基于SSA-GPR模型的风电机组运行状态监测

doi:10.16628/j.cnki.2095-8188.2024.04.009

电器与能效管理技术 ›› 2024, Vol. 0 ›› Issue (4): 65-73.doi: 10.16628/j.cnki.2095-8188.2024.04.009

• 分布式电源及并网技术 • 上一篇下一篇

基于SSA-GPR模型的风电机组运行状态监测

张杰¹, 任康¹, 马天², 王伟璐², 邢作霞³, 韩广明²

1.沈阳工业大学电气工程学院, 辽宁沈阳 110870
2.中国大唐集团新能源股份有限公司, 北京 100000
3.辽宁省风力发电技术重点实验室, 辽宁沈阳 110870

收稿日期:2023-10-25 出版日期:2024-04-30 发布日期:2024-06-25
作者简介:张杰(1998—),男,硕士研究生,研究方向新能源发电技术。|任康(1999—),男,硕士研究生,研究方向为新能源发电技术。|马天(1988—),男,主要从事风力发电机组控制系统优化研究。
基金资助:
辽宁省兴辽英才计划项目(XLYC2008005)

Wind Turbine Operation Status Monitoring Based on SSA-GPR Model

ZHANG Jie¹, REN Kang¹, MA Tian², WANG Weilu², XING Zuoxia³, HAN Guangming²

1. School of Electrical Engineering, Shenyang University of Technology, Shenyang 110870, China
2. China Datang Group New Energy Co., Ltd., Beijing 100000, China
3. Liaoning Key Laboratory of Wind Power Technology, Shenyang 110870, China

Received:2023-10-25 Online:2024-04-30 Published:2024-06-25

摘要/Abstract

摘要：

为提高风电机组发电效率,增加经济收益,实现风电机组运行状态的在线监测,提出一种基于麻雀搜索算法优化高斯过程回归(SSA-GPR)模型的风电机组状态监测新方法。首先对数据采集与监视控制(SCADA)系统采集到的数据进行预处理分析,利用相关性分析完成模型的输入量选择;然后利用机组正常运行状态下的参数建立常态回归模型,实时计算重构误差,通过实时监测功率残差值是否超过动态故障阈值来判断机组状态。实例结果表明,所提方法的预测误差更小,并可以提前120 min实现机组异常运行状态预警。

关键词: SCADA数据, 麻雀搜索算法, 高斯过程回归, 状态监测, 风电机组

Abstract:

In order to improve the power generation efficiency and economic benefits of wind turbines, the online monitoring of the operating status of wind turbines is particularly important. A new method for monitoring the status of wind turbines based on sparrow search algorithm optimized Gaussian process(SSA-GPR) model is proposed. Firstly, the data collected from data collection and monitoring is preprocessed and analyzed. The correlation analysis is used to select the input of the model. A normal regression model using the parameters of the unit under normal operating conditions is established to calculate the reconstruction error in real-time. The unit status is determined by monitoring whether the predicted power residual exceeds the dynamic fault threshold in real-time. Through examples, it is shown that the proposed SSA-GPR model smaller prediction error and can achieve abnormal operation status warning of the unit 120 minutes in advance.

Key words: SCADA data, sparrow search algorithm(SSA), Gaussian process regression(GPR), status monitoring, wind turbine

中图分类号:

TM614

张杰, 任康, 马天, 王伟璐, 邢作霞, 韩广明. 基于SSA-GPR模型的风电机组运行状态监测[J]. 电器与能效管理技术, 2024, 0(4): 65-73.

ZHANG Jie, REN Kang, MA Tian, WANG Weilu, XING Zuoxia, HAN Guangming. Wind Turbine Operation Status Monitoring Based on SSA-GPR Model[J]. LOW VOLTAGE APPARATUS, 2024, 0(4): 65-73.

图/表 15

图1

表1

图2

图3

图4

表2

图5

表3

图6

图7

图8

图9

图10

图11

图12

参考文献 21

[1]	CHEN X, YAN R, LIU Y, et al. Wind turbine condition monitoring and fault diagnosis in China[J]. IEEE Instrumentation & Measurement Magazine, 2016, 19(2):22-28.
[2]	PEI Y, QIAN Z, JING B, et al. Data-driven method for wind turbine yaw angle sensor zero-point shifting fault detection[J]. Energies, 2018, 11(2):553-567.
[3]	杨天玥, 赵丽军, 徐健, 等. 基于混合Copula函数的风电机组异常识别方法[J]. 电气开关, 2021, 59(2):26-31.
[4]	郭莹莹, 张磊, 肖成, 等. 基于改进深度森林算法的风电机组故障诊断技术研究[J]. 可再生能源, 2019, 37(11):1720-1725.
[5]	WANG Y, HU Q, LI L, et al. Approaches to wind power curve modeling:a review and discussion[J]. Renewable and Sustainable Energy Reviews, 2019(116):109422.
[6]	饶雷, 何璇, 吴沁, 等. 基于改进DS证据理论的海上风电机组变桨系统健康状态评估方法[J]. 船舶工程, 2022, 44(S2):20-26.
[7]	庞艳华. 基于SCADA数据时空特征挖掘的直驱风电机组故障诊断[D]. 秦皇岛: 燕山大学, 2021.
[8]	周全. 基于RBF神经网络的海上风电机组多部件状态预警研究[D]. 上海: 上海电力大学, 2022.
[9]	MICHAEL D, VERHOEF J M, FUENTES C, et al. A linear mixed model formulation for spatio-temporal random processes with computational advances for the product-sum and product-sum covariance functions[J]. Spatial Statistics, 2021, 43(5):100510-100530.
[10]	DUAN G, MIAO J, HUANG T, et al. A relational adaptive neural model for joint entity and relation extraction[J]. Frontiers in Neurorobotics, 2021, 15(1):635480-635492.
[11]	李军, 杜雪. 稀疏高斯过程在短期风电功率概率预测中的应用[J]. 电机与控制学报, 2019, 23(8):67-77.
[12]	李超然, 肖飞, 樊亚翔, 等. 基于高斯过程回归的锂电池SOC估算方法[J]. 海军工程大学学报, 2021, 33(1):55-59.
[13]	朱亚玲. 基于改进高斯过程回归的负荷预测模型研究[D]. 淄博: 山东理工大学, 2022.
[14]	CHEN Z, WANG B. How priors of initial hyperparameters affect Gaussian process regression model[J]. Neurocomputing, 2018(275):1702-1710.
[15]	姚之琳. 基于高斯过程回归的分层注水量预测研究[D]. 哈尔滨: 哈尔滨理工大学, 2020.
[16]	XUE J K, SHEN B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. System Science and Control Engineering, 2020, 8(1):22-34.
[17]	薛建凯. 一种新型的群智能优化技术的研究与应用[D]. 上海: 东华大学, 2020.
[18]	徐鹏飞. 基于麻雀搜索算法的改进研究与应用[D]. 重庆: 西南大学, 2022.
[19]	贠涛, 张金倩楠, 李姗姗, 等. 基于斯皮尔曼系数和多层感知机的专家评审行为分析评估方法探究[J]. 科技通报, 2022, 38(5):107-112.
[20]	田艳丰, 王顺, 王哲, 等. 基于粒子群算法改进极限学习机的风电功率短期预测[J]. 电器与能效管理技术, 2022(3):39-44.
[21]	张留生, 谢震, 许可宝, 等. 基于超速和变桨优化协调的双馈风电机组一次调频控制[J]. 电器与能效管理技术, 2021(10):18-27.

风电机组异常状态种类	原因
运行异常	风电机组在运行过程中出现的各种故障,如电机过载、电路故障、传动系统故障等, 导致风电机组无法正常运转或运行不稳定
润滑系统异常	润滑系统出现故障,如润滑油泵故障、油液污染等,影响风电机组正常的润滑与冷却
轴承故障	风机组轴承出现损坏、磨损、松动等问题,导致噪声增加、振动加剧, 进而影响风电机组的运行稳定性
叶片异常	风电机组叶片出现断裂、变形、腐蚀等问题,导致风电机组转速降低、效率减低,甚至引发整机振动
电气故障	风电机组电气系统出现故障,如电缆断路、接线松动、控制器故障等, 会导致风电机组无法正常启动、停止或调节
传感器故障	风电机组监测系统中的传感器出现故障,如温度传感器失灵、压力传感器故障等, 会导致监测数据失准或无法获取
警报状态	风电机组监控系统检测到的异常情况,并发出警报信号, 如高温警报、低压警报、过载警报等

相关参数	ρ_x_,_y	r
功率-转速	0.891	0.716
功率-桨距角	-0.575	-0.296
功率-风速	0.964	0.897
功率-偏航角	-0.010	0.016
功率-叶尖速比	-0.530	-0.297
功率-风能利用系数	-0.344	-0.285
转速-桨距角	-0.388	-0.764
转速-风速	0.931	0.833
转速-偏航角	-0.008	0.049
转速-叶尖速比	-0.368	0.208
转速-风能利用系数	-0.354	-0.445
风速-叶尖速比	-0.548	-0.306
风速-风能利用系数	-0.388	-0.438
偏航角-叶尖速比	0.156	0.046
偏航角-风能利用系数	0.128	-0.025
叶尖速比-风能利用系数	0.189	0.173

模型	e_MSE	e_MAE	R²
GPR	5.97	4.98	0.893
SSA-GPR	3.45	1.72	0.975

基于SSA-GPR模型的风电机组运行状态监测

Wind Turbine Operation Status Monitoring Based on SSA-GPR Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 21

相关文章 6

编辑推荐

Metrics

本文评价

[1]	王胜研, 王娟娟. 基于VMD-FE-SSA-SVR模型的超短期风速预测[J]. 电器与能效管理技术, 2024, 0(4): 57-64.
[2]	朱若男, 王晓东, 刘颖明, 张英豪. 考虑漂浮式基础位移的风电场尾流优化策略研究[J]. 电器与能效管理技术, 2023, 0(7): 1-9.
[3]	邓惟绩, 肖辉, 李金泽, 王家奇, 卢文韬. 基于改进长短期记忆网络和高斯过程回归的光伏功率预测方法[J]. 电器与能效管理技术, 2021, 0(8): 51-57.
[4]	张留生, 谢震, 许可宝, 张兴. 基于超速和变桨优化协调的双馈风电机组一次调频控制[J]. 电器与能效管理技术, 2021, 0(10): 18-27.
[5]	廉世军, 武建文, 张路明, 王苏华, 刘科新. 适配MCB实现IoT功能的装置设计与实现[J]. 电器与能效管理技术, 2021, 0(1): 49-53.
[6]	杨菊芳, 崔勇, 姬德森. 基于同步差分信号采样的计量远程校验装置优化设计[J]. 电器与能效管理技术, 2020, 0(12): 74-79.