国产精品不卡在线,精品国产_亚洲人成在线高清,色亚洲一区,91激情网

作為可再生的清潔能源，我國(guó)風(fēng)力發(fā)電裝機(jī)容量不斷增加，成為繼火電、水電后的第三大能源。由于長(zhǎng)期承受惡劣多變的運(yùn)行環(huán)境，風(fēng)電機(jī)組故障率較高，對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行造成很大影響，帶來(lái)巨大的經(jīng)濟(jì)損失和安全隱患。

充分利用機(jī)組監(jiān)控與數(shù)據(jù)采集系統(tǒng)（Supervisory Control And Data Acquisition, SCADA）提供的大量運(yùn)行數(shù)據(jù)，在故障早期監(jiān)測(cè)到風(fēng)機(jī)狀態(tài)異常，則可為現(xiàn)場(chǎng)運(yùn)維人員爭(zhēng)取更多的應(yīng)急處理時(shí)間，有助于提高機(jī)組安全經(jīng)濟(jì)性、降低運(yùn)維成本。

目前，許多學(xué)者開展了基于SCADA數(shù)據(jù)的風(fēng)電機(jī)組故障預(yù)警與診斷研究，基本思路有兩種：一種是從SCADA歷史數(shù)據(jù)中挖掘出已經(jīng)發(fā)生的故障信息，據(jù)此建立故障辨識(shí)模型；另一種是從SCADA歷史數(shù)據(jù)中提取正常工況運(yùn)行數(shù)據(jù)，建立風(fēng)機(jī)是否異常的判定模型。前者側(cè)重于故障類型識(shí)別，需要大量故障信息，條件較難滿足；后者則側(cè)重于故障早期的異常狀態(tài)預(yù)警，與前者相比對(duì)運(yùn)維人員更有指導(dǎo)意義。

有學(xué)者采用支持向量回歸（Support Vector Regression, SVR）和淺層神經(jīng)網(wǎng)絡(luò)進(jìn)行正常工況性能預(yù)測(cè)，并根據(jù)預(yù)測(cè)值與實(shí)際值之間的殘差與故障預(yù)警閾值的關(guān)系，提前進(jìn)行異常預(yù)警。但受限于模型信息容量較小、泛化能力不足等原因，異常工況識(shí)別精度需要進(jìn)一步提高。

由于深度神經(jīng)網(wǎng)絡(luò)對(duì)于SCADA系統(tǒng)大數(shù)據(jù)具有更強(qiáng)的學(xué)習(xí)能力，因此在性能預(yù)測(cè)與故障預(yù)警領(lǐng)域日益受到重視。其中機(jī)器學(xué)習(xí)領(lǐng)域的XGBoost（eXtreme gredient boosting）算法因具有損失函數(shù)精確、模型準(zhǔn)確度高、泛化能力強(qiáng)等優(yōu)勢(shì)，常應(yīng)用于風(fēng)機(jī)故障診斷。有學(xué)者通過(guò)與樸素貝葉斯、隨機(jī)森林和支持向量機(jī)等算法比較，表明XGBoost算法運(yùn)行速度較快，準(zhǔn)確度更高，能精準(zhǔn)識(shí)別風(fēng)機(jī)故障類別。有學(xué)者使用XGBoost算法可以有效地診斷風(fēng)機(jī)齒輪箱故障。

SCADA系統(tǒng)記錄的運(yùn)行數(shù)據(jù)中既包含風(fēng)機(jī)的正常運(yùn)行數(shù)據(jù)也包含異常和故障發(fā)生時(shí)的數(shù)據(jù)及部分停機(jī)數(shù)據(jù)，建立正常工況風(fēng)機(jī)性能預(yù)測(cè)模型時(shí)，需要將故障和停機(jī)數(shù)據(jù)加以剔除。此外，由于風(fēng)速、風(fēng)向、偏航角等測(cè)量信號(hào)具有時(shí)變性、隨機(jī)性和不確定性，數(shù)據(jù)中不可避免地包含噪聲和異常值、以及由于通信問(wèn)題導(dǎo)致的空值和壞數(shù)據(jù)，為確保預(yù)測(cè)模型的精度，這些異常值需要加以清洗。

因此SCADA數(shù)據(jù)預(yù)處理是風(fēng)機(jī)性能預(yù)測(cè)與狀態(tài)預(yù)警中重要的基礎(chǔ)性工作，已有很多文獻(xiàn)對(duì)此進(jìn)行研究，提出了諸多數(shù)據(jù)清洗方法]。這些方法有的比較繁瑣，有的對(duì)數(shù)據(jù)集特征有一定要求，各有優(yōu)缺點(diǎn)。

華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院的研究人員針對(duì)風(fēng)電機(jī)組異常工況早期預(yù)警開展研究，以某1.5MW風(fēng)電機(jī)組為例，提出利用支持向量數(shù)據(jù)描述（Support Vector Data Description, SVDD）算法對(duì)SCADA數(shù)據(jù)進(jìn)行預(yù)處理，再采用XGBoost建立正常性能預(yù)測(cè)模型，進(jìn)而采用時(shí)間滑動(dòng)窗口模型計(jì)算性能評(píng)價(jià)指標(biāo)，合理確定預(yù)警閾值，最終實(shí)現(xiàn)風(fēng)電機(jī)組運(yùn)行狀態(tài)預(yù)警。

研究人員從機(jī)組監(jiān)控與數(shù)據(jù)采集系統(tǒng)（SCADA）數(shù)據(jù)中選擇與轉(zhuǎn)速和發(fā)電功率密切相關(guān)的特征變量，利用SVDD算法對(duì)建模數(shù)據(jù)進(jìn)行預(yù)處理，采用XGBoost建立風(fēng)機(jī)正常性能預(yù)測(cè)模型。以所建預(yù)測(cè)模型為基礎(chǔ)，構(gòu)建時(shí)間滑動(dòng)窗計(jì)算性能評(píng)價(jià)指標(biāo)，并根據(jù)統(tǒng)計(jì)學(xué)的區(qū)間估計(jì)理論合理確定風(fēng)機(jī)性能異常預(yù)警指標(biāo)閾值。采用某風(fēng)電場(chǎng)1.5MW風(fēng)電機(jī)組SCADA系統(tǒng)記錄的若干真實(shí)故障案例，開展異常工況預(yù)警仿真試驗(yàn)。

他們的研究結(jié)果表明，基于SVDD和XGBoost的風(fēng)機(jī)異常工況預(yù)警方法，可以有效地清洗數(shù)據(jù)，及時(shí)識(shí)別風(fēng)電機(jī)組異常狀態(tài)，對(duì)于提高風(fēng)電機(jī)組運(yùn)行的安全性具有較好的工程實(shí)用意義。

本文編自2022年第13期《電工技術(shù)學(xué)報(bào)》，論文標(biāo)題為“基于支持向量數(shù)據(jù)描述和XGBoost的風(fēng)電機(jī)組異常工況預(yù)警研究”。