评价风电机组健康状态,合理分配风电场中风电机组的功率,对降低风电场的运维成本有着重要意义。首先,利用风电机组监控与数据采集(supervisory control and data acquisition,SCADA)系统中的风电机组历史运行数据,训练基于长短期记忆(lo...评价风电机组健康状态,合理分配风电场中风电机组的功率,对降低风电场的运维成本有着重要意义。首先,利用风电机组监控与数据采集(supervisory control and data acquisition,SCADA)系统中的风电机组历史运行数据,训练基于长短期记忆(long short-term memory,LSTM)网络的风电机组输出功率预测模型。然后,根据预测功率和风电机组实测输出功率的偏差幅值将风电机组的健康状态分为良好、一般、较差等三个类别。最后,综合考虑风电场中每台机组的健康状态、最大发电能力和电网调度部门对风电场下达的发电指令,建立目标函数和约束条件,采用遗传算法进行求解,得到分配给每台机组的功率。仿真结果表明,所提出的方法不仅能够根据风电机组的健康状态合理分配机组功率,而且能够满足调度中心下达的风电场总的发电功率。展开更多
文中首先聚焦于风电机组桨叶零位偏移故障,利用GH-Bladed风机仿真软件仿真不同工况下的桨叶零位偏移,研究零位偏差对运行机组叶轮转速、叶根弯矩的影响,并采用风电机组轴向加速度1P谐波幅值和3P谐波幅值之比拟合桨叶零位偏差判定曲线图...文中首先聚焦于风电机组桨叶零位偏移故障,利用GH-Bladed风机仿真软件仿真不同工况下的桨叶零位偏移,研究零位偏差对运行机组叶轮转速、叶根弯矩的影响,并采用风电机组轴向加速度1P谐波幅值和3P谐波幅值之比拟合桨叶零位偏差判定曲线图,构建桨叶零位偏差判定模型。再基于神经网络技术,分析机组实际运行数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)历史数据,完成变桨故障特征提取和数据分析处理,训练添加注意力机制的长短期记忆神经网络(Long Short-term Memory Neural Network,LSTM)模型,构建AT-LSTM变桨健康状态预测模型,并从多个分类模型指标,将AT-LSTM与循环神经网络(RNN)和长短期记忆神经网络(LSTM)进行对比,证明了添加注意力机制对于神经网络带来的提升。展开更多
为提高风电机组运行效率,降低风电场运营成本,对风电机组运行状态监测显得尤为重要,提出一种基于数据采集与监控(supervisory control and data acquisition,简称SCADA)系统和萤火虫改进麻雀搜索算法优化深度置信网络(firefly improved ...为提高风电机组运行效率,降低风电场运营成本,对风电机组运行状态监测显得尤为重要,提出一种基于数据采集与监控(supervisory control and data acquisition,简称SCADA)系统和萤火虫改进麻雀搜索算法优化深度置信网络(firefly improved sparrow search algorithm optimized deep belief network,简称FISSA-DBN)的风电机组状态监测新方法。首先,对SCADA数据进行预处理分析,并利用专家系统和皮尔逊相关系数分析,相关分析选取输入参数和输出参数;其次,利用预处理数据集建立基于FISSA-DBN的风电机组运行状态监测新模型,根据模型预测值和实际输出值之间的重构值误差,以及指数加权移动平均阈值(exponentially weighted moving average,简称EWMA)判断是否有异常;最后,以华东某风电场实际数据为例进行实例验证。结果表明,所提出方法的预警时间比实际记录时间最早可提前4 d多。同时,将所提出方法与其他方法进行对比,结果表明该方法预警时间提前,模型预测误差更小。展开更多
文摘评价风电机组健康状态,合理分配风电场中风电机组的功率,对降低风电场的运维成本有着重要意义。首先,利用风电机组监控与数据采集(supervisory control and data acquisition,SCADA)系统中的风电机组历史运行数据,训练基于长短期记忆(long short-term memory,LSTM)网络的风电机组输出功率预测模型。然后,根据预测功率和风电机组实测输出功率的偏差幅值将风电机组的健康状态分为良好、一般、较差等三个类别。最后,综合考虑风电场中每台机组的健康状态、最大发电能力和电网调度部门对风电场下达的发电指令,建立目标函数和约束条件,采用遗传算法进行求解,得到分配给每台机组的功率。仿真结果表明,所提出的方法不仅能够根据风电机组的健康状态合理分配机组功率,而且能够满足调度中心下达的风电场总的发电功率。
文摘文中首先聚焦于风电机组桨叶零位偏移故障,利用GH-Bladed风机仿真软件仿真不同工况下的桨叶零位偏移,研究零位偏差对运行机组叶轮转速、叶根弯矩的影响,并采用风电机组轴向加速度1P谐波幅值和3P谐波幅值之比拟合桨叶零位偏差判定曲线图,构建桨叶零位偏差判定模型。再基于神经网络技术,分析机组实际运行数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)历史数据,完成变桨故障特征提取和数据分析处理,训练添加注意力机制的长短期记忆神经网络(Long Short-term Memory Neural Network,LSTM)模型,构建AT-LSTM变桨健康状态预测模型,并从多个分类模型指标,将AT-LSTM与循环神经网络(RNN)和长短期记忆神经网络(LSTM)进行对比,证明了添加注意力机制对于神经网络带来的提升。
文摘为提高风电机组运行效率,降低风电场运营成本,对风电机组运行状态监测显得尤为重要,提出一种基于数据采集与监控(supervisory control and data acquisition,简称SCADA)系统和萤火虫改进麻雀搜索算法优化深度置信网络(firefly improved sparrow search algorithm optimized deep belief network,简称FISSA-DBN)的风电机组状态监测新方法。首先,对SCADA数据进行预处理分析,并利用专家系统和皮尔逊相关系数分析,相关分析选取输入参数和输出参数;其次,利用预处理数据集建立基于FISSA-DBN的风电机组运行状态监测新模型,根据模型预测值和实际输出值之间的重构值误差,以及指数加权移动平均阈值(exponentially weighted moving average,简称EWMA)判断是否有异常;最后,以华东某风电场实际数据为例进行实例验证。结果表明,所提出方法的预警时间比实际记录时间最早可提前4 d多。同时,将所提出方法与其他方法进行对比,结果表明该方法预警时间提前,模型预测误差更小。
