风电机组所处环境恶劣,导致风电机组易出现故障。利用数据采集与监控(supervisory control and data acquisition, SCADA)数据预测与评估风电机组整体性能,对风电机组维修与维护具有重要意义。因此,通过分析风电场SCADA系统的海量数据,...风电机组所处环境恶劣,导致风电机组易出现故障。利用数据采集与监控(supervisory control and data acquisition, SCADA)数据预测与评估风电机组整体性能,对风电机组维修与维护具有重要意义。因此,通过分析风电场SCADA系统的海量数据,提取表征机组退化信息的特征参数,通过自适应核主元分析(kernel principal component analysis, KPCA)算法建立基于多维度SCADA参数的风电机组状态监测与异常辨识模型。为了避免复杂工况对评估结果的影响,该模型引入一种工况划分方法。最后,通过某风电场SCADA数据对该模型进行实验验证,并与未进行工况划分的KPCA模型、进行工况划分的PCA模型进行对比。实验结果表明,该模型不但能够准确辨识风电机组的异常状态,且辨识结果更具可靠性。展开更多
文摘风电机组所处环境恶劣,导致风电机组易出现故障。利用数据采集与监控(supervisory control and data acquisition, SCADA)数据预测与评估风电机组整体性能,对风电机组维修与维护具有重要意义。因此,通过分析风电场SCADA系统的海量数据,提取表征机组退化信息的特征参数,通过自适应核主元分析(kernel principal component analysis, KPCA)算法建立基于多维度SCADA参数的风电机组状态监测与异常辨识模型。为了避免复杂工况对评估结果的影响,该模型引入一种工况划分方法。最后,通过某风电场SCADA数据对该模型进行实验验证,并与未进行工况划分的KPCA模型、进行工况划分的PCA模型进行对比。实验结果表明,该模型不但能够准确辨识风电机组的异常状态,且辨识结果更具可靠性。
