基于多元数据重构的风电机组运行状态异常辨识及评估方法-文献详情-维普官网

文献检索

任意字段

文献信息

任意字段
主题词
篇关摘
篇名
关键词
摘要
作者
第一作者
作者单位
刊名
中图分类号
学科分类号
DOI
基金

智能检索

高级检索

检索历史

基于多元数据重构的风电机组运行状态异常辨识及评估方法认领

被引量： 16

作者：

陈俊生

学位授予单位：

重庆大学

摘要：

开展风电机组状态监测与评估研究,及时发现风电机组的异常状态,量化评估机组运行状态,对提高机组运行可靠性,降低运维成本,制定科学合理的运维策略,促进大规模风电的安全高效利用具有显著的学术意义和应用价值。风电场数据采集与监控(Supervisory Control and Data Acquisition,SCADA)系统提供了大量的风电机组运行数据,但其中绝大部分为机组健康运行数据,故障异常数据缺乏甚至难以获得,且当SCADA系统中风电机组状态参数发生越限报警时,机组的故障或异常往往已发展至一定程度。因此,如何有效地综合利用现有大量健康运行数据实现风电机组运行状态监测是所有风电研究者所要解决的难题。目前基于SCADA数据的风电机组运行状态监测方法是通过对单一或少量机组状态参数的分析实现机组部件的运行状态监测和判断,难以全面反映机组整机的运行状态。鉴于此,本文开展了机组健康运行数据中不良数据的识别与修正方法、基于数据驱动的风电机组运行状态异常辨识和量化评估方法研究,主要内容如下:首先,提出了风电机组正常运行数据中不良数据的识别与修正方法。分析了机组正常运行情况下SCADA系统中不良数据的产生原因及分布特征,针对不同类型的机组状态参数分别提出了相应的不良数据识别方法,建立了机组状态参数组合预测模型对识别出的不良数据进行修正。实例分析表明,基于分段四分位法的不良数据识别方法可有效检出测机组的温度不良数据;与传统k-means聚类和基于密度的噪声应用空间聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)方法相比,基于分段自适应Mean shift聚类的识别方法可有效识别低风速区间分布在零附近的密集数据中的不良数据及机组的限功率运行数据;通过与基于各单项预测模型的修正方法对比分析,基于组合预测模型的不良数据修正方法可有效提高修正精度。其次,提出并建立了风电机组多元状态数据重构模型。分析了风电机组多元状态参数间的互相关性和各状态参数的短时自相关性,提出了采用滑动窗口处理和多重加噪比的堆栈降噪自编码(Sliding Window Stacked Multiple Denoising Autoencoders,SW-SMDAE)模型在学习风电机组多元状态数据互相关性和短时自相关性的基础上重构机组多元状态数据。实际SCADA数据分析表明,风电机组同一部件的状态参数间相关性明显,不同部件状态参数间相关性较弱,各状态参数时间序列数据均有短时自相关性,各状态参数的短时自相关程度具有差异性;基于滑动窗口处理的堆栈降噪自编码(Stacked Denoising Autoencoders,SDAE)模型可同时挖掘机组状态参数间的互相关性和各状态参数的自相关性;多重加噪比的SDAE训练方法可同时获取输入数据的粗粒度特征和细粒度特征,有效提高了模型对机组状态参数的特征学习能力和泛化能力。第三,提出了基于多元数据重构误差的风电机组运行状态异常辨识方法。从多元重构误差数据中提取其马氏距离为机组状态监测指标,采用核密度估计方法获得了机组正常数据监测指标的概率密度分布,对比分析了不同模型参数下监测指标的概率密度分布,根据机组正常数据监测指标的概率密度分布获得了机组状态监测指标的阈值及其连续越限时间的阈值,提出了各状态参数对监测指标越限的贡献度指标实现机组异常参数或部件的检测,结合实际SCADA数据对比分析了不同滑动窗口宽度、网络层数及加噪比参数下模型的辨识结果准确度。实例分析表明,深层网络能获取更高阶的数据特征,因此更有利于监测指标阈值确定和机组运行状态的异常辨识,但为防止网络出现过拟合,需根据实际情况选取合适的网络层数;滑动窗口处理和多重加噪比训练方法均能有效提高方法的准确性和辨识效果;对基于机组状态参数预测残差分析的方法相比,本文状态异常辨识方法通过对机组多元状态数据的分析,能快速准确实现实际风电机组的异常状态辨识。最后,提出了基于高斯混合模型的风电机组运行状态量化评估方法。针对风电机组状态监测指标,建立了其概率密度分布的高斯混合模型,采用最小信息长度的最大期望(Minimum Message Length-Expectation Maximization,MML-EM)算法确定了高斯混合模型的阶数及相应模型参数,获取了状态监测指标概率密度函数的解析表达,提出了风电机组量化评估指标,通过计算风电机组待评估时期状态监测指标概率密度分布与正常运行时期监测指标概率密度分布的重叠度,准确实现风电机组运行状态的量化评估。实例分析表明,本文所提出的的状态评估方法实现了机组运行状态的量化评估及其发展趋势的有效跟踪。上述工作是对风电机组运行状态异常辨识与评估研究的积极探索,对提高风电机组运行安全性、经济性和健康管理水平具有良好的实际应用价值,研究成果为风电机组状态监测与评估及其智能运维提供了科学依据,同时为其他大型电力设备的运行状态监测与评估研究提供了新的思路和方法。

摘要译文

关键词：

风电机组; 不良数据识别与修正; 多元数据重构; 状态异常辨识; 状态评估

学位年度：

2019

学位类型：

博士

学科专业：

电气工程

导师：

陈伟根

中图分类号：

TM315[风力发电机⑨]

学科分类号：

080803[电机系统及其控制]

D O I：

10.27670/d.cnki.gcqdu.2019.001224