小可爱的动漫集
当前位置:首页 - 国学 >

利用大数据分析和人工智能算法如何做到故障预警准确率95%

2019-04-29来源:新浪网
点击CAA发电自动化关注、免费订阅

故障预警准确率已达95%—大数据分析和人工智能算法在风机故障预警中的一例应用

孟青叶 杨文晋 炎喆 燕志伟

润电能源科学技术有限公司

摘要:本文对风场中三台发生过变桨电池组损坏故障的1.5MW风机SCADA数据进行分析,设计该故障的智能预警算法。预警算法采用SVM作为分类器,对风机的正常数据样本和发生变桨电池损坏故障前的异常数据样本进行训练和分类,达到对异常数据进行标记和预警的目的。结果表明,通过样本数据训练SVM分类模型,并进行预警结果测试,故障预警准确率达到95%以上。

一、背景介绍

风机变桨电池是为风机叶片在各种紧急情况下收桨提供动力的后备电源。由于电池特性、使用环境及系统充电方式等原因,变桨电池故障频繁发生,已经影响到风力发电机组的可利用率和发电量等指标,并且严重影响风场运营和经济效益。

据统计,风场1.5MW风机在两年时间内共发生重要故障218次,其中的“变桨电池类故障”共触发80次,为触发次数最多的一类故障,如表1所示。

现有风电系统通过监测变桨电池两端的电压,判定变桨电池电压值是否在正常电压范围内。若所监测电压超出正常电压的最高值或未达到正常电压的最低值,则报警出电压超限或电压过低的故障。

该方法在变桨电池发生故障之后进行报警显示,存在一定的滞后性,未能提前准确的预知变桨电池组的故障,容易产生更换不及时的状况,增加了检修劳动的强度和时间。因此,针对“变桨电池故障”设计预警算法,具有重要的现实意义。

本文对风场中风机SCADA (Supervisory Control And Data Acquisition)数据进行分析,采用SVM(Support Vector Machine)作为分类器,设计预警算法。测试结果表明,故障预警准确率达到95%以上。

二、数据说明

预警规则的设计通过对风机运行历史SCADA数据的分析来完成。通过对风机数据中的正常数据和故障前的异常数据进行数据挖掘,得到风机运行正常和异常数据的规律信息,从而识别出风机正常或异常状态。

根据记录表的信息,风场的1.5MW风机中,B2-09、B2-10、B2-11三台风机均发生了“1#、2#、3#面变桨电池损坏”的故障,因此选取该三台风机作为研究对象。

预警规则分析和建立所用的数据集,来自于风场SCADA系统数据,包含了B2-09、B2-10、B2-11三台风机故障前后各一个月的数据,如表2所示。

该数据集以风力发电机及风场信息数据为主,包含了分辨率为十分钟,跨度为两个月的数据。每台风机共有99个测点(如功率、风速、气压、风向、转速、液压、温度等),如图1所示。

三、人工智能算法设计

3.1 SVM方法

风机故障成因复杂,在判断风机故障是否发生时需要综合分析多个参数,这为准确的故障预警带来了较大的难度。本文选取SVM方法来实现故障预警。

SVM是一种基于统计学习理论的机器学习方法,通过寻求结构化风险最小来提高学习机泛化能力,从而达到在统计样本量较少的情况下,亦能获得良好统计规律的目的。通俗地讲,SVM通过一个非线性映射,把样本空间从一个低维空间映射到一个高维空间中,使得在原来的样本空间中非线性可分的问题转化为在高维空间中的线性可分的问题,使得样本空间中的样本点更加容易地分成两类。

因此,本文采用SVM作为分类器,对正常数据和异常数据进行分类,以达到对异常数据进行标记和预警的目的。

3.2 故障预警流程

利用SVM进行故障预警主要步骤为:

3.2.1 模型训练:

(1) 收集风机正常数据作为正向样本,收集风机发生故障前1-3天的数据作为负向样本;

(2) 对样本进行归一化处理,将所有样本数据变换至(0,1)区间;

(3) 选择SVM分类用模型参数,如:分类内核(linear核、高斯核)、惩罚系数C、特征空间分布参数gamma。

其中,C越高,说明越不能容忍出现误差,容易过拟合。C越小,容易欠拟合。C过大或过小,泛化能力变差。gamma越大,支持向量越少,gamma值越小,支持向量越多。支持向量的个数影响训练与预测的速度。

(4) 利用样本数据训练SVM生成分类模型。

3.2.2 故障预警:

(1) 加载已经训练好的SVM分类模型及相关训练参数;

(2) 将待判定风机参数数据输入SVM分类器进行判断,预测出风机状态是正常或异常。

四、算法应用与结果分析

4.1 数据样本集的选取

对于B2-09、B2-10、B2-11三台风机的历史运行数据,分别取每台风机故障时刻前400条数据点(约故障前3天的运行数据)为异常数据样本,共有1200个异常样本;

对于B2-09、B2-10、B2-11三台风机的历史运行数据,分别取每台风机在故障发生至少一周前的400条正常运行数据,为正常运行数据样本,共有1200个正常样本。

4.2 预警规则测试条件

从数据样本中选取数据对预警规则进行验证和结果分析。测试条件如下所示:

(1)针对变桨电池损坏故障进行测试;

(2)分别从1200正常数据和1200异常数据中以50为间隔抽样48组数据用于结果验证(24组正常数据,24组异常数据);

(3)将剩余的1176组正常数据和1176组异常数据作为样本库,用于SVM模型训练。

4.3 测试结果和分析

考虑所用数据集中的所有99个参数,对边检电池损坏的故障预警规则进行训练和验证。其中,对于SVM训练器,取C=10,gamma=1,样本库训练准确率100%。测试结果如表3所示:


通过样本数据训练SVM分类模型,使用测试样本进行预警结果测试,故障预警准确率分别为95.83%和100%,具有非常好的故障预警效果。

五、总结

本文对风场的三台1.5MW风机运行数据进行分析,获取风机的正常数据样本和发生“变桨电池损坏故障”前的异常的数据样本。利用SVM作为分类器,对正常数据和异常数据进行分类,最终实现对异常数据进行标记和预警的目的,达到95%以上的故障预警准确率。

本文采用大数据分析和SVM人工智能算法对风机的变桨电池损坏故障进行预警,预警准确率已达95%。若是采用深度学习等更先进的人工智能算法,将会得到更好的预警效果。

关注我们

CAA发电自动化
长按左侧二维码关注


转载文章地址:http://www.yuissk.com/guoxue/815.html
(本文来自小可爱的动漫集整合文章:http://www.yuissk.com)未经允许,不得转载!
标签:
相关推荐
网站简介 联系我们 网站申明 网站地图

版权所有:www.yuissk.com ©2017 小可爱的动漫集

小可爱的动漫集提供的所有内容均是网络转载或网友提供,本站仅提供内容展示服务,不承认任何法律责任。