论文摘要
为了延长风电机组平稳运行时长和减少故障停机次数,文章基于有监督主成分分析（SPCA）的Hotelling-T2和Q统计量控制图,提出了一种风电机组状态监测与评估方法。首先,根据风电机组SCADA历史数据提取正常状态数据。然后,训练集成学习模型拟合主要状态变量,采用贝叶斯优化算法优化其中的超参数。最后,在移动时间窗内利用SPCA方法将监测数据分解到主成分空间与残差空间,计算真实数据与参考状态数据的Hotelling-T2和Q统计量,并同时求取两种统计量的斯皮尔曼系数,通过划定阈值对机组进行状态评估。将该方法用于某风电场1.5 MW级风电机组,结果表明,该方法能够有效地对机组当前状态进行监测并识别出功率输出故障。
论文目录
文章来源
类型: 期刊论文
作者: 孙培旺,张磊,肖成,郭莹莹
关键词: 风电机组,主成分分析,集成学习,统计量,状态评估
来源: 可再生能源 2019年03期
年度: 2019
分类: 工程科技Ⅱ辑,农业科技
专业: 电力工业
单位: 河北工业大学人工智能与数据科学学院,北华航天工业学院电子与控制工程学院
基金: 河北省重点研发计划项目(18214316D),中国博士后科学基金项目(2017M611172),北华航天工业学院青年基金资助项目(KY201709)
分类号: TM315
DOI: 10.13941/j.cnki.21-1469/tk.2019.03.022
页码: 451-455
总页数: 5
文件大小: 624K
下载量: 335