基于BES-ELM的风电机组故障诊断.pdf
《基于BES-ELM的风电机组故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于BES-ELM的风电机组故障诊断.pdf(7页珍藏版)》请在咨信网上搜索。
1、排灌机械工程学报Journal of Drainage and Irrigation Machinery Engineering2023年10 月第41卷第10 期Oct.2023Vol.41No.10基于BES-ELM的风电机组故障诊断王俊1.2*,席芳3*,周川1-2,蔡彦枫 2,王洁12,王金城4,许昌(1.广东科诺勘测工程有限公司,广东广州5 10 6 6 3;2.中国能源建设集团广东省电力设计研究院有限公司,广东广州5 10 6 6 3;3.中交智慧城市生态发展(广州)有限公司,广东广州5 10 2 9 0;4.河海大学能源与电气学院,江苏南京2 1110 0)王俊摘要:针对极限学习
2、机相关参数的选取不当导致其诊断结果与准确率受影响的问题,提出利用秃鹰搜索算法对极限学习机的权值和偏置的选取进行优化,构建秃鹰搜索优化算法和极限学习机组合的风力发电机组故障诊断模型(BES-ELM).对风电场某一台风力发电机组在发电机过热(S1)、馈电故障(S2)、变流器冷却系统故障(S3)和正常(S4)等4种状态下的相关SCADA数据进行清晰、补充等相关预处理和特征选取后构成故障样本集,其中样本集的8 0%作为训练集,20%作为测试集.分别采用标准极限学习机、基于遗传优化算法和粒子群优化算法的极限学习机模型对这些故障样本进行分类.结果显示,与标准极限学习机、遗传算法和粒子群算法优化的极限学习机
3、模型相比,BES-ELM模型的诊断准确率达到9 8.7 5%,有效提高了风电机组故障诊断的准确率.关键词:故障诊断;秃鹰搜索算法;极限学习机;风电机组;参数优化中图分类号:TK83文献标志码:A文章编号:16 7 4-8 5 30 2 0 2 3)10-10 2 3-0 7D01:10.3969/j.issn.1674-8530.22.0234王俊,席芳,周川,等.基于BES-ELM的风电机组故障诊断 J.排灌机械工程学报,2 0 2 3,41(10):10 2 3-10 2 9.WANG Jun,XI Fang,ZHOU Chuan,et al.Wind turbine fault diag
4、nostic model based on BES-ELM J.Journal of drainage and ir-rigation machinery engineering(JDIME),2023,41(10):1023-1029.(in Chinese)Wind turbine fault diagnostic model based on BES-ELMWANG Jun-*,XI Fang*,ZHOU Chuan,CAI Yanfeng,WANG Jie-2,WANG Jincheng*,U Chang.(1.Guangdong Kenuo Surveying Engineering
5、 Co.,Ltd.,Guangzhou,Guangdong 510663,China;2.China Energy Group GuangdongElectric Power Design Institute Co.,Ltd.,Guangzhou,Guangdong 510663,China;3.CCCC Smart City Co.,Ltd.,Guangzhou,Guangdong 510290,China;4.College of Energy and Electrical Engineering,Hohai University,Nanjing,Jiangsu 211100,China)
6、Abstract:To address the problem that improper selection of relevant parameters in extreme learningmachine(ELM)affects its diagnostic results and accuracy,the selection of weights and biases of theELM based on bold eagle search(BES)algorithm was optimized,and a wind turbine fault diagnosismodel combi
7、ned with vulture search algorithm optimization and extreme learning machine(BES-ELM)was constructed.The relevant SCADA data of a wind turbine in a wind farm in four states,includinggenerator overheating(S1),feeder failure(S2),converter cooling system failure(S3)and normal(S4)was preprocessed and fea
8、tures were selected to form a fault sample set,with 80%of the sampleset being the training set and 20%being the test set.These fault samples were classified using standardELM,extreme learning machine model based on genetic optimization algorithm and particle swarm op-timization algorithm,respectivel
9、y.The results show that compared with the standard extreme learning收稿日期:2 0 2 2-0 1-0 6;修回日期:2 0 2 2-12-11;网络出版时间:2 0 2 3-10-0 8网络出版地址:https:/ 0 19 YFE0104800);国家自然科学基金委雅奢江联合基金资助项目(U1865101)第一作者简介:王俊(19 8 3一),男,江苏盐城人,硕士研究生,高级工程师(通信作者,),主要从事电力工程水文气象研究.第二作者简介:席芳(19 8 7 一),女,山东枣庄人,高级工程师(),主要从事智慧基建研究.10
10、24排灌机械工程学报第41卷machine,the model optimized by genetic algorithm and particle swarm algorithm,the diagnostic accu-racy of the BES-ELM model reaches 98.75%,which effectively improves the accuracy of wind turbinefault diagnosis.Key words:fault diagnosis;bold eagle search(BES)algorithm;extreme learning m
11、achine(ELM);wind turbine;parameter optimization风能作为一种清洁且与环境友好的可再生能源,具有低碳耗、低污染、低排放的特点 .为了应对环境污染破坏所导致的全球变暖和能源危机等一系列问题,诸多国家积极发展风电产业寻求能源替代品,使得风电机组累计装机容量快速平稳增长.世界风能协会在2 0 2 1年3月2 4日公布的风力发电统计相关数据显示,2 0 2 0 年全球风力发电总装机容量已达7 44 GW2.风电场通常坐落于偏远山区、草原、戈壁滩、沿海滩涂或近海等风能资源较丰富但环境相对较恶劣的区域,工作环境复杂多变,易受不稳定载荷与不可控因素影响,这些工况条
12、件增加了风电机组故障的发生率 3.随着机组装机总量的提升,发生故障的机组比例也逐步提高,有效的故障诊断技术显得颇为重要.它能帮助运行维护人员及时发现机组的异常运行状态,快速分辨故障类型并采取相应的措施,在很大程度上减少故障对机组及电网的影响,确保整个风电场能够安全平稳、经济高效地运作 4目前,SCADA系统多被应用于采集风电机组运行的关键参数,并搭建相应的数据库存储数据,可用于大数据分析机组运行状态,搭建数据驱动的故障诊断模型 5 .在风电机组故障诊断检测技术中,人工神经网络(ANN)6 、支持向量机(SVM)【7 和极限学习机(EL M)8 是应用较为广泛的分类算法.ELM具有学习速度快、泛
13、化能力强、诊断精确度高等优点.但采用ELM网络模型时,需要人工设置输人层权重w和隐藏层偏置b等相关参数,若设置不当可能会导致故障诊断精度的降低.针对ELM模型对相关参数值要求较高的问题,文中提出一种基于秃鹰搜索(baldeagle search,BES)算法优化的ELM模型,并采用这个模型对风电机组故障进行分类.文中主要进行以下工作:构建BES-ELM故障诊断模型.通过BES算法优化ELM的输人层权重w和隐藏层偏置b,使用优化后的参数搭建诊断模型.对原始SCADA数据预处理,得到故障数据集,并把这些故障数据作为训练数据,分别采用ELM,G A-EL M,PO S-ELM和BES-ELM模型进行
14、故障分类,比较其分类效果.1研究方法1.1秃鹰搜索算法秃鹰搜索算法是ALSATTAR等 9 、贾鹤鸣等 10 受秃鹰狩猎行为的启发而提出的一种新型群智能优化算法.它不受目标函数可微、可导、连续性等特性的限制,具有较强的全局搜索能力、较好的稳定性、收敛速度快等特点.BES搜索算法模拟捕食猎物的行为,将其分为选择搜索空间、搜索猎物和俯冲捕获猎物等3个阶段.1)选择搜索空间阶段:在此阶段,秃鹰随机选择搜索区域,寻找猎物数量最多的区域.该阶段的位置更新描述为Lie=Ler+(Lm-Li),式中:Liew为第i只秃鹰的最新位置;Lbest为当前的最优位置;Li为第i只秃鹰的位置;Lmean为先前搜索结束
15、后的平均分布位置;为位置变化控制参数,E1.5,2.0;r为随机数,rE(0,1).2)搜索猎物阶段:秃鹰在搜索猎物阶段,在选定的空间内以螺旋形状飞行搜索猎物,并在螺旋形空间内以不同的方向移动,锁定猎物位置之后加快搜索速度,寻找最佳俯冲捕获位置.螺旋飞行位置更新描述为(i)=rand(0,1),r(i)=0(i)+rand(0,1),xr(i)=r(i)sin(o(i),yr(i)=r(i)cos(o(i),xi(i)=*:(i)max(|x rl)yi(i)=:r(i)max(ly rl),式中:0(i)为螺旋方程的极角;r(i)为螺旋方程的极径;,为控制螺旋轨迹的参数,(0,5),E(0.
16、5,2.0);x(i)与y(i)为极坐标中位置,取值均为(-1,1).位置更新为(1)(2)(3)(4)(5)(6)(7)第10 期王俊,等基于BES-ELM的风电机组故障诊断1025Lhew=Li+x(i)(Li-Lmean)+y(i)(Li-Lil),式中:L+1为第i只秃鹰下一次更新位置.3)俯冲捕获猎物阶段:秃鹰从搜索空间的最佳位置快速俯冲飞向目标猎物,种群其他个体也同时向最佳位置移动并攻击猎物,该阶段的运动状态仍用极坐标方程描述,即Lnew=rand(0,1)Lbest+,+0,S,=xi(i)(Li-Ci Lmean),S,=yi(i)(Li-C2 Lbest),式中:Ci,c2为
17、秃鹰向最佳与中心位置的运动强度,C1,C2=1,2.为了验证BES的优越性,分别采用粒子群优化(paricle swarm optimization,PSO)、灰狼搜索(grey wolf optimization,GWO)12)与鲸鱼搜索(whaleoptimization algorithm,WO A)13 等算法进行几个基准测试函数的对比试验,试验中被采用的基准测试函数如表1所示,其中F1,F,为单峰测试函数,F,F4为多峰测试函数,为复合函数,D为维度.表1基准测试函数Tab.1Test functions for benchmarks函数表达式范围最优值Fi(x)=2(a:+0.5)
18、2台DF3(c)=(1/4 000)(x;100)-台D-100F4(x):=(/D)D10 sin(my,)+(;-1)1+10 sin(ryi+1)+(yp-1)Du(x,10,100,4)4种算法的种群规模统一设为2 0,最大迭代次数设为10 0 0,每种算法分别对各个测试函数进行20次独立试验,统计2 0 次独立试验得到的每种算法对各测试函数求解的最优解、平均值、标准差作为评价指标,试验结果如表2 所示.其中BES在基准测试函数F,和F中的收敛最优值与理论最优值一致,在基准测试函数F,和F4中的收敛最优值分别为1.37 7 10-和1.46 2 10-32.BES在4种基准测试函数中收
19、敛的最优值均低于PSO,GWO和WOA对应的最优值.表2测试结果Tab.2Test results(8)函数指标F最优值2.46 2 10-1均值6.5 2 1x10标准差3.2 0 110 2F2最优值4.17 9 10-3均值9.30710-1标准差7.15 3(9)F3最优值3.5 7 8 10-2(10)均值3.6 0 9 10-1标准差3.7 8 6 10-1(11)F4最优值8.8 6 410-2均值1.145104标准差2.5 6 310 5由表2 可知,与PSO,GWO,WOA相比,BES的收敛精度最好.1.2极限学习机极限学习机ELM是在传统前馈神经网络的基础上提出的一种神经
20、网络模型 14-15 .在运算过程中,ELM网络的输入权值和偏置是随机给定的,然后在保持神经网络特性的前提下,使用正则化原则计算并获得输出权值.ELM网络中的输入层和输出层均为1层,而隐含层可以是1层或者多层.在此算法中,输人层和隐-100,1000-1.28,1.280-600,600 0+150,50 PSO含层是由输入权值连接,隐含层和输出层之间由输出权值连接,权值和偏置是随机生成的.通过在训练过程中设置隐藏层的数量,容易得到唯一的最佳解决方案.设n,l,m 分别为输入层、隐含层、输出层的节点数,g(x)为隐藏的激励函数,则对应的ELM网络结构如图1所示.隐含层输入层g(.b0X1一x2
21、一Xi一W1i:Fig.1Structure of ELM network如图1所示,输人层的神经元数量与输人变量、输出层的神经元数量与输出变量均是一一对应的,其中输层对应n个相关变量,输出层对应个相关变量;含有1个神经元的隐含层为中间连接层,通过输人权值w与输入层连接,通过输出权值与输GWO1.12210-12.66710-42.5941022.4171022.858x1032.8341032.56410-46.83310-42.47310-12.43610-13.8534.154002.3092.1692.922102.861101.12310-24.52410-51.0741061.09
22、81061.8951071.967107输出层+y1g.b*y2:W2iW图 1ELM 网络结构WOA:*ymBES08.68310-26.01510-21.37710-51.29110-41.00110-301.06410-33.36210-21.46210-328.71210-38.62510-21026排灌机械工程学报第41卷出层连接,2 个权值的表达式为W1lW12W1iW21W22WWk1W2LWllW2122122.2i:=k2kmLBli2式中:wki,分别为单一神经元之间的连接权值和偏置;k记为连接隐含层第k个的神经元编号;i,j 分别代表输入层第i个神经元与输出层第j个神经元
23、的编号.设有Z个样本的训练集输人矩阵X和输出矩阵Y分别为1112X21X22X=Lxmly12y21y22Y:Lymlym2隐含层神经元的激活函数为g(),偏置b=bbbbiT,则这ELM网络的输出T为T=ti,t2,t2 mxz,Bug(w.a,+b.)i=1Zng(w.4;+b.)t2ii=1.mxl式中:w,=wa,wa,wn;x,=wy,wg,wWJT.则式(17)可表示为Hb=T,H=W,.,br,b2.,b,x,x2.,x2,(19)W1nW2iW2mWkiWknWliWmm2m:lm1znxzy2:ymzJmxz,j=1,2,.,Z,ZBmg(w.,+b)1i=1H=g(wx,+
- 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:
- 基于 BES ELM 机组 故障诊断
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。