论文部分内容阅读
近些年来风电在世界范围内得到了飞速的发展,已经成为我国第三大发电来源。风电机组作为风电场最关键的设备,常工作在气候多变、环境恶劣的自然条件下,高达20%-35%的运行和维护成本严重影响着风电场的经济效益,制约着风电行业的发展。数据采集与监视控制(Supervisory control and data acquisition,SCADA)系统是风电机组常用的运行状态监测系统,但SCADA数据易受自然条件和运行工况影响,其所包含的大量风电机组状态信息难以被直接利用。本文在研究了风电机组结构、原理的基础上,充分挖掘风电机组SCADA数据,开展了基于数据驱动和机器学习算法的风电机组状态参数异常检测及整机运行状态评估方法的研究,论文主要内容如下:首先,研究了风电机组的运行原理及SCADA系统。充分掌握了风电机组构成、运行原理、各部件故障统计信息等。研究了风电机组的SCADA系统及其监测参数,对风电机组的状态参数进行了定义和分类。结合风机运行工况和建模需求,确定了预测模型样本数据的选择和归一化处理方法,为后续的研究提供了数据基础。其次,针对传统输入参数选择方法缺乏科学合理性、未能考虑参数间冗余度的问题,从相关性分析和预测模型的角度考虑,分别建立了基于最大信息系数(Maximal information coefficient,MIC)和基于反向传播神经网路(Back propagation neural network,BPNN)的预测模型输入参数选择模型。对比表明,基于BPNN的参数选择方法能在保证预测模型精度更高的前提下,进一步降低输入数据间的冗余度和模型的复杂程度。第三,研究了风电机组状态参数异常检测模型。分别建立基于BPNN、最小二乘支持向量机(Least squares support vector machines,LSSVM)和遗传算法(Genetic algorightm,GA)优化的BPNN状态参数的预测模型,并对比分析了各模型的精度。最后,通过滑动窗口统计方法计算预测参数的残差、均方误差(MSE),基于“3?原则”设定其阈值,建立了基于残差和MSE的双重指标异常检测模型。实例分析表明,滑动窗口统计方法能够消除随机因素造成的影响,降低异常检测模型的误判率,本文提出的异常检测方法能够有效地实现状态参数的异常检测,及早地预知机组故障。最后,构建了基于劣化度指标和极限学习机(Extreme learning machine,ELM)的风电机组状态评估模型。考虑风机运行工况对不同评估指标的影响,将评估指标分为两类,对第一类指标进行了函数拟合并求得其动态阈值。之后,引入相对劣化度,将两类指标的劣化度作为状态评估模型的输入。其次,采用新型神经网络ELM构建了风电机组状态评估模型,并与基于随机森林(Random forest,RF)和BPNN的状态评估模型进行了对比。实例分析验证了本文数据处理方法和状态评估模型的优越性。