CN113761692B - 一种基于迁移成分分析的多风电机组运行状态辨识方法 - Google Patents
一种基于迁移成分分析的多风电机组运行状态辨识方法 Download PDFInfo
- Publication number
- CN113761692B CN113761692B CN202111182174.0A CN202111182174A CN113761692B CN 113761692 B CN113761692 B CN 113761692B CN 202111182174 A CN202111182174 A CN 202111182174A CN 113761692 B CN113761692 B CN 113761692B
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- wind
- power
- data
- turbine generator
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了属于风电机组运行状态监测与分析、健康状况评估及发电性能评价技术领域的一种基于迁移成分分析的多风电机组运行状态辨识方法。首先,挖掘风电功率关键影响参数,构造风电机组运行特征数据集;然后,构建基于迁移成分分析的多风电机组运行数据分布同化模型,获取多风电机组运行数据分布同化数据集;之后,构建基于机器学习的目标风电机组正常行为模型;最后,基于目标风电机组正常行为模型,获取不同风电机组功率预测残差,实现多风电机组运行状态的批量辨识。所提模型能够同时兼顾辨识精度和效率,可为风电机组运行状态监测与分析、风电机组健康状况评估及风电机组发电性能评价提供可靠的数据支撑。
Description
技术领域
本发明涉及风电机组运行状态监测与分析、健康状况评估及发电性能评价技术领域,尤其涉及一种基于迁移成分分析的多风电机组运行状态辨识方法。
背景技术
风电机组工作环境恶劣、运行工况复杂多变,多种因素叠加作用可能导致机组偏离正常运行状态,从而造成风电机组健康状况和发电性能下降。风电机组运行状态的准确辨识能够实现风电机组健康状况和发电性能的有效评估,对提高风电机组运行安全性、可靠性和经济性具有重要意义。现有方法通常利用数据采集与监视控制系统(SCADA)数据,采用构建风电机组正常行为模型和预测残差分析相结合的方法进行单台风电机组运行状态辨识。但是,由于地理位置、风资源禀赋及机组健康状况不同,不同风电机组的SCADA数据分布差异明显,如果将已训练好的单台风电机组正常行为模型直接应用于多风电机组运行状态辨识,辨识精度较低;为了提高辨识精度,需要针对每台风电机组正常行为模型进行重复性训练,工作量大,耗费时间长。因此,现有方法无法适用于多风电机组运行状态辨识,存在辨识精度和效率无法同时兼顾的问题。
针对现有技术的不足,本发明提供一种基于迁移成分分析的多风电机组运行状态辨识方法。所提模型无需不同风电机组正常行为模型的重复性训练,能够同时兼顾辨识精度和效率,可为风电机组运行状态监测与分析、风电机组健康状况评估及风电机组发电性能评价提供可靠的数据支撑。
发明内容
本发明的目的是提出一种基于迁移成分分析的多风电机组运行状态辨识方法,其特征在于,包括以下步骤:
步骤1:采集风电场内多台风电机组的SCADA数据,并指定其中一台风电机组为目标风电机组;
步骤2:基于风速和功率数据,去除步骤1中采集的多台风电机组的明显异常状态数据;
步骤3:基于相关性和偏最小二乘回归分析法,确定风电功率关键影响参数,构造风电机组运行特征数据集;
步骤4:根据步骤3中的风电机组运行特征数据集构建基于迁移成分分析的多风电机组运行数据分布同化模型,并获取多风电机组运行数据分布同化数据集;
步骤5:构建基于机器学习的目标风电机组正常行为模型;
步骤6:根据步骤3中的风电机组运行特征数据集获取不同风电机组功率回归残差;
步骤7:基于目标风电机组正常行为模型,分别以不同风电机组运行数据分布同化数据集为模型输入,获取不同风电机组功率预测残差;然后基于DBSCAN密度聚类算法,判断DBSCAN密度聚类结果是否为离散点,若是,则识别风电机组异常运行状态数据;若否,则转到步骤8;
步骤8:采用非参数核密度估计法拟合残差的概率分布,并判断功率回归误差是否在95%置信区间以外,若是,则识别风电机组亚健康运行状态数据;若否,则识别风电机组健康运行状态数据。
所述步骤1中的SCADA数据包括风速、风向、功率、风轮转速、发电机转速、偏航角度、桨距角、环境温度、机舱温度、齿轮箱油温、液压油温、U1绕组温度、第一齿轮箱轴温度、第二齿轮箱轴温度、第一电机轴承温度和第二电机轴承温度。
所述步骤2中的明显异常状态数据包括以下两类:风速小于切入风速或大于切出风速的风电机组正常停机、空转或启动状态数据;风速大于切入风速且功率小于等于零的风电机组非正常停机状态数据。
所述步骤3具体包括以下子步骤:
步骤31:利用公式(1)的相关性分析法计算不同参数与功率之间的相关性系数,并按照相关性系数大小进行排序;
式中,P为功率,Xi为除功率指标外的其他参数,T为数据时间长度;
步骤32:按照相关性系数末位删除法,组成不同维数的潜在关键影响因子;
步骤33:以步骤32中不同维数的潜在关键影响因子为输入,功率为输出,构建基于偏最小二乘回归分析法的功率回归模型,并根据回归功率和实际功率之间的偏差确定风电功率关键影响参数,构造风电机组运行特征数据集。
所述步骤4中多风电机组运行数据分布同化模型的输入为除目标风电机组外其余风电机组运行特征数据集中的所有风电功率关键影响参数,输出为目标风电机组运行特征数据集中的所有风电功率关键影响参数。
所述步骤5中,目标风电机组正常行为模型的输入为目标风电机组运行特征数据集中正常运行状态下的风电功率关键影响参数,输出为风电功率。
所述风电功率关键影响参数包括风速、U1绕组温度、发电机转速、转子转速、第二电机轴承温度和叶片角度。
本发明的有益效果在于:
1、本发明基于相关性和偏最小二乘回归分析的方法,能够实现风电功率关键影响参数的深度挖掘;
2、基于迁移成分分析的多风电机组运行数据分布同化模型,能够缩小不同风电机组与目标风电机组之间的运行数据分布差异,提高多风电机组运行状态辨识精度和效率;
3、基于DBSCAN密度聚类算法和非参数核密度估计相结合的预测残差分析方法,能够实现多风电机组运行状态的有效辨识,主要分为健康运行状态、亚健康运行状态及异常运行状态;
4、本发明能够有效克服现有方法无法同时兼顾辨识精度和效率的难题,适用于多风电机组运行状态辨识场景。
附图说明
图1是基于迁移成分分析的多风电机组运行状态辨识方法流程图;
图2是风电机组SCADA数据参数和装置位置交互关系图;
图3是目标风电机组正常运行状态数据散点图;
图4是多风电机组异常运行状态数据辨识结果图;
图5是多风电机组亚健康和健康运行状态数据辨识结果图;
图6是多风电机组运行状态辨识结果图。
具体实施方式
本发明提出一种基于迁移成分分析的多风电机组运行状态辨识方法,下面结合附图和具体实施例对本发明做进一步说明。
图1是基于迁移成分分析的多风电机组运行状态辨识方法流程图;具体实施步骤如下:
(1)采集风电场内多台风电机组SCADA数据,并指定其中一台机组为目标风电机组;本实施例中24台风电机组额定功率均为1.5MW,切入风速为3m/s、额定风速为10m/s、切出风速为25m/s、数据长度为1年、数据分辨率为15min;风电机组SCADA系统历史数据主要包括:风速、风向、功率、风轮转速、发电机转速、偏航角度、桨距角、环境温度、机舱温度、齿轮箱油温、液压油温、U1绕组温度、齿轮箱轴1温度、齿轮箱轴2温度、电机轴承A温度及电机轴承B温度等16维参数。图2是风电机组SCADA数据参数和装置位置交互关系图。
(2)基于风速和功率数据,剔除明显的风电机组异常状态数据。明显异常状态数据主要分为2类:一是风速小于3m/s或大于25m/s的风电机组正常停机、空转或启动状态数据,二是风速大于3m/s且功率小于等于0的风电机组非正常停机状态数据。
(3)基于相关性和偏最小二乘回归分析法,挖掘风电功率关键影响参数,构造风电机组运行特征数据集。首先,利用相关性分析法,计算不同参数与功率之间的相关性系数,并按照相关性系数大小进行排序;然后,按照相关性系数末位删除法,组成不同维(n维、n-1维、n-2维……3维)潜在关键影响因子;最后,分别以不同维数的潜在关键影响因子为输入,功率为输出,构建基于偏最小二乘回归分析法的功率回归模型,并根据回归功率和实际功率之间的偏差确定风电功率关键影响参数,构造风电机组运行特征数据集,主要包括风速、U1绕组温度、发电机转速、转子转速、电机轴承B温度和叶片角度等6个关键影响参数。
(4)构建基于迁移成分分析的多风电机组运行数据分布同化模型,获取多风电机组运行数据分布同化数据集。分别以其余风电机组运行特征数据集中的6个关键影响参数为模型输入,目标风电机组运行特征数据集中的6个关键影响参数为模型输出,构建基于迁移成分分析的多风电机组运行数据分布同化模型,获取多风电机组运行数据分布同化数据集。
(5)构建基于机器学习的目标风电机组正常行为模型。本实施例根据《GBT19960.1-2005风力发电机组第1部分:通用技术条件》功率输出部分的描述,“在正常工作状态下,机组功率输出与理论值的偏差应不超过10%;当风速大于额定风速时,持续10min功率输出应不超过额定值的115%。瞬间功率输出应不超过额定值的135%”,选取功率曲线为理论值,筛选出偏差在10%范围内的运行数据为正常运行状态数据,如图3所示;以目标风电机组运行特征数据集中正常运行状态下的6个关键影响参数为模型输入,风电功率为模型输出,构建基于BP神经网络的目标风电机组正常行为模型。
(6)基于密度聚类和概率置信区间相结合的方法进行预测残差分析,实现多风电机组运行状态的批量辨识。首先,基于目标风电机组正常行为模型,分别以不同风电机组运行数据分布同化数据集为模型输入,获取不同风电机组功率预测残差;然后,采用基于DBSCAN密度聚类方法,识别出风电机组异常运行状态数据,如图4所示;最后,采用非参数核密度估计法拟合残差的概率分布,并根据概率分布置信区间(置信度为95%),识别出风电机组亚健康运行状态数据和健康运行状态数据,如图5所示;多风电机组运行状态辨识结果如图6所示,主要分为健康运行状态、亚健康运行状态及异常运行状态。
本发明克服了现有方法无法同时兼顾辨识精度和效率的难题,适用于多风电机组运行状态辨识场景。
此实施例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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于迁移成分分析的多风电机组运行状态辨识方法,其特征在于,包括以下步骤:
步骤1:采集风电场内多台风电机组的SCADA数据,并指定其中一台风电机组为目标风电机组;
步骤2:基于风速和功率数据,去除步骤1中采集的多台风电机组的明显异常状态数据;
步骤3:基于相关性和偏最小二乘回归分析法,确定风电功率关键影响参数,构造风电机组运行特征数据集;
步骤4:根据步骤3中的风电机组运行特征数据集构建基于迁移成分分析的多风电机组运行数据分布同化模型,并获取多风电机组运行数据分布同化数据集;
步骤5:构建基于机器学习的目标风电机组正常行为模型;
步骤6:根据步骤3中的风电机组运行特征数据集获取不同风电机组功率回归残差;
步骤7:基于目标风电机组正常行为模型,分别以不同风电机组运行数据分布同化数据集为模型输入,获取不同风电机组功率预测残差;然后基于DBSCAN密度聚类算法,判断DBSCAN密度聚类结果是否为离散点,若是,则识别风电机组异常运行状态数据;若否,则转到步骤8;
步骤8:采用非参数核密度估计法拟合残差的概率分布,并判断功率回归误差是否在95%置信区间以外,若是,则识别风电机组亚健康运行状态数据;若否,则识别风电机组健康运行状态数据。
2.根据权利要求1所述基于迁移成分分析的多风电机组运行状态辨识方法,其特征在于,所述步骤1中的SCADA数据包括风速、风向、功率、风轮转速、发电机转速、偏航角度、桨距角、环境温度、机舱温度、齿轮箱油温、液压油温、U1绕组温度、第一齿轮箱轴温度、第二齿轮箱轴温度、第一电机轴承温度和第二电机轴承温度。
3.根据权利要求1所述基于迁移成分分析的多风电机组运行状态辨识方法,其特征在于,所述步骤2中的明显异常状态数据包括以下两类:风速小于切入风速或大于切出风速的风电机组正常停机、空转或启动状态数据;风速大于切入风速且功率小于等于零的风电机组非正常停机状态数据。
5.根据权利要求1所述基于迁移成分分析的多风电机组运行状态辨识方法,其特征在于,所述步骤4中多风电机组运行数据分布同化模型的输入为除目标风电机组外其余风电机组运行特征数据集中的所有风电功率关键影响参数,输出为目标风电机组运行特征数据集中的所有风电功率关键影响参数。
6.根据权利要求1所述基于迁移成分分析的多风电机组运行状态辨识方法,其特征在于,所述步骤5中,目标风电机组正常行为模型的输入为目标风电机组运行特征数据集中正常运行状态下的风电功率关键影响参数,输出为风电功率。
7.根据权利要求1、4或6所述基于迁移成分分析的多风电机组运行状态辨识方法,其特征在于,所述风电功率关键影响参数包括风速、U1绕组温度、发电机转速、转子转速、第二电机轴承温度和叶片角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111182174.0A CN113761692B (zh) | 2021-10-11 | 2021-10-11 | 一种基于迁移成分分析的多风电机组运行状态辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111182174.0A CN113761692B (zh) | 2021-10-11 | 2021-10-11 | 一种基于迁移成分分析的多风电机组运行状态辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113761692A CN113761692A (zh) | 2021-12-07 |
CN113761692B true CN113761692B (zh) | 2023-02-10 |
Family
ID=78799218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111182174.0A Active CN113761692B (zh) | 2021-10-11 | 2021-10-11 | 一种基于迁移成分分析的多风电机组运行状态辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761692B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169721B (zh) * | 2022-07-25 | 2023-07-04 | 江南大学 | 一种基于迁移辨识的精馏过程单吨能耗预测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118384A (zh) * | 2018-07-16 | 2019-01-01 | 湖南优利泰克自动化系统有限公司 | 一种风电机组健康预警方法 |
CN110442833B (zh) * | 2019-06-10 | 2022-09-09 | 内蒙古工业大学 | 一种基于多维度scada数据评估风电机组健康状态评估方法 |
CN113153655A (zh) * | 2021-05-14 | 2021-07-23 | 大唐(赤峰)新能源有限公司 | 风电机组运行状态监测方法及装置 |
-
2021
- 2021-10-11 CN CN202111182174.0A patent/CN113761692B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113761692A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
EP2940296B1 (en) | Systems and methods for optimizing operation of a wind farm | |
EP3121442B1 (en) | Operating wind turbines | |
CN104131950B (zh) | 一种风电机组温度特征量的阈值分区确定方法 | |
CN105205569B (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
CN113591359B (zh) | 一种风电机组切入/切出风速调优方法、系统及设备介质 | |
CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
CN113436194B (zh) | 一种风电机组的异常检测方法、装置及设备 | |
CN113761692B (zh) | 一种基于迁移成分分析的多风电机组运行状态辨识方法 | |
CN111287911A (zh) | 一种风电机组疲劳载荷的预警方法和系统 | |
CN111622898A (zh) | 用于预测由于过度振动造成风力涡轮停机的系统和方法 | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
CN108062722B (zh) | 基于风速变异系数的山地风电场模型风机机械功率计算方法 | |
CN113586336B (zh) | 风力发电机组的控制方法及其控制装置及计算机可读存储介质 | |
CN115750228A (zh) | 一种风电机组变桨系统故障预警方法 | |
EP3608538A1 (en) | Model-based repowering solutions for wind turbines | |
CN116292094B (zh) | 确定代表风力发电机组的方法和装置以及控制方法和装置 | |
CN110188939B (zh) | 风电场的风功率的预测方法、系统、设备和存储介质 | |
CN113111314B (zh) | 一种基于多机组协同的并网风电机组健康状态评估方法 | |
CN115842408A (zh) | 基于scada的风电场运行状态检测系统及方法 | |
Pang et al. | Multi kernel fusion convolutional neural network for wind turbine fault diagnosis | |
CN116011332A (zh) | 一种基于gan-qp特征迁移模型的风电机组状态监测方法 | |
CN116050072A (zh) | 一种基于随机采样一致性的风电机组理论功率曲线识别方法和装置 | |
CN111794921B (zh) | 一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法 | |
CN115111115A (zh) | 用于操作发电资产的系统和方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |