基于SCADA和支持向量回归风电机组状态在线评估方法.pdf

第37卷第14期 电力系统自动化 V01．37No．14 AutomationofElectricPower 25，2013 2013年7月25日 Systems July DOI：10．7500／AEPS201209163 基于SCADA和支持向量回归的风电机组状态在线评估方法 梁 颖，方瑞明 (华侨大学信息科学与工程学院，福建省厦门市361021) 摘要：为提高风电机组并网运行的实时可靠性、优化机组维修策略、降低风力发电成本，有必要充 分考虑风电机组各部件或子系统之间的相互作用和耦合关系。利用数据挖掘技术，建立了一个针 对风电机组整体运行状态的在线评估模型。首先，分析了数据采集与监控(SCADA)报警系统的不 足，提出了基于回归预测模型和sCADA报警系统相配合的鲁棒性更强的在线评估方案；其次，对 评估方案中的回归预测模型进行了详细说明，建立了以SCADA系统的部分监测项目为输入量、以 风电机组有功功率为输出量的基于支持向量回归(SVR)算法的回归预测模型。最后，利用某风电 场的实测数据对所提出的在线评估模型进行了验证，结果证明了此方法的可行性。 关键词：支持向量回归；风电机组；状态评估；数据采集与监控系统；数据挖掘；残差控制 0 引言 测的要求。但是，现有SCADA系统大多缺乏有效 的系统状态评估算法，导致SCADA系统无法判定 随着能源危机的加剧以及人类环护意识的增 风电机组整体的实时运行状态，只有当采样数据越 强，风能以其技术程度、基础设施建设以及成本方面 限时，才能给出相应部件的报警信息，然而此时故障 的优势日益受到重视。然而，高达10％～15％的运 可能已经恶化到一定程度，如齿轮卡死、液压泵不工 行和维护成本[13严重制约着风力发电行业的发展。 作等，无法起到预警作用。为实时掌握风电机组的 因此，从降低风电机组运行风险和减少风力发电的 运行状况、优化维修策略，建立基于SCADA监测数 运行成本等方面考虑，在线的状态监测系统(CMS) 据的评估算法具有重要的学术价值和应用前景。 在风力发电行业得到了飞速的发展。 目前，已有相关文献研究了基于神经网 现有状态监测技术中应用最广泛的是振动分 络[11。12’15|、概率统计[16_17]以及基于物元分析的综合 析[2。3]、油液监测‘41以及电流(电压)信号分析[5嵋。等。 关联评判[183等方法的风电机组状态评估模型，其基 这些技术可以实现对目标对象运行状况的实时监测 本思路有2种：一是从SCADA历史数据中挖掘已 和在线分析，及时发现其故障隐患。因此，许多学者 发生故障的相关信息，建立此类故障的辨识模型，如 将其应用于评估风电机组关键部件或子系统[1’71的 运行状况，如叶片陪9I、齿轮箱[2’4’10。12|、发电机[6’13]和 运行时的相关数据，建立风电机组运行状态是否异 轴承[1胡等。然而，这些技术在一定程度上难以准确