随着海上风电的快速发展,海上风电机组的状态预测引起广泛关注,精准、及时的状态预测有利于减少机组状态恶化可能导致的重大损失。为了提高故障预警的精准性,该文将机组数据采集与监视控制系统(supervisory control and data acquisitio...随着海上风电的快速发展,海上风电机组的状态预测引起广泛关注,精准、及时的状态预测有利于减少机组状态恶化可能导致的重大损失。为了提高故障预警的精准性,该文将机组数据采集与监视控制系统(supervisory control and data acquisition,SCADA)数据图形化处理并作为整体输入神经网络,以充分反映海上风电机组不同部件故障的相关性与SCADA数据多状态信息之间的耦合性;针对部分故障类型标签样本数据稀少致使的故障辨识失效问题,采用双层生成器、双判别器的循环生成对抗网络(cycle generative adversarial networks,CycleGAN)来丰富故障标签样本。为了提升机组故障预警的时效性,尽可能早的做出故障预警,该文采用相关性分析将高维SCADA数据降维处理,以简化径向基函数(radial basis function,RBF)神经网络结构,加速神经网络收敛,提升训练速度。针对国内某实际海上风电场的算例结果显示,所提方法可有效提前预知故障的发生,同时可以有效辨识故障类型,有利于风电场提前处理故障并合理安排运维检修计划,避免重大损失。展开更多
文摘随着海上风电的快速发展,海上风电机组的状态预测引起广泛关注,精准、及时的状态预测有利于减少机组状态恶化可能导致的重大损失。为了提高故障预警的精准性,该文将机组数据采集与监视控制系统(supervisory control and data acquisition,SCADA)数据图形化处理并作为整体输入神经网络,以充分反映海上风电机组不同部件故障的相关性与SCADA数据多状态信息之间的耦合性;针对部分故障类型标签样本数据稀少致使的故障辨识失效问题,采用双层生成器、双判别器的循环生成对抗网络(cycle generative adversarial networks,CycleGAN)来丰富故障标签样本。为了提升机组故障预警的时效性,尽可能早的做出故障预警,该文采用相关性分析将高维SCADA数据降维处理,以简化径向基函数(radial basis function,RBF)神经网络结构,加速神经网络收敛,提升训练速度。针对国内某实际海上风电场的算例结果显示,所提方法可有效提前预知故障的发生,同时可以有效辨识故障类型,有利于风电场提前处理故障并合理安排运维检修计划,避免重大损失。
