基于集成NSET和模糊软聚类的风电机组齿轮箱状态监测

被引：37

作者：

王梓齐 ^{[1
]}

刘长良 ^{[1
,2
]}

刘帅 ^{[1
]}

机构：

[1] 华北电力大学控制与计算机工程学院

[2] 新能源电力系统国家重点实验室(华北电力大学)

来源：

仪器仪表学报 | 2019年 / 40卷 / 07期

基金：

北京市自然科学基金;

关键词：

集成学习; 非线性状态估计; 模糊软聚类; 风电机组齿轮箱; 状态监测;

D O I：

10.19650/j.cnki.cjsi.J1905106

中图分类号：

TM315 [风力发电机];

学科分类号：

080802 [电力系统及其自动化];

摘要：

风电机组齿轮箱的故障频率和维修成本较高,有必要对其运行状态进行实时监测。非线性状态估计(NSET)算法有着对记忆矩阵依赖大、无法有效利用数据资源改善精度、实时性差等不足。为此,提出一种基于模糊软聚类和集成NSET的状态监测方法:使用模糊软聚类将历史数据分为边界有重叠的不同类别,实现工况的软划分并构造多个不同工况的NSET模型作为个体学习器;以参数回归方法作为结合器,可在不影响实时性的同时,使用大量数据训练参数以改善精度。用某2 MW风电机组的齿轮箱故障数据进行验证,结果表明,相比常规方法,提出方法的精度和实时性均更优;通过预测残差均值和基于残差构造的健康指数,能够灵敏、准确的反映齿轮箱的早期故障及其发展趋势。

引用

页码：138 / 146

页数：9

共 26 条

[1]

Deep Learning for fault detection in wind turbines.[J].Georg Helbing;Matthias Ritter.Renewable and Sustainable Energy Reviews.2018,

[2]

Fault analysis of wind turbines in China.[J].Yonggang Lin;Le Tu;Hongwei Liu;Wei Li.Renewable and Sustainable Energy Reviews.2016,

[3]

Ensemble Classification and Regression-Recent Developments, Applications and Future Directions [J].

Ren, Ye ;

Zhang, Le ;

Suganthan, P. N. .

IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE, 2016, 11 (01) :41-53

[4]

A novel least squares support vector machine ensemble model for NO x emission prediction of a coal-fired boiler.[J].You Lv;Jizhen Liu;Tingting Yang;Deliang Zeng.Energy.2013,

[5]

Wind Turbine Generator Condition-Monitoring Using Temperature Trend Analysis [J].