造成发电性能评估不准确的问题,提出一种基于改进K-means聚类算法与马尔可夫链的风机性能评估新方法。首先,使用改进的K-means方法对风机输出功率-风速散点图进行工况划分;其次,通过对比实验确定最佳聚类中心数目,使用马尔可夫链针对聚类后的数据建立状态转移矩阵,求出风机异常指数,据此分析引起风电机组发电效率下降的根源。应用实例表明,所提出的方法能够对运行风机的发电性能进行有效分析,可为风机发电效率的提升提供重要的理论参考。

计及信息不确定性的风电机组健康状态实时评估方法

运行工况识别作为风电机组状态监测与健康管理领域的重要环节,往往受到不确定信息以及高速实时数据流的影响,造成健康状态评估难以有效实施。在此背景下,文中提出一种基于Spark流式处理的健康状态实时评估方法。首先,采用大数据分析技术实现风电机组运行工况的空间划分;然后,在充分考虑风电机组监测信息不确定性的情况下,结合数据采集与监控(SCADA)历史运行数据,对基于高斯云模型和高斯云变换的健康状态评估模型进行训练,并以健康指数作为风电机组健康状态评估的指标。最后,将该评估方法应用在中国北方某风电场1.5 MW风电机组故障前的健康状态评估中。算例分析结果表明,该方法可监测到风电机组健康状态的变化趋势,初步实现了故障的早期预警。

基于性能可靠性的风电机组功率曲线评定新方法

针对在实际风电机组验收过程中基于功率曲线的考核评估非常困难的问题,利用中央监控系统的机组运行数据,进行了运行功率曲线的测量,并基于性能可靠性理论,根据制造商承诺功率曲线性能,构建了基于性能可靠度的功率曲线评估方法.利用该方法对北方某风电场5台机组的功率曲线进行了评估.结果表明:5台机组中,6号机组的可靠性最高,4号机组的可靠性最差;该方法评估准确、简单实用,为工程中功率曲线的评价提供了参考.

多传感器数据融合的风电齿轮箱性能衰退评估

针对风电齿轮箱传动结构复杂、所处工况恶劣,难以提取有效振动信号特征进行性能衰退分析的问题,提出多传感器数据融合的风电齿轮箱性能衰退评估方法。该方法将自适应完全集合经验模态分解(CEEM-DAN)、核主分量分析(KPCA)和Hotelling T2统计量相结合,先对风电齿轮箱全寿命的非线性、非平稳振动信号进行CEEMDAN-KPCA降噪处理,再利用KPCA对降噪后的多组振动信号进行融合分析,提取连续的T2值(C-T2)及其时域特征作为评估指标,建立风电齿轮箱性能衰退模型。实验结果表明,该方法对风电齿轮箱振动信号降噪效果显著,C-T2特征有效解决了多组振动信号特征维数膨胀问题,且C-T2时域特征模型比振动信号时域特征模型能更准确地评估风电齿轮箱性能的衰退过程。

基于KECA-GRNN的风电机组齿轮箱状态监测与健康评估

为及时准确地评价风电机组齿轮箱的健康程度,提出一种基于KECA-GRNN的性能监测与评估方法。该方法分为状态监测、故障预测、健康评估3个阶段。在状态监测阶段,将KECA算法应用到风电机组的性能监测中,并采用SPE统计量监测齿轮箱状态。在故障预测阶段,将KECA算法提取的主元数据作为GRNN模型输入,建立KECA-GRNN预测模型,并采用预测残差的变化趋势定义报警限,实现故障的早期预警。在健康评估阶段,将多变量预测残差进行融合,增强评估的可靠性。最后,将该方法应用于某风场一台1.5 WM风电机组在故障前近2个月的部分SCADA数据中,结果表明可提前2周获知齿轮箱发生异常,实现了对风电机组齿轮箱健康状态的准确评估。

基于风功率数据的风电机组性能预测与健康状态评估

为及时准确地预测风电机组整机性能,文章基于风功率数据提出了一种考虑工况波动的相似性度量算法,结合概率和模糊理论评估机组健康状态。该方法基于聚类思想对风功率数据进行数据预处理和工况划分,针对工况子空间的正常样本与测试样本,基于主成分分析法以第二主成分方向上投影变量的标准差作为样本相似性度量指标,依据概率不确定性融合得到综合健康状态指标,量化机组性能的退化程度。结合机组性能实际退化过程,依据模糊理论确定健康状态隶属度,基于隶属度最大原则和信度准则判断机组健康状态等级。将该方法应用于某具有小样本数据的实例中,可提前两周获知风电机组发生异常,对机组健康状态的过渡过程作出了准确评估,验证了所提方法的可行性。

基于多特征信息融合的风电机组整机性能评估

为解决风电机组单一健康状态模型可能发生误报的问题,提出一种基于信息融合的风电机组整机性能评估方法。首先改进了局部离群因子算法(LOF),用于筛选正常运行数据,使用Kendall相关系数进行参数选择,并基于深度信念网络(DBN)建立多个健康状态模型,提取实际运行数据与模型预测值的残差作为性能特征。再使用自组织映射神经网络(SOM)将残差空间映射到风电机组运行状态空间以实现信息融合,通过计算状态劣化指数来构建性能指标的方法,对风电机组进行性能评估。最后,通过实际的风电机组运行数据验证了所提方法的有效性。

风电机组效能和性能统一评估模型研究

风速和风向的不稳定、不确定性变化,使得风电机组难以保持稳定的风能转换状态,也直接导致了机组发电状态的不确定性。准确评估机组吸能与产能两种状态,对于制定生产、调度策略以及维护维修决策有着非常重要的意义。通过分析机组能量的转换过程,指出风电机组具有显性与隐性两种存在状态,并进一步研究风电机组效能和性能两种功能状态特性。采用云模型描述机组监测数据,应用云特征参数定量描述机组隐性状态的期望特性、偏离特性和离散特性,建立机组自有的、蕴藏在SCADA(Supervisory control and data acquisition,SCADA)数据中的、汇集机组效能与性能综合表现的隐性状态的评价模型。实现对机组不同风速、不同功率参数段局部评价和整个生产参数段整体综合评价,评估结果能为生产调度和维护维修决策提供依据,促进风电场科学、优化管理。最后,采用风电场现场监测数据验证算法的正确性和可靠性。