Wind Turbine Operation Status Monitoring Based on SSA-GPR Model

doi:10.16628/j.cnki.2095-8188.2024.04.009

Abstract

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

CLC Number:

TM614

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.

Figures/Tables 15

References 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