基于SCADA和支持向量回归的风机状态监测

发布时间：2020-12-18 12:44

　　为充分利用集控中心风机(Supervisory Control and Data Acquisition, SCADA)系统采集的数据,采用智能化的机器学习算法,挖掘集控中心海量数据,提出基于机组运行状态特征参量数据挖掘和支持向量回归算法(SupportVactorRegression,SVR)结合的机组状态监测模型。该模型采用基于灰色关联度算法构建风电机组特征参量,然后建立SVR数据模型,模型以机组功率、叶轮转速、桨距角为输出向量,特征参量为模型的输入向量,采用遗传算法结合交叉验证方法对SVR模型参数寻优,并对距离阈值进行分析。最后,将模型应用于某实际风场,验证了该模型的可行性和有效性。 

【文章来源】：控制工程. 2020年08期 北大核心

【文章页数】：7 页

【部分图文】：

SCADA系统监测量及其代码

SVR模型参数的选择实质是模型的优化问题。采用K-fold CV与GA结合的算法实现SVR参数优化，k取3、5、8、10。其模型，如图2所示。具体步骤如下：(1)对SVR参数(c,σ)编码，形成初始种群。

根据上述模型，将495组机组样本数据中选取330组样本为SVR模型的训练集，剩余的165组为测试集，以功率输出为例，采用K-fold CV和GA结合的方法利用训练集优化SVR参数。平均适应度曲线表示种群中所有个体在每一代中平均适应度值，最佳适应度曲线表示所有个体在每一代中最大适应度值。适应度曲线先收敛较快之后逐渐平缓最后适应度曲线的收敛水平几乎一致，体现了对SVR参数的优化过程。本模型中，交叉验证选择的原则首先考虑误差MSE最小，当有多组c和σ对应的误差最小时，为避免过学习状态的发生，选择较小的惩罚参数一组作为最佳参数，本文选择5-CV与GA模型对功率、叶轮转速、桨距角为输出时，应用上述过程，将得到的最佳参数(c,σ)用于SVR模型，SVR模型实际值与预测值的对比情况，如图3所示。应用上述过程，得到的功率、叶轮转速、桨距角实际值与预测值最大相对误差、最小相对误差和平均相对误差统计，见表3。

【参考文献】：
期刊论文
[1]基于相似样本及PCA的光伏输出功率预测[J]. 廖卫强,张认成,俞万能,王国玲.  太阳能学报. 2016(09)
[2]基于灰色理论和变权模糊综合评判的风电机组性能评估[J]. 万书亭,万杰,张成杰.  太阳能学报. 2015(09)
[3]基于灰色关联度的风机MPPT控制影响因素分析[J]. 张小莲,郝思鹏,李军,蒋春容.  电网技术. 2015(02)
[4]基于SCADA和支持向量回归的风电机组状态在线评估方法[J]. 梁颖,方瑞明.  电力系统自动化. 2013(14)
[5]基于云支持向量机模型的短期风电功率预测[J]. 凌武能,杭乃善,李如琦.  电力自动化设备. 2013(07)



本文编号：2924020