海上大兆瓦风电机组故障预测与识别.pdf
《海上大兆瓦风电机组故障预测与识别.pdf》由会员分享,可在线阅读,更多相关《海上大兆瓦风电机组故障预测与识别.pdf(6页珍藏版)》请在咨信网上搜索。
1、第2 3卷 第1 7期2 0 2 3年 9月 科 技 和 产 业S c i e n c eT e c h n o l o g ya n dI n d u s t r y V o l.2 3,N o.1 7S e p.,2 0 2 3海上大兆瓦风电机组故障预测与识别张智伟1,王 靖1,黄煜明2,郑俊杰3(1.上海海湾新能风力发电有限公司,上海2 0 0 4 3 3;2.江苏金风科技有限公司,江苏 盐城2 2 4 0 0 3;3.北京金风科创风电设备有限公司,北京1 0 0 1 7 6)摘要:随着双碳战略的持续推进,可再生能源发电的重要性越来越被重视。海上风电机组位于偏僻地区,故障后维修难度较大,
2、因此风电机组故障预测与识别技术研究至关 重要。基 于P y t h o ns k l e a r n的 机器 学 习框 架和 基于T e n s o r F l o w的故障预警方法,采用多种特征提取方式,并使用卷积神经网络进行特征融合和分类,可实现海上风电系统的故障诊断和预警。详细介绍该方法的设计思路、实验步骤和实验结果,并对该方法进行评估和分析。关键词:机器学习;T e n s o r F l o w;卷积神经网络;风电机组故障中图分类号:T P 2 7 7 文献标志码:A 文章编号:1 6 7 1-1 8 0 7(2 0 2 3)1 7-0 2 7 3-0 6收稿日期:2 0 2 3-0
3、 4-0 6作者简介:张智伟(1 9 7 8),男,上海人,上海海湾新能风力发电有限公司,工程技术部主任,高级工程师,研究方向为新能源发电;王靖(1 9 7 5),男,浙江温州人,上海海湾新能风力发电有限公司,生产运行部副主任,工程师,研究方向为风电运维管理;黄煜明(1 9 9 4),男,广东中山人,江苏金风科技有限公司,工程师,研究方向为新能源发电;郑俊杰(1 9 8 6),男,陕西西安人,北京金风科创风电设备有限公司,海工电气负责人,工程师,研究方向为风电运维技术。随着“双碳”目标战略的加速推进,可再生能源对于优化我国能源结构、保障能源安全、构建新型能源体系、助力实现“双碳”战略目标具有重
4、要作用。风力发电作为重要的可再生能源之一,已经成为世界各国推广的重点。而海上风电机组具有风能资源丰富、单机装机容量大、利用率高等优势,已经成为风力发电的重要发展方向。然而,由于海上风电机组地理位置偏远、环境恶劣,因此故障率较高,维护难度也较大1-2。因此,对于海上风电机组的故障预测和 识别技术 的研究具 有 重 要 的 现 实意义3-4。变流器是风力发电机组中最关键的部件,其主要作用是将风力发电机产生的交流电转换为高质量的交流电,以便通过电网进行输送和利用。变流器可以控制风力发电机的转速、电压、频率等参数,从而实现最佳的发电效率和稳定性5。而变流器水冷系统则是为了保证变流器的稳定性和可靠性而设
5、计的。由于变流器在工作时会产生大量的热量,如果不能及时散热,就会导致变流器温度过高而损坏。因此,变流器水冷系统可以通过水循环来吸收热量,并将其散发到外部环境中,从而保持变流器的正常工作温度,提高其工作效率和寿命6。每年春夏季节,柳树和杨树的絮屑随气流飘荡后阻塞外部散热器的进风口7,给海上风电运维工作带来了严重困难。夏博等2在风电采集与监视控制系统数据问题上与深度学习方法相结合,并对今后的研究重点进行了展望。程江洲等8提出了一种基于改进贝叶斯网络的风 电机组故障 诊断与风险 预 测 模型,为风电机组故障诊断和风险预测提供有效依据。沈剑飞和翟相彬9通过风电场选址、风机选择、融资方式选择3个手段来降
6、低风电场在全寿命周期下的总成本。朱国栋1 0为了解决风电故障寿命问题,对风电项目可持续发展能力进行了研究,从风资源、风电消纳、运行状况、财务状况4个考虑建立评价指标体系,对故障问题方面进行了阐述分析。苗青等1 1对变流器结构性能进行对比分析,做出对变流器拓扑结构的合理选择。对风电机变流器的故障研究方式众多,但对变流器的故障模式缺少更准确的研究。针对变流器的主要故障模式,本文提出一种基于P y t h o ns k l e a r n的机器学习框架,用于预测和识别海上大型兆瓦机组的故障。特别是使用支持向量机(s u p p o r tv e c t o rm a c h i n e,S VM)、
7、随机森林(r a n d o mf o r e s t,R F)和 深 度 学 习(d e e pl e a r n i n g,D L)等算法来建立模型,分析和测试关于实际故障发生的数据。实验和结果表明,使用来自s k l e a r n的机器学习技术在识别故障方面具有较高的准确率,可以有效地提高海上风电机组故障的预测和识别。372风电大数据故障预警模型上线流程如图1所示。本文中着重对特征标准化、特征提取、数据转换、模 型 训 练 和 模 型 评 估5个 方 面 进 行 详 细阐述1 2。图1 风电大数据预警模型上线流程本文中提出的风力发电机组大数据故障预警模型是针对华东地区海上某风场的6.
8、4 5MW机组变流器主要故障模式进行设计的,监控风机变流器水冷系统的运行情况。为预测变流器水冷系统的温度1 3,筛选出6个直接决定和影响变流器温度的相关参数,包括水冷系统出口温度、水冷系统出口水压、水冷系统进口水压、水冷系统进口温度、环境温度和风机功率。1 特征标准化特征标准化是数据预处理过程中常用的一种方法1 4。它可以将数据转化为均值为0、标准差为1的标准正态分布,也可以将数据标准化到01。特征标准化可以使得各个特征的大小范围相同,避免了某些数据的特征对结果的影响较大,从而提高了模型的准确性和预测能力,同时能够减少样本误差,稳定模型的性能。在P y t h o n中,可以使用M i n M
9、 a x S c a l e r函数对数据进行标准化。M i n M a x S c a l e r函数是s k l e a r n.p r e p r o c e s s i n g模块中的一个类,可以将数据转化为01的范围之内。其中的关键步骤是对样本进行计算平均值和标准差的统计,再利用测试样本进行m i n-m a x缩放。M i n M a x S c a l e r实现特征标准化采用如下公式:X_s t d=(X X.m i n(a x i s=0)/(X.m a x(a x i s=0)-X.m i n(a x i s=0)(1)X_s c a l e d=X_s t d*(m a
10、x-m i n)+m i n(2)式中:a x i s=0为计算每一列的最大值和最小值。函数将X中的每一列缩放到01,然后进行平移和缩放,使得每一列都符合标准正态分布。2 特征提取特征提取是一个旨在识别和提取重要特征的任务,从而降低数据的复杂度,以便更容易进行模式识别和分类1 5。在时间序列数据中,特征提取是一个特别重要的任务,因为时间序列数据具有高度相关性和复杂性。因此,通过提取出数据中最相关的、最有 用 的 特 征,可 以 帮 助 更 好 地 理 解 和 处 理数据。使用时间序列数据进行特征提取,并通过小波包分析和卷积神经网络(c o n v o l u t i o n a ln e u
11、r a ln e t-w o r k,C NN)进行特征融合和分类。在特征提取过程中,将时间序列数据切分成固定长度的时间序列样本,可以减少数据噪声和冗余,更好地保留数据的有用信息;通过小波包分析,则可以更好地处理信号的这些高频成分;C NN则可以从中提取出更高级、更抽象的特征。在将小波包分析和C NN结合起来时,小波包分析通常用于分解各个频率下的信472 科技和产业 第2 3卷 第1 7期 号,C NN则用于处理来自各个分量的图像特征,从而实现特征融合。这样可以将时间序列问题转化为监督学习问题,从而可以使用监督学习算法来训练和测试模型。综上所述,特征提取的原理是基于对原始数据进行转换和处理,提
12、取出数据潜在的有用特征,从而更好地反映数据的本质特征。在时间序列数据的处理中,小波包分析和卷积神经网络联用是一种有效的方式,可以运用不同的技术取长补短,提取更为有效的数据特征,并加以融合,从而提高数据分类和预测的准确性,提高数据处理和监督学习的效率和精度。3 数据转换数据转换的作用是将原始数据转化为适用于机器学习和深度学习算法处理的有监督学习问题,使得机器可以从数据中学习规律和模式,并用于未来的预测和决策。特别地,对于时间序列数据,数据转换可以将观测值按照一定的时间范围进行滚动,以创建时间窗口,并将该时间窗口中的数据作为输入特征,窗口最后一个时间点的数据作为输出标签1 6。通过这种方式,可以获
13、得单位时间内的数据变化规律,使得机器可以对未来单位时间内的数据进行预测,而且可以帮助消除原始数据的噪声、消除数据中的周期性波动以及减少渐进性漂移等问题。特别是应用在风电机组数据的这种复杂时间序列数据中,数据转换还可以改进预测的准确性。数据转换的原理是基于滚动时间窗口将时间序列数据转化为监督学习问题,具体步骤如下:1)通过观察时序数据的特点来确定合适的窗口长度,在本例中,选择3 0m i n和6 0m i n作为窗口长度,以便学习时间尺度内的数据模式。2)按照窗口长度滚动数据,并将窗口内的数据作为输入特征,窗口末尾时刻的数据作为输出标签。这样,就可以创建有标签的数据点,用于监督学习算法的训练。3
14、)基于这些有标签的数据点,训练预测模型,通过对未来时间点的输入特征进行预测,以预测未来的标签。4 模型训练L i g h t G BM是用于处理具有复杂特征和大量数据的问题,如图像识别、自然语言处理、预测和推荐等1 7-1 8。L i g h t G BM使用了一种称为G O S S(g r a d i-e n t-b a s e do n e-s i d es a m p l i n g)技术来加快训练速度,该技术可以通过去除梯度小的样本来减少数据数量1 9-2 0,从而提高模型的效率。此外,L i g h t G BM通过使用直方图来对特征进行离散化,并且可以快速地找到最佳划分点,从而提高
15、特征筛选的效率。在训练时,L i g h t G BM使用了基于l e a f的决策树来进行优化,即只考虑每个树叶子节点的信息,而不是考虑整个树。在风电数据领域,L i g h t G BM相比其他机器学习算法(如决策树、随机森林、神经网络等)有以下几个优势:1)高效性。风电数据通常属于高维稀疏数据,包含大量的定量和定性特征,对于这种数据而言,L i g h t G BM在处理大规模数据时比其他算法更高效,由于使用了G O S S,可以忽略那些梯度比较小的样本点,减少训练集的样本数。因此,它对于计算资源的要求更小,可以更快地训练模型。2)准确性。由于使用切分点的直方图算法,L i g h t
16、G BM能更准确地寻找最优划分点,同时使用l e a f优化提高了模型的精度。3)鲁棒性。L i g h t G BM能够在不均衡数据集、高维度数据集和缺失数据集上表现出更好的鲁棒性,具有更高的容错性和泛化性能。4)可解释性。L i g h t G BM拥有容易理解的模型结构,输出的树形结构是可解释的,有助于深入理解变量和特征之间的关系,从而更好地进行数据分析和建模。将时间序列数据转换为适合机器学习算法处理的数据格式,创建适合L i g h t G BM模型处理的数据集,并使用L i g h t G BM模型对数据进行训练和预测。5 模型测试与评估模型评估是使用s k l e a r n.m
17、e t r i c s库中的函数,用于评估机器学习模型的性能,其中包括以下几个指标2 1-2 2:1)均 方 误 差(m e a ns q u a r e de r r o r,M S E)。M S E表示预测值与真实值之间差值的平方和除以样本个数,是回归问题中最常用的评估指标。它的计算公式为M S E=1/n(y_p r e d-y_t r u e)2(3)式中:n为样本个数;y_p r e d和y_t r u e分别为模型的预测值和真实值。2)平均绝对误差(m e a na b s o l u t ee r r o r,MA E)。MA E表示预测值与真实值之间差值的绝对值之和除以样本个数
18、,也是回归问题中常用的评估指标。它的计算公式为572 张智伟等:海上大兆瓦风电机组故障预测与识别 MA E=1/n|y_p r e d-y_t r u e|(4)3)平均绝对百分误差(m e a na b s o l u t ep e r c e n t-a g ee r r o r,MA P E)。MA P E表示预测值与真实值之间差值的绝对值除以真实值再乘以1 0 0%的平均数。它对于处理数据单位不同的数据集时非常有用,也是回归问题中常用的指标之一。它的计算公式为MA P E=1/n(|y_p r e d-y_t r u e|/y_t r u e)1 0 0%(5)4)R2得分(Rs q
19、u a r e ds c o r e)。R2得分表示模型的解释能力,即模型对因变量的变异能够解释多少。它的值为01,值越接近1表示模型的解释能力越好。它的计算公式为R2=1-(y_p r e d-y_t r u e)2/(y_t r u e-y_a v g)2(6)式中:y_a v g表示真实值的平均数。这些指标的作用在于对机器学习模型的性能进行评估,以确定模型预测准确性的好坏。在选择模型和调整模型参数时,可以根据不同的指标进行评估和比较,从而选择最合适的模型和参数组合。在进行模型测试过程中,首先需要对模型进行训练,然后利用测试集对模型的性能进行评估,根据评估结果进行优化调整,得到最终的表现最
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 海上 兆瓦 机组 故障 预测 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。