[发明专利]一种基于组合预测的风电机组状态参数异常辨识方法

说明书

技术领域

本发明属于新能源电力设备安全评估技术领域，涉及一种基于组合预测的风电机组状态参数异常辨识方法。

背景技术

风电机组由机械、电气和控制组件等组成，其中任一组件发生故障都可能导致机组的停运，严重的故障甚至会影响电力系统的安全稳定运行。风电机组的可靠运行是风电场安全经济运行的基本保障。安装数据采集与监视控制(SCADA)系统监测风电场风电机组的实时运行状态是目前普遍采用的措施，风电场SCADA数据不仅包含风电机组的状态信息、操作指示信号、报警信号等直接信息，还包含了机组设备的劣化、异常、故障征兆等间接信息。

充分挖掘SCADA数据中包含的风电机组劣化、异常、故障征兆等间接信息以提高风电机组运行可靠性是当下最迅速有效的方法。由于风电机组运行环境的持续动态变化性，通常原始的SCADA数据掩盖了风电机组的故障信息，仅通过原始的SCADA数据难以预测机组是否发生异常。传统的风电机组监测系统是根据简单阈值法对机组参数的异常和故障进行判断，参数越限时往往机组已经发生故障，所造成的经济损失已无法挽回，因此开展对机组状态参数异常辨识的研究有助于故障预警和维修决策。通过对风电机组参数的异常辨识以排除各种干扰因素对SCADA数据的影响，从而提高预测机组部件发生故障的准确性，避免故障持续发展而造成重大损失。

风电机组的状态参数受环境、电网和负荷等因素的综合影响，机组各部件之间以及各状态参数之间复杂的影响关系，使得风电机组状态参数的异常辨识十分困难，难以预测风电机组是否发生异常。风电机组的各种故障原因使SCADA数据分布特征复杂，且机组运行受各种运行工况的影响，采用分类、聚类等算法难以判定风电机组的异常。因此，基于统计和机器学习的异常辨识方法难以用于风电机组的异常辨识。基于神经网络的异常辨识技术是一种非参量化的分析技术，采用正常运行数据建立正常行为模型。神经网络能够很好的处理高维数据的复杂边界，因此适合于高维数据的正常行为建模，当新的数据偏离正常行为时就被认定为异常。

发明内容

有鉴于此，本发明的目的在于提供一种基于组合预测的风电机组状态参数异常辨识方法，该方法针对目前风电场SCADA数据异常辨识方法存在的不足，建立基于误差反向传播神经网络(BPNN)的参数选择模型，通过引入噪声来量化各输入参数对目标参数的影响程度，选择状态参数预测模型的输入参数，提出了自动参数选择方法。建立基于BPNN、最小二乘支持向量机(LS-SVM)和径向基函数神经网络(RBFNN)的状态参数的单项预测模型，并通过组合预测模型中的权重分布分析，建立风电机组状态参数的组合预测模型，在此基础上，提出基于信息熵的风电机组状态参数异常辨识方法。

为达到上述目的，本发明提供如下技术方案：

一种基于组合预测的风电机组状态参数异常辨识方法，包括以下步骤：

S1：选取合适的风电场SCADA数据，得到训练数据和测试数据；

S2：建立目标参数的单项预测模型(包括BPNN和LSSVM)，对组合模型进行优化，选择合适的权重；

S3：采用组合预测模型预测目标参数，并与实际值对比，得到残差；

S4：根据以下公式计算均方根误差(RMSE)，为反映变化趋势，需计算连续的相同时间长度的RMSE，获得RMSE的变化情况；

式中，S为均方根误差，n为样本数，r_i为实际值，为根据模型得到的预测值；

S5：若RMSE小于阈值，判定状态参数正常；

S6：若RMSE大于阈值，采用相同的残差数据计算熵值；

S7：若熵值小于阈值，判定状态参数正常，虽然此时RMSE大于阈值，但是残差数据变化不大，不能判定为出现异常；

S8：若熵值大于阈值，则判定状态参数出现异常。

进一步，在步骤S1中，建立基于BPNN的参数选择模型，采用模型输入参数的自动选择方法，具体包括：

①基于BPNN的参数选择模型

建立基于BPNN的输入参数选择模型；在确定了BPNN网络结构的情况下，需考虑如下两方面问题：一是神经网络中信号的传递函数，分别采用双极性S型函数和线性函数作为BPNN模型中隐层和输出层的传递函数；二是BPNN中采用的梯度下降算法，采用Levenberg-Marquardt迭代算法优化BPNN模型的权值；

②状态参数选择的评价方法