CN111798650A - 基于多模型组合的风电机组故障预警方法 - Google Patents

基于多模型组合的风电机组故障预警方法 Download PDF

Info

Publication number
CN111798650A
CN111798650A CN202010584859.7A CN202010584859A CN111798650A CN 111798650 A CN111798650 A CN 111798650A CN 202010584859 A CN202010584859 A CN 202010584859A CN 111798650 A CN111798650 A CN 111798650A
Authority
CN
China
Prior art keywords
early warning
function
power
proposition
fault early
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010584859.7A
Other languages
English (en)
Inventor
李洋
许宜菲
崔恺
安平
李志强
李雪松
孙佳
阎磊
马良玉
刘卫亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Suntien New Energy Technology Co Ltd
Original Assignee
Hebei Suntien New Energy Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei Suntien New Energy Technology Co Ltd filed Critical Hebei Suntien New Energy Technology Co Ltd
Priority to CN202010584859.7A priority Critical patent/CN111798650A/zh
Publication of CN111798650A publication Critical patent/CN111798650A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/30—Wind power

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Emergency Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Wind Motors (AREA)

Abstract

一种基于多模型组合的风电机组故障预警方法，所述方法首先采集大量风速、桨距角、转矩设定、中轴线与风向夹角的SCADA、功率的历史数据，采用多种神经网络方法，分别建立风电机组启动‑停机的全工况功率预测子模型；其次，基于数据滑动窗口，利用功率预测子模型计算功率预测值时间序列，计算运行状态指标；再次，采用核密度估计方法计算运行状态指标的概率密度函数，从而确定故障预警命题的基本概率分配函数；最终，采用证据理论，对多个功率预测子模型的预警结果进行融合，并将融合结果与设定的预警阈值进行比较，得出故障预警结论。本发明可实现风电机组的全工况故障预警，并能够有效提高故障预警结果的精度。

Description

基于多模型组合的风电机组故障预警方法
技术领域
本发明涉及一种风电机组故障预警方法，属于发电技术领域。
背景技术
随着全球能源危机的不断加剧，可再生能源发电越来越受到人们的重视。风力发电因清洁无污染、建设周期短等诸多优势，已成为当前可再生能源发电的主要方向之一。随着风电机组单机容量不断增加，装机区位逐渐向更加偏远的陆地、海洋地区发展，如何降低风电机组的运营维护成本，是风电领域亟待解决的难题。
风电机组故障预警方法是指基于风电机组当前与历史的运行数据，检测其是否存在潜在故障的方法。依据数据来源，可分为基于振动数据的故障预警方法、基于SCADA数据的故障预警方法以及基于其他信号源(如超声波装置、红外成像仪等)的故障预警方法。其中，因振动传感器、超声波装置、红外成像仪等设备的购置与安装成本较高，导致基于该类数据的故障预警方法在实际应用中受限。相对而言，SCADA系统已经在风电场中获得了广泛应用，可提供较为完备的机组运行历史数据，因而基于SCADA数据的故障预警方法更适合于工程应用，成为当前风电机组故障预警的主流方法。
但是，由于SCADA数据具有采样频率偏低、存在缺失值和异常值、冗余信息多、常态数据多而故障数据少等诸多缺点，导致基于SCADA数据的故障预警方法普遍存在预警精度低的问题。此外，已有基于SCADA数据的故障预警方法均适用于风电机组的单一工况运行场景或者部分工况运行场景，尚不适用于风电机组全工况运行场景。
发明内容
针对现有基于SCADA数据的故障预警方法的不足之处，本发明提供一种基于多模型组合的风电机组故障预警方法，包括以下主要步骤：
步骤1.采集大量风速、桨距角、转矩设定、中轴线与风向夹角的SCADA、功率的历史数据，采用多种神经网络方法，分别建立风电机组启动-停机的全工况功率预测子模型；
步骤2.基于数据滑动窗口，利用功率预测子模型计算功率预测值时间序列，计算运行状态指标；
步骤3.基于历史运行数据，针对每一功率预测子模型，计算大量运行状态指标值样本，采用核密度估计方法计算运行状态指标的概率密度函数；
步骤4.利用每一功率预测子模型，计算当前运行状态指标值，并基于概率密度函数，确定故障预警命题集合中各命题的基本概率分配函数；
步骤5.采用证据理论对多个功率预测子模型的预警结果进行融合；
步骤6.将融合结果与设定的预警阈值进行比较，得出故障预警结论。
下面对上述步骤进行详细描述。
步骤1.采集大量风速、桨距角、转矩设定、中轴线与风向夹角的SCADA、功率的历史数据，采用多种神经网络方法，分别建立风电机组启动-停机的全工况功率预测子模型；
本发明所建立的功率预测子模型包括Elman神经网络子模型、BP神经网络子模型与GRNN神经网络子模型；
采集大量风电机组SCADA系统所记录的风速V、桨距角θ、转矩设定T、中轴线与风向夹角α的历史数据，针对每一神经网络，构造样本集D，
D＝{(X1，t1)，(X2，t2)，…，(Xi，ti)，…}
其中，在ti时刻，对于Elman神经网络，有
Figure BSA0000212279450000031
对于BP神经网络，有
Figure BSA0000212279450000032
对于GRNN神经网络，有
Figure BSA0000212279450000033
其中Elman神经网络子模型的输入为ti时刻的风速
Figure BSA0000212279450000034
桨距角
Figure BSA0000212279450000035
转矩设定
Figure BSA0000212279450000036
中轴线与风向夹角
Figure BSA0000212279450000037
输出为ti时刻的功率
Figure BSA0000212279450000038
输入层神经元个数为4，隐含层神经元个数为NElman，输出层神经元个数为1；隐含层神经元的激励函数为tansig函数，输出层神经元的激励函数为purelin函数；
BP神经网络子模型的输入为ti-1时刻的风速
Figure BSA0000212279450000039
桨距角
Figure BSA00002122794500000310
转矩设定
Figure BSA00002122794500000311
中轴线与风向夹角
Figure BSA00002122794500000312
功率
Figure BSA00002122794500000313
以及ti时刻的风速
Figure BSA00002122794500000314
桨距角
Figure BSA00002122794500000315
转矩设定
Figure BSA00002122794500000316
中轴线与风向夹角
Figure BSA00002122794500000317
输出为ti时刻的功率
Figure BSA00002122794500000318
输入层神经元个数为9，隐含层神经元个数为NBP，输出层神经元个数为1；隐含层神经元的激励函数为tansig函数，输出层神经元的激励函数为purelin函数；
GRNN神经网络子模型的输入为ti时刻的风速
Figure BSA00002122794500000319
桨距角
Figure BSA00002122794500000320
转矩设定
Figure BSA00002122794500000321
中轴线与风向夹角
Figure BSA00002122794500000322
以及ti-1时刻的功率，输出为ti时刻的功率；输入层神经元个数为5，模式层神经元个数为NGRNN，求和层神经元个数为NGRNN+1，输出层神经元个数为1。
步骤2.基于数据滑动窗口，利用功率预测子模型计算功率预测值时间序列，计算运行状态指标；
在tk时刻，构造数据滑动窗口：
Figure BSA00002122794500000323
其中，h为窗口宽度。
假设功率子模型的输出为
Figure BSA0000212279450000041
定义tk时刻的运行状态指标为窗口时间段风电机组功率预测值相对于其实际值的变化量与实际值的比值的均方根平均值：
Figure BSA0000212279450000042
步骤3.基于历史运行数据，构造大量数据滑动窗口，计算相应的运行状态指标值，构成状态指标样本集，进而采用核密度估计方法计算运行状态指标的概率密度函数；
采用核密度估计方法计算运行状态指标的概率密度函数，即
Figure BSA0000212279450000043
其中，n为运行状态指标样本集中的样本个数，
Figure BSA0000212279450000044
为在任意状态指标C处的总体密度函数f(C)的核密度估计，K()为核函数，hk为核密度估计的窗宽。
步骤4.利用每一功率预测子模型i，计算当前数据滑动窗口的运行状态指标值C，并基于步骤3中计算的概率密度函数，确定故障预警命题集合中各命题的基本概率分配函数；
故障预警命题集合包括命题T1“机组存在潜在故障”、命题T2“机组不存在潜在故障”以及命题T3“不能确定机组是否存在潜在故障”，设
Figure BSA0000212279450000045
则故障预警命题集合中各命题的基本概率分配函数为：
Mi(T1)＝P(C)-Ai；
Mi(T2)＝1-P(C)-Ai；
Mi(T3)＝2Ai。
其中，Ai为体现功率预测子模型预测精度的调整因子；
步骤5.采用证据理论对多个功率预测子模型的预警结果进行融合；
DS证据理论数据融合方法是指Dempster组合规则，也称为证据组合公式，其基本概念如下：设Θ为识别框架，由一完备且互不相容的命题集合组成幂集2Θ，在其上定义基本概率分配函数BPA：m(A)∈(0，1)，并且满足：
(1)m(φ)＝0
Figure BSA0000212279450000051
其中，A代表识别框架中任一命题，m(A)称为A的基本概率赋值，表示证据支持命题A发生的程度；若m(A)≠0，则A称为一个焦元；
设有两个推理系统，它们的概率赋值分别是m1，m2，即m1，m2为识别框架上的两个独立的证据，对于命题A，将这两个证据组合的规则为：
Figure BSA0000212279450000052
其中，K为归一化常数，A1和A2为幂集中的元素；
Figure BSA0000212279450000053
对于命题A，信任度函数定义为：
Figure BSA0000212279450000054
其含义为命题A中所有子集B的基本概率分配之和，即对A的总的信任度；
似然函数定义为：
Figure BSA0000212279450000055
由该命题的信任度函数Bel(A)与似然函数Pl(A)，确定信任区间为[Bel(A)，Pl(A)]，表示对该命题的确认程度。
步骤6.将融合结果与设定的预警阈值进行比较，得出故障预警结论。
将命题T1信任区间中值与设定的预警阈值进行比较，若前者大于后者，结论为“机组存在潜在故障”；反之，结论为“机组不存在潜在故障”。
本发明的有益效果在于：
(1)通过合理选取输入变量，建立了风电机组的切入-切出的全工况功率预测子模型，从而可实现风电机组的全工况故障预警；
(2)基于证据理论对多个功率预测子模型的预警结果进行融合，可有效提高故障预警结果的精度。
附图说明
图1为风电机组的运行过程示意图；
图2为Elman神经网络功率预测子模型结构示意图；
图3为BP神经网络功率预测子模型结构示意图；
图4为GRNN神经网络功率预测子模型结构示意图；
图5为BP神经网络功率预测子模型在训练样本上的预测结果示意图；
图6为BP神经网络功率预测子模型在训练样本上的预测误差示意图；
图7为BP神经网络功率预测子模型在检验样本上的预测结果示意图；
图8为BP神经网络功率预测子模型在检验样本上的预测误差示意图；
图9为Elman神经网络功率预测子模型在训练样本上的预测结果示意图；
图10为Elman神经网络功率预测子模型在训练样本上的预测误差示意图；
图11为Elman神经网络功率预测子模型在检验样本上的预测结果示意图；
图12为Elman神经网络功率预测子模型在检验样本上的预测误差示意图；
图13为GRNN神经网络功率预测子模型在训练样本上的预测结果示意图；
图14为GRNN神经网络功率预测子模型在训练样本上的预测误差示意图；
图15为GRNN神经网络功率预测子模型在检验样本上的预测结果示意图；
图16为GRNN神经网络功率预测子模型在检验样本上的预测误差示意图；
图13为GRNN神经网络功率预测子模型在训练样本上的预测结果示意图；
图14为GRNN神经网络功率预测子模型在训练样本上的预测误差示意图；
图15为GRNN神经网络功率预测子模型在检验样本上的预测结果示意图；
图16为GRNN神经网络功率预测子模型在检验样本上的预测误差示意图。
具体实施方式
下面结合附图，对本发明实施例作进一步详述。
图1为风电机组的运行过程示意图，可知，风电机组的运行过程包括启动区、最大风能捕获区、恒功率运行区以及停机区。本发明可对启动到停机的整个运行过程进行故障预警，即实现全工况故障预警。
图2为Elman神经网络功率预测子模型结构示意图，可知其为4输入1输出结构，输入为ti时刻的风速
Figure BSA0000212279450000071
桨距角
Figure BSA0000212279450000072
转矩设定
Figure BSA0000212279450000073
中轴线与风向夹角
Figure BSA0000212279450000074
输出为ti时刻的功率
Figure BSA0000212279450000075
输入层神经元个数为4，隐含层神经元个数为NElman(实施例中，取NElman＝15)，输出层神经元个数为1；隐含层神经元的激励函数为tansig函数，输出层神经元的激励函数为purelin函数；
图3为BP神经网络功率预测子模型结构示意图，可知其为9输入1输出结构，输入为ti-1时刻的风速
Figure BSA0000212279450000076
桨距角
Figure BSA0000212279450000077
转矩设定
Figure BSA0000212279450000078
中轴线与风向夹角
Figure BSA0000212279450000079
功率
Figure BSA00002122794500000710
以及ti时刻的风速
Figure BSA00002122794500000711
桨距角
Figure BSA00002122794500000712
转矩设定
Figure BSA00002122794500000713
中轴线与风向夹角
Figure BSA00002122794500000714
输出为ti时刻的功率
Figure BSA00002122794500000715
输入层神经元个数为9，隐含层神经元个数为NBP(实施例中，取NBP＝20)，输出层神经元个数为1；隐含层神经元的激励函数为tansig函数，输出层神经元的激励函数为purelin函数；
图4为GRNN神经网络功率预测子模型结构示意图，可知其为5输入1输出结构，输入为ti时刻的风速
Figure BSA0000212279450000081
桨距角
Figure BSA0000212279450000082
转矩设定
Figure BSA0000212279450000083
中轴线与风向夹角
Figure BSA0000212279450000084
以及ti-1时刻的功率，输出为ti时刻的功率；输入层神经元个数为5，模式层神经元个数为NGRNN，求和层神经元个数为NGRNN+1(实施例中，取NGRNN＝12000)，输出层神经元个数为1。
实施例中，对各功率预测子模型进行训练与检验，预测结果与预测偏差如图5至图16所示，可知各功率预测子模型的精度存在一定差别。因此，在设计各命题基本概率分配函数时，针对Elman神经网络功率预测子模型，取A1＝0.08；针对BP神经网络功率预测子模型，取A2＝0.10；针对GRNN神经网络功率预测子模型，取A3＝0.04。选取三种典型工况，对证据理论融合结果进行分析。
工况1的各个神经网络功率预测子模型对故障预警各命题的基本概率分配函数如表1所示，可见三个子模型的判断结果较为接近，各命题的信任度函数值以及似然函数值计算结果如表2所示。
表1工况1基本概率分配函数
Figure BSA0000212279450000085
表2工况1各命题的信任度函数值以及似然函数值
信任度函数值Bel 似然函数值Pl
M(T1) 0.982 0.099
M(T2) 0.017 0.018
M(T3) 0.001 0.001
工况2的各个神经网络功率预测子模型对故障预警各命题的基本概率分配函数如表3所示，可见Elman神经网络功率预测子模型的判断结果明显异于其它两个子模型，各命题的信任度函数值以及似然函数值计算结果如表4所示。
表3工况2基本概率分配函数
Figure BSA0000212279450000091
表4工况2各命题的信任度函数值以及似然函数值
信任度函数值Bel 似然函数值Pl
M(T1) 0.953 0.998
M(T2) 0.045 0.047
M(T3) 0.002 0.002
工况3的各个神经网络功率预测子模型对故障预警各命题的基本概率分配函数如表5所示，可见BP神经网络功率预测子模型的判断结果明显异于其它两个子模型，各命题的信任度函数值以及似然函数值计算结果如表6所示。
表5工况3基本概率分配函数
Figure BSA0000212279450000092
表6工况3各命题的信任度函数值以及似然函数值
信任度函数值Bel 似然函数值Pl
M(T1) 0.239 0.242
M(T2) 0.758 0.761
M(T3) 0.003 0.003
将命题T1信任区间中值与设定的预警阈值(实施例中，预警阈值取0.5)进行比较，若前者大于后者，结论为“机组存在潜在故障”；反之，结论为“机组不存在潜在故障”。工况1、3的结论为“机组存在潜在故障”，工况2的结论为“机组不存在潜在故障”，机组运行历史数据证明三种工况下均取得了正确的预警结果，这说明本发明所提方法对多个功率预测子模型的预警结果进行融合，可有效提高故障预警结果的精度。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可推想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于多模型组合的风电机组故障预警方法，其特征为，该方法包括以下步骤：
步骤1.采集大量风速、桨距角、转矩设定、中轴线与风向夹角的SCADA、功率的历史数据，采用多种神经网络方法，分别建立风电机组切入-切出的全工况功率预测子模型；
步骤2.基于数据滑动窗口，利用功率预测子模型计算功率预测值时间序列，计算运行状态指标；
步骤3.基于历史运行数据，针对每一功率预测子模型，计算大量运行状态指标值样本，采用核密度估计方法计算运行状态指标的概率密度函数；
步骤4.利用每一功率预测子模型，计算当前运行状态指标值，并基于概率密度函数，确定故障预警命题的基本概率分配函数；
步骤5.采用证据理论对多个功率预测子模型的基本概率分配函数进行融合；
步骤6.将融合结果与设定的预警阈值进行比较，得出故障预警结论。
2.如权利要求1所述的一种基于多模型组合的风电机组故障预警方法，其特征在于建立的全工况功率预测子模型具体包括Elman神经网络子模型、BP神经网络子模型与GRNN神经网络子模型，各模型的建立过程为：
采集大量风电机组SCADA系统所记录的风速V、桨距角θ、转矩设定T、中轴线与风向夹角α的历史数据，针对每一神经网络，构造样本集D，
D＝{(X1，t1)，(X2，t2)，…，(Xi，ti)，…}
其中，在ti时刻，对于Elman神经网络，有
Figure FSA0000212279440000011
对于BP神经网络，有
Figure FSA0000212279440000012
对于GRNN神经网络，有
Figure FSA0000212279440000021
其中Elman神经网络子模型的输入为ti时刻的风速
Figure FSA0000212279440000022
桨距角
Figure FSA0000212279440000023
转矩设定
Figure FSA0000212279440000024
中轴线与风向夹角
Figure FSA0000212279440000025
输出为ti时刻的功率
Figure FSA0000212279440000026
输入层神经元个数为4，隐含层神经元个数为NElman，输出层神经元个数为1；隐含层神经元的激励函数为tansig函数，输出层神经元的激励函数为purelin函数；
BP神经网络子模型的输入为ti-1时刻的风速
Figure FSA0000212279440000027
桨距角
Figure FSA0000212279440000028
转矩设定
Figure FSA0000212279440000029
中轴线与风向夹角
Figure FSA00002122794400000210
功率
Figure FSA00002122794400000211
以及ti时刻的风速
Figure FSA00002122794400000212
桨距角
Figure FSA00002122794400000213
转矩设定
Figure FSA00002122794400000214
中轴线与风向夹角
Figure FSA00002122794400000215
输出为ti时刻的功率
Figure FSA00002122794400000216
输入层神经元个数为9，隐含层神经元个数为NBP，输出层神经元个数为1；隐含层神经元的激励函数为tansig函数，输出层神经元的激励函数为purelin函数；
GRNN神经网络子模型的输入为ti时刻的风速
Figure FSA00002122794400000217
桨距角
Figure FSA00002122794400000218
转矩设定
Figure FSA00002122794400000219
中轴线与风向夹角
Figure FSA00002122794400000220
以及ti-1时刻的功率，输出为ti时刻的功率；输入层神经元个数为5，模式层神经元个数为NGRNN，求和层神经元个数为NGRNN+1，输出层神经元个数为1。
3.如权利要求1所述的一种基于多模型组合的风电机组故障预警方法，其特征在于所述运行状态指标的计算过程为：
在tk时刻，构造数据滑动窗口：
Figure FSA00002122794400000221
其中，h为窗口宽度。
假设功率子模型的输出为
Figure FSA00002122794400000222
定义tk时刻的运行状态指标为窗口时间段风电机组功率预测值相对于其实际值的变化量与实际值的比值的均方根平均值：
Figure FSA0000212279440000031
。
4.如权利要求1所述的一种基于多模型组合的风电机组故障预警方法，其特征在于所述运行状态指标的概率密度函数的计算过程为：采用核密度估计方法计算运行状态指标的概率密度函数，即
Figure FSA0000212279440000032
其中，n为运行状态指标样本集中的样本个数，
Figure FSA0000212279440000033
为在任意状态指标C处的总体密度函数f(C)的核密度估计，K()为核函数，hk为核密度估计的窗宽。
5.如权利要求1所述的一种基于多模型组合的风电机组故障预警方法，其特征在于所述故障预警命题的基本概率分配函数的计算过程为：
故障预警命题集合包括命题T1“机组存在潜在故障”、命题T2“机组不存在潜在故障”以及命题T3“不能确定机组是否存在潜在故障”，设
Figure FSA0000212279440000034
则故障预警命题集合中各命题的基本概率分配函数为：
Mi(T1)＝P(C)-Ai；
Mi(T2)＝1-P(C)-Ai；
Mi(T3)＝2Ai；
其中，Ai为体现功率预测子模型预测精度的调整因子。
6.如权利要求1所述的一种基于多模型组合的风电机组故障预警方法，其特征在于所述对多个功率预测子模型的预警结果进行融合的过程为：
设Θ为识别框架，由一完备且互不相容的命题集合组成幂集2Θ，在其上定义基本概率分配函数BPA：m(A)∈(0，1)，并且满足：
(1)m(φ)＝0
Figure FSA0000212279440000041
其中，A代表识别框架中任一命题，m(A)称为A的基本概率赋值，表示证据支持命题A发生的程度；若m(A)≠0，则A称为一个焦元；
设有两个推理系统，它们的概率赋值分别是m1，m2，即m1，m2为识别框架上的两个独立的证据，对于命题A，将这两个证据组合的规则为：
Figure FSA0000212279440000042
其中，K为归一化常数，A1和A2为幂集中的元素；
Figure FSA0000212279440000043
对于命题A，信任度函数定义为：
Figure FSA0000212279440000044
其含义为命题A中所有子集B的基本概率分配之和，即对A的总的信任度；
似然函数定义为：
Figure FSA0000212279440000045
由该命题的信任度函数Bel(A)与似然函数Pl(A)，确定信任区间为[Bel(A)，Pl(A)]，表示对该命题的确认程度。
7.如权利要求1所述的一种基于多模型组合的风电机组故障预警方法，其特征在于，故障预警结论的判别方法为：将命题T1信任区间中值与设定的预警阈值进行比较，若前者大于后者，结论为“机组存在潜在故障”；反之，结论为“机组不存在潜在故障”。
CN202010584859.7A 2020-06-22 2020-06-22 基于多模型组合的风电机组故障预警方法 Pending CN111798650A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010584859.7A CN111798650A (zh) 2020-06-22 2020-06-22 基于多模型组合的风电机组故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010584859.7A CN111798650A (zh) 2020-06-22 2020-06-22 基于多模型组合的风电机组故障预警方法

Publications (1)

Publication Number Publication Date
CN111798650A true CN111798650A (zh) 2020-10-20

Family

ID=72804701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010584859.7A Pending CN111798650A (zh) 2020-06-22 2020-06-22 基于多模型组合的风电机组故障预警方法

Country Status (1)

Country Link
CN (1) CN111798650A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112517473A (zh) * 2020-11-11 2021-03-19 曾忠英 一种基于人工智能的光伏清洁机器人稳定作业方法及系统
CN112650660A (zh) * 2020-12-28 2021-04-13 北京中大科慧科技发展有限公司 一种数据中心动力系统预警方法及装置
CN112966400A (zh) * 2021-04-23 2021-06-15 重庆大学 一种基于多源信息融合的离心风机趋势预测方法
CN113221453A (zh) * 2021-04-30 2021-08-06 华风数据(深圳)有限公司 风电机组齿轮箱输出轴故障监测预警方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2712158A1 (en) * 2009-07-24 2011-01-24 Raj Mohan Bharadwaj Wind turbine generator fault diagnostic and prognostic device and method
CN102663513A (zh) * 2012-03-13 2012-09-12 华北电力大学 利用灰色关联度分析的风电场功率组合预测建模方法
CN105654207A (zh) * 2016-01-07 2016-06-08 国网辽宁省电力有限公司锦州供电公司 基于风速、风向信息的风电功率预测方法
CN107016404A (zh) * 2017-02-24 2017-08-04 沈阳工业大学 基于d‑s证据融合的风力发电机组故障预测方法
CN109657839A (zh) * 2018-11-22 2019-04-19 天津大学 一种基于深度卷积神经网络的风电功率预测方法
CN110362045A (zh) * 2019-06-14 2019-10-22 上海电力学院 一种考虑海洋气象因素的海上双馈风电机组故障判别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2712158A1 (en) * 2009-07-24 2011-01-24 Raj Mohan Bharadwaj Wind turbine generator fault diagnostic and prognostic device and method
CN102663513A (zh) * 2012-03-13 2012-09-12 华北电力大学 利用灰色关联度分析的风电场功率组合预测建模方法
CN105654207A (zh) * 2016-01-07 2016-06-08 国网辽宁省电力有限公司锦州供电公司 基于风速、风向信息的风电功率预测方法
CN107016404A (zh) * 2017-02-24 2017-08-04 沈阳工业大学 基于d‑s证据融合的风力发电机组故障预测方法
CN109657839A (zh) * 2018-11-22 2019-04-19 天津大学 一种基于深度卷积神经网络的风电功率预测方法
CN110362045A (zh) * 2019-06-14 2019-10-22 上海电力学院 一种考虑海洋气象因素的海上双馈风电机组故障判别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
万恒正: "基于SCADA数据关系的大型直驱式风电机组健康状态识别与预警", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
常永亮: "基于现场数据的大型风电机组故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
张瀚超: "基于神经网络组合模型的风电场短期功率预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112517473A (zh) * 2020-11-11 2021-03-19 曾忠英 一种基于人工智能的光伏清洁机器人稳定作业方法及系统
CN112650660A (zh) * 2020-12-28 2021-04-13 北京中大科慧科技发展有限公司 一种数据中心动力系统预警方法及装置
CN112650660B (zh) * 2020-12-28 2024-05-03 北京中大科慧科技发展有限公司 一种数据中心动力系统预警方法及装置
CN112966400A (zh) * 2021-04-23 2021-06-15 重庆大学 一种基于多源信息融合的离心风机趋势预测方法
CN113221453A (zh) * 2021-04-30 2021-08-06 华风数据(深圳)有限公司 风电机组齿轮箱输出轴故障监测预警方法

Similar Documents

Publication Publication Date Title
CN111798650A (zh) 基于多模型组合的风电机组故障预警方法
Chen et al. Wind turbine pitch faults prognosis using a-priori knowledge-based ANFIS
Cai et al. Artificial intelligence enhanced two-stage hybrid fault prognosis methodology of PMSM
Kreutz et al. Machine learning-based icing prediction on wind turbines
CN111237134A (zh) 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法
Sun et al. Abnormal detection of wind turbine operating conditions based on state curves
CN112994101B (zh) 基于神经网络的风电场发电功率后评估及监测方法
Shi et al. Study of wind turbine fault diagnosis and early warning based on SCADA data
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN109101659B (zh) 一种小水电数据采集系统中功率数据异常的方法
Zhu et al. Short term forecast of wind power generation based on SVM with pattern matching
Bao et al. Wind turbine condition monitoring based on improved active learning strategy and KNN algorithm
CN113449847B (zh) 考虑秒级时间序列风速变化的海上风电功率滚动预测方法
He et al. Condition monitoring and fault detection of wind turbine driveline with the implementation of deep residual long short-term memory network
Wang et al. The effect of reduced power operation of faulty wind turbines on the total power generation for different wind speeds
Fahim et al. Data-driven techniques for optimizing the renewable energy systems operations
Yang et al. Fault prediction algorithm for offshore wind energy conversion system based on machine learning
Yuan et al. Short-term wind speed forecasting using STLSSVM hybrid model
Rashid et al. Anomaly Detection of Wind Turbine Gearbox based on SCADA Temperature Data using Machine Learning
Yang et al. Design of equipment online monitoring and fault diagnosis platform based on IoT
Song et al. Anomaly detection of wind turbine generator based on temporal information
He et al. Establishment of wind turbine energy efficiency index system based on f-neighborhood rough set
Encalada-Dávila et al. Wind turbine multi-fault detection based on SCADA data via an AutoEncoder
Elshenawy et al. Fault detection of wind turbine system based on data-driven methods: a comparative study
Yang et al. Intelligent fan system based on big data and artificial intelligence

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201020