考虑运行状态相似性的风电机组数据异常检测方法

曾祥军; 冯琛; 杨明; 刘晓; 胥明凯

doi:10.7500/AEPS20210821002

您当前的位置：

首页 >

文章列表页 >

考虑运行状态相似性的风电机组数据异常检测方法

研制与开发 | 更新时间：2025-06-16

- 考虑运行状态相似性的风电机组数据异常检测方法
- Data Anomaly Detection Method for Wind Turbines Considering Operation State Similarity
- 电力系统自动化 2022年46卷第11期页码：170-180
- 作者机构：
  
  1.电网智能化调度与控制教育部重点实验室(山东大学),山东省济南市 250061
  2.国网山东省电力公司济南供电公司,山东省济南市 250001
- 作者简介：
  
  曾祥军（1990—），男，博士研究生，主要研究方向：基于数据驱动的电力设备状态监测、风电机组的故障诊断。E-mail：120743597@qq.com
  冯琛（1990—），男，通信作者，博士，主要研究方向：电缆接地故障诊断、风电机组的故障诊断等。E-mail：fc5599@163.com
  杨明（1980—），男，博士，教授，博士生导师，主要研究方向：电力系统经济运行与可靠性评估、电力设备故障诊断、新能源预测与并网分析等。E-mail：myang@sdu.edu.cn
- 基金信息：
  
  国家重点研发计划资助项目(2019YFE0118400)
- DOI：10.7500/AEPS20210821002
  中图分类号：
- 收稿日期：2021-08-21，
  
  修回日期：2021-12-17，
  
  网络出版日期：2022-03-18，
  
  纸质出版日期：2022-06-10
- 稿件说明：
移动端阅览
曾祥军,冯琛,杨明等.考虑运行状态相似性的风电机组数据异常检测方法[J].电力系统自动化,2022,46(11):170-180.

ZENG Xiangjun,FENG Chen,YANG Ming,et al.Data Anomaly Detection Method for Wind Turbines Considering Operation State Similarity[J].Automation of Electric Power Systems,2022,46(11):170-180.
曾祥军,冯琛,杨明等.考虑运行状态相似性的风电机组数据异常检测方法[J].电力系统自动化,2022,46(11):170-180. DOI： 10.7500/AEPS20210821002.

ZENG Xiangjun,FENG Chen,YANG Ming,et al.Data Anomaly Detection Method for Wind Turbines Considering Operation State Similarity[J].Automation of Electric Power Systems,2022,46(11):170-180. DOI： 10.7500/AEPS20210821002.

摘要

文中提出一种利用风电场内运行状态相似的风电机组数据采集与监控（SCADA）数据提升异常检测结果准确性的方法。首先，基于实际数据的分析结果，提出了风电机组运行状态的相似性比较原则，进而提出了基于互信息特征选择算法和迭代自组织数据分析聚类算法的运行状态相似性评估方法。然后，在考虑状态变量短时相依性的基础上

利用待检测风电机组的历史SCADA数据构建了基于支持向量机的确定性估计模型，利用相似风电机组的历史SCADA数据构建了基于核密度估计的组合概率估计模型。进一步，利用确定型估计模型和组合概率估计模型分别对目标变量的异常状态进行自检测和外部检测，通过2次检测结果的互相印证来提升异常检测结果的准确性和可靠性。最后，基于一个实际风电场内所有风电机组的SCADA数据和对比实验验证了所提方法的可行性和准确性。

Abstract

A method for improving the accuracy of anomaly detection results is proposed by using the supervisory control and data acquisition (SCADA) data of wind turbines with similar operation state in wind farms. Firstly

a similarity comparison principle of operation state for wind turbines is proposed based on the analysis results of actual data

and a similarity evaluation method of operation state is proposed based on the mutual information feature selection algorithm and the iterative self-organizing data analysis clustering algorithm. Secondly

considering the temporal dependence of state variables

a deterministic estimation model based on the support vector machine is constructed by the historical SCADA data of the wind turbines to be tested. A combined probability estimation model based on kernel density estimation is also built by the historical SCADA data of the wind turbines with similar operation state. Furthermore

the deterministic estimation model and the combined probability estimation model are used for self-inspection and external-inspection of the abnormal states of the target variables

respectively. The accuracy and reliability of anomaly detection results can be improved by verifying the two detection results. Finally

the feasibility and accuracy of the proposed method are verified based on the SCADA data of all wind turbines in a wind farm and comparative experiments.

关键词

Keywords

references

姚钢，杨浩猛，周荔丹，等 . 大容量海上风电机组发展现状及关键技术［J］. 电力系统自动化， 2021 ， 45 （ 21 ）： 33 - 47 .

YAO Gang ， YANG Haomeng ， ZHOU Lidan ， et al . Development status and key technologies of large-capacity offshore wind turbines ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 21 ）： 33 - 47 .

李刚，齐莹，李银强，等 . 风力发电机组故障诊断与状态预测的研究进展［J］. 电力系统自动化， 2021 ， 45 （ 4 ）： 180 - 191 .

LI Gang ， QI Ying ， LI Yinqiang ， et al . Research progress on fault diagnosis and state prediction of wind turbine ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 4 ）： 180 - 191 .

黄玲玲，符杨，任浩瀚，等 . 基于状态信息的风电机组维护研究综述［J］. 中国电机工程学报， 2020 ， 40 （ 21 ）： 7065 - 7078 .

HUANG Lingling ， FU Yang ， REN Haohan ， et al . Review of wind turbine maintenance based on condition monitoring systems ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 21 ）： 7065 - 7078 .

KUSIAK A ， ZHANG Z J ， VERMA A . Prediction， operations， and condition monitoring in wind energy ［J］. Energy ， 2013 ， 60 ： 1 - 12 .

ZENG X J ， YANG M ， BO Y F . Gearbox oil temperature anomaly detection for wind turbine based on sparse Bayesian probability estimation ［J］. International Journal of Electrical Power & Energy Systems ， 2020 ， 123 ： 106233 .

WEI L ， QIAN Z ， ZAREIPOUR H . Wind turbine pitch system condition monitoring and fault detection based on optimized relevance vector machine regression ［J］. IEEE Transactions on Sustainable Energy ， 2020 ， 11 （ 4 ）： 2326 - 2336 .

王爽心，郭婷婷，李蒙 . 风电机组变工况变桨系统异常状态在线识别［J］. 中国电机工程学报， 2019 ， 39 （ 17 ）： 5144 - 5152 .

WANG Shuangxin ， GUO Tingting ， LI Meng . On-line abnormal state identification of pitch system based on transitional mode for wind turbine ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 17 ）： 5144 - 5152 .

赵洪山，刘辉海，刘宏杨，等 . 基于堆叠自编码网络的风电机组发电机状态监测与故障诊断［J］. 电力系统自动化， 2018 ， 42 （ 11 ）： 102 - 108 .

ZHAO Hongshan ， LIU Huihai ， LIU Hongyang ， et al . Condition monitoring and fault diagnosis of wind turbine generator based on stacked autoencoder network ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 11 ）： 102 - 108 .

郭鹏，王兆光 . 基于高斯过程回归和双滑动窗口残差处理的风电机组主轴状态监测［J］. 电力自动化设备， 2018 ， 38 （ 6 ）： 34 - 40 .

GUO Peng ， WANG Zhaoguang . Wind turbine spindle state monitoring based on Gaussian process regression and double moving window residual processing ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 6 ）： 34 - 40 .

张鑫，徐遵义，何慧茹，等 . 基于RBM和SVM的风电机组叶片开裂故障预测［J］. 电力系统保护与控制， 2020 ， 48 （ 15 ）： 134 - 140 .

ZHANG Xin ， XU Zunyi ， HE Huiru ， et al . Wind turbine blade cracking fault prediction based on RBM and SVM ［J］. Power System Protection and Control ， 2020 ， 48 （ 15 ）： 134 - 140 .

李泽宇，郭创新，朱承治 . 采用GA-BPNN与TLS模型的风电机组异常辨识方法［J］. 电力系统自动化， 2020 ， 44 （ 9 ）： 95 - 102 .

LI Zeyu ， GUO Chuangxin ， ZHU Chengzhi . Anomaly identification method of wind turbine based on genetic algorithm-back propagation neural network and t -location scale model ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 9 ）： 95 - 102 .

XU Q F ， FAN Z H ， JIA W Y ， et al . Quantile regression neural network-based fault detection scheme for wind turbines with application to monitoring a bearing ［J］. Wind Energy ， 2019 ， 22 （ 10 ）： 1390 - 1401 .

LU W N ， LI Y P ， CHENG Y ， et al . Early fault detection approach with deep architectures ［J］. IEEE Transactions on Instrumentation and Measurement ， 2018 ， 67 （ 7 ）： 1679 - 1689 .

MA M ， MAO Z . Deep-convolution-based LSTM network for remaining useful life prediction ［J］. IEEE Transactions on Industrial Informatics ， 2021 ， 17 （ 3 ）： 1658 - 1667 .

CHEN J S ， LI J ， CHEN W G ， et al . Anomaly detection for wind turbines based on the reconstruction of condition parameters using stacked denoising autoencoders ［J］. Renewable Energy ， 2020 ， 147 ： 1469 - 1480 .

陈俊生，李剑，陈伟根，等 . 采用滑动窗口及多重加噪比堆栈降噪自编码的风电机组状态异常检测方法［J］. 电工技术学报， 2020 ， 35 （ 2 ）： 346 - 358 .

CHEN Junsheng ， LI Jian ， CHEN Weigen ， et al . A method for detecting anomaly conditions of wind turbines using stacked denoising autoencoders with sliding window and multiple noise ratios ［J］. Transactions of China Electrotechnical Society ， 2020 ， 35 （ 2 ）： 346 - 358 .

SUN P ， LI J ， WANG C S ， et al . A generalized model for wind turbine anomaly identification based on SCADA data ［J］. Applied Energy ， 2016 ， 168 ： 550 - 567 .

毛莺池，曹海，平萍，等 . 基于最大联合条件互信息的特征选择［J］. 计算机应用， 2019 ， 39 （ 3 ）： 734 - 741 .

MAO Yingchi ， CAO Hai ， PING Ping ， et al . Feature selection based on maximum conditional and joint mutual information ［J］. Journal of Computer Applications ， 2019 ， 39 （ 3 ）： 734 - 741 .

MUTANEN A ， RUSKA M ， REPO S M ， et al . Customer classification and load profiling method for distribution systems ［J］. IEEE Transactions on Power Delivery ， 2011 ， 26 （ 3 ）： 1755 - 1763 .

LIN Y ， YANG M ， WAN C ， et al . A multi-model combination approach for probabilistic wind power forecasting ［J］. IEEE Transactions on Sustainable Energy ， 2019 ， 10 （ 1 ）： 226 - 237 .

GNEITING T ， RAFTERY A E . Strictly proper scoring rules， prediction， and estimation ［J］. Journal of the American Statistical Association ， 2007 ， 102 （ 477 ）： 359 - 378 .

LEHMANN E L . Elements of large-sample theory ［M］. New York ： Springer-Verlag ， 1999 .

ABDUSAMAD K B ， GAO D W ， MULJADI E . A condition monitoring system for wind turbine generator temperature by applying multiple linear regression model ［C］// 2013 North American Power Symposium （NAPS）， September 22-24 ， 2013 ， Manhattan， USA ： 1 - 8 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于系统频率轨迹最优化的风电辅助调频反馈控制策略

风电机组反复低电压穿越切换系统建模及电压振荡机理分析

基于柔性低频输电风电系统的变电压运行控制方法

计及工作点偏移的减载风电系统频率响应模型

考虑机组疲劳载荷的风电场快速有功功率分配方法