基于SCADA和支持向量回归的风电机组状态在线评估方法.pdf

万方数据

基于SCADA和支持向量回归的风电机组状态在线评估方法梁颖，方瑞明足，提出了基于回归预测模型和sCADA报警系统相配合的鲁棒性更强的在线评估方案；其次，对引言摘要：为提高风电机组并网运行的实时可靠性、优化机组维修策略、降低风力发电成本，有必要充分考虑风电机组各部件或子系统之间的相互作用和耦合关系。利用数据挖掘技术，建立了一个针对风电机组整体运行状态的在线评估模型。首先，分析了数据采集与监控(SCADA)报警系统的不评估方案中的回归预测模型进行了详细说明，建立了以SCADA系统的部分监测项目为输入量、以风电机组有功功率为输出量的基于支持向量回归(SVR)算法的回归预测模型。最后，利用某风电场的实测数据对所提出的在线评估模型进行了验证，结果证明了此方法的可行性。关键词：支持向量回归；风电机组；状态评估；数据采集与监控系统；数据挖掘；残差控制随着能源危机的加剧以及人类环护意识的增强，风能以其技术程度、基础设施建设以及成本方面的优势日益受到重视。然而，高达10％～15％的运行和维护成本[13严重制约着风力发电行业的发展。因此，从降低风电机组运行风险和减少风力发电的运行成本等方面考虑，在线的状态监测系统(CMS)在风力发电行业得到了飞速的发展。现有状态监测技术中应用最广泛的是振动分析[2。3]、油液监测‘41以及电流(电压)信号分析[5嵋。等。这些技术可以实现对目标对象运行状况的实时监测和在线分析，及时发现其故障隐患。因此，许多学者将其应用于评估风电机组关键部件或子系统[1’71的运行状况，如叶片陪9I、齿轮箱[2’4’10。12|、发电机[6’1轴承[1胡等。然而，这些技术在一定程度上难以准确考虑风电机组各部件或子系统之间的相互作用和交叉耦合关系，即无法从整体层次上对风电机组的运行状态进行监控[3]。数据采集与监控(SCADA)系统是近几年应用于风电机组的状态监测系统，其主要功能为定期采集并记录风电机组各部件或子系统的状态数据。因此，如果能够利用现有的SCADA系统所获取的设备状态信息，结合状态监测，可以更好地反映设备运行状况，并减少风电机组对状态监测的要求。但是，现有SCADA系统大多缺乏有效的系统状态评估算法，导致SCADA系统无法判定风电机组整体的实时运行状态，只有当采样数据越限时，才能给出相应部件的报警信息，然而此时故障可能已经恶化到一定程度，如齿轮卡死、液压泵不工作等，无法起到预警作用。为实时掌握风电机组的运行状况、优化维修策略，建立基于SCADA监测数据的评估算法具有重要的学术价值和应用前景。目前，已有相关文献研究了基于神经网络[11。12’15|、概率统计[16_17]以及基于物元分析的综合关联评判[183等方法的风电机组状态评估模型，其基本思路有2种：一是从SCADA历史数据中挖掘已发生故障的相关信息，建立此类故障的辨识模型，如文献[15—16]；二是从SCADA历史数据中挖掘正常运行时的相关数据，建立风电机组运行状态是否异常的判定模型，如文献[12，17]。前者要求具有大量的已发生故障的信息，对投入运行不久的风电机组来说，条件较难满足，且建立的模型受已知故障类型的限制，无法辨识未知故障。后者虽然可以规避以上不足，但现有的文献缺乏对风电机组整体运行状况的研究，例如：文献[12]对齿轮箱建立神经网络回归模型；文献[17]建立的功率曲线对比模型只以风速作为输入量。作为一个复杂的非线性耦合系统，上述模型显然无法精确描述风电机组的整体运行状况。为充分考虑风电机组各部件或子系统之间的相互作用和耦合关系，本文利用数据挖掘技术，从SCADA历史监测数据中提取风电机组各部件或子系统之间的相互作用和耦合关系，建立了基于风电第37卷第14期2013年7月25日电力系统自动化DOI：10．7500／AEPS201209163(华侨大学信息科学与工程学院，福建省厦门市361021)03]和国家自然科学基金资助项目(51177039)；福建省高等学校新世纪优秀人才支持计划资助项目(2010一24)；中央高校基本科研业务费专项资金资助项目(JBZRll25，JBJCl008)。July收稿日期：2012一09—18；修回日期：2013一04一02。AutomationofElectricPowerSystemsV01．37No．1425，2013。。。。一』。。。——
万方数据
一一一一一一匝画叵固统[j亘匿E][二塑二]电暴自在线评估方法简介I宣笙笪迪塑垫矍l动机组实时运行数据的回归预测模型。该模型与原有的SCADA报警系统集成为一个针对风电机组整体运行状态的在线评估方法。利用该方法，监测人员可依据SCADA报警系统、风电机组实时功率与预测功率的残差及其趋势，判断风电机组是否发生故障。本文研究所用SCADA系统是辽宁某风电场配备的