為充分利用集控中心風(fēng)機(jī)(Supervisory Control and Data Acquisition, SCADA)系統(tǒng)采集的數(shù)據(jù),采用智能化的機(jī)器學(xué)習(xí)算法,挖掘集控中心海量數(shù)據(jù),提出基于機(jī)組運(yùn)行狀態(tài)特征參量數(shù)據(jù)挖掘和支持向量回歸算法(SupportVactorRegression,SVR)結(jié)合的機(jī)組狀態(tài)監(jiān)測(cè)模型。該模型采用基于灰色關(guān)聯(lián)度算法構(gòu)建風(fēng)電機(jī)組特征參量,然后建立SVR數(shù)據(jù)模型,模型以機(jī)組功率、葉輪轉(zhuǎn)速、槳距角為輸出向量,特征參量為模型的輸入向量,采用遺傳算法結(jié)合交叉驗(yàn)證方法對(duì)SVR模型參數(shù)尋優(yōu),并對(duì)距離閾值進(jìn)行分析。最后,將模型應(yīng)用于某實(shí)際風(fēng)場(chǎng),驗(yàn)證了該模型的可行性和有效性。 

【文章來(lái)源】：控制工程. 2020年08期 北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

SCADA系統(tǒng)監(jiān)測(cè)量及其代碼

SVR模型參數(shù)的選擇實(shí)質(zhì)是模型的優(yōu)化問(wèn)題。采用K-fold CV與GA結(jié)合的算法實(shí)現(xiàn)SVR參數(shù)優(yōu)化，k取3、5、8、10。其模型，如圖2所示。具體步驟如下：(1)對(duì)SVR參數(shù)(c,σ)編碼，形成初始種群。

根據(jù)上述模型，將495組機(jī)組樣本數(shù)據(jù)中選取330組樣本為SVR模型的訓(xùn)練集，剩余的165組為測(cè)試集，以功率輸出為例，采用K-fold CV和GA結(jié)合的方法利用訓(xùn)練集優(yōu)化SVR參數(shù)。平均適應(yīng)度曲線表示種群中所有個(gè)體在每一代中平均適應(yīng)度值，最佳適應(yīng)度曲線表示所有個(gè)體在每一代中最大適應(yīng)度值。適應(yīng)度曲線先收斂較快之后逐漸平緩最后適應(yīng)度曲線的收斂水平幾乎一致，體現(xiàn)了對(duì)SVR參數(shù)的優(yōu)化過(guò)程。本模型中，交叉驗(yàn)證選擇的原則首先考慮誤差MSE最小，當(dāng)有多組c和σ對(duì)應(yīng)的誤差最小時(shí)，為避免過(guò)學(xué)習(xí)狀態(tài)的發(fā)生，選擇較小的懲罰參數(shù)一組作為最佳參數(shù)，本文選擇5-CV與GA模型對(duì)功率、葉輪轉(zhuǎn)速、槳距角為輸出時(shí)，應(yīng)用上述過(guò)程，將得到的最佳參數(shù)(c,σ)用于SVR模型，SVR模型實(shí)際值與預(yù)測(cè)值的對(duì)比情況，如圖3所示。應(yīng)用上述過(guò)程，得到的功率、葉輪轉(zhuǎn)速、槳距角實(shí)際值與預(yù)測(cè)值最大相對(duì)誤差、最小相對(duì)誤差和平均相對(duì)誤差統(tǒng)計(jì)，見表3。

【參考文獻(xiàn)】：
期刊論文
[1]基于相似樣本及PCA的光伏輸出功率預(yù)測(cè)[J]. 廖衛(wèi)強(qiáng),張認(rèn)成,俞萬(wàn)能,王國(guó)玲.  太陽(yáng)能學(xué)報(bào). 2016(09)
[2]基于灰色理論和變權(quán)模糊綜合評(píng)判的風(fēng)電機(jī)組性能評(píng)估[J]. 萬(wàn)書亭,萬(wàn)杰,張成杰.  太陽(yáng)能學(xué)報(bào). 2015(09)
[3]基于灰色關(guān)聯(lián)度的風(fēng)機(jī)MPPT控制影響因素分析[J]. 張小蓮,郝思鵬,李軍,蔣春容.  電網(wǎng)技術(shù). 2015(02)
[4]基于SCADA和支持向量回歸的風(fēng)電機(jī)組狀態(tài)在線評(píng)估方法[J]. 梁穎,方瑞明.  電力系統(tǒng)自動(dòng)化. 2013(14)
[5]基于云支持向量機(jī)模型的短期風(fēng)電功率預(yù)測(cè)[J]. 凌武能,杭乃善,李如琦.  電力自動(dòng)化設(shè)備. 2013(07)



本文編號(hào)：2924020