為充分利用集控中心風機(Supervisory Control and Data Acquisition, SCADA)系統(tǒng)采集的數(shù)據(jù),采用智能化的機器學習算法,挖掘集控中心海量數(shù)據(jù),提出基于機組運行狀態(tài)特征參量數(shù)據(jù)挖掘和支持向量回歸算法(SupportVactorRegression,SVR)結合的機組狀態(tài)監(jiān)測模型。該模型采用基于灰色關聯(lián)度算法構建風電機組特征參量,然后建立SVR數(shù)據(jù)模型,模型以機組功率、葉輪轉速、槳距角為輸出向量,特征參量為模型的輸入向量,采用遺傳算法結合交叉驗證方法對SVR模型參數(shù)尋優(yōu),并對距離閾值進行分析。最后,將模型應用于某實際風場,驗證了該模型的可行性和有效性。 

【文章來源】：控制工程. 2020年08期 北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

SCADA系統(tǒng)監(jiān)測量及其代碼

SVR模型參數(shù)的選擇實質是模型的優(yōu)化問題。采用K-fold CV與GA結合的算法實現(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組機組樣本數(shù)據(jù)中選取330組樣本為SVR模型的訓練集，剩余的165組為測試集，以功率輸出為例，采用K-fold CV和GA結合的方法利用訓練集優(yōu)化SVR參數(shù)。平均適應度曲線表示種群中所有個體在每一代中平均適應度值，最佳適應度曲線表示所有個體在每一代中最大適應度值。適應度曲線先收斂較快之后逐漸平緩最后適應度曲線的收斂水平幾乎一致，體現(xiàn)了對SVR參數(shù)的優(yōu)化過程。本模型中，交叉驗證選擇的原則首先考慮誤差MSE最小，當有多組c和σ對應的誤差最小時，為避免過學習狀態(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模型對功率、葉輪轉速、槳距角為輸出時，應用上述過程，將得到的最佳參數(shù)(c,σ)用于SVR模型，SVR模型實際值與預測值的對比情況，如圖3所示。應用上述過程，得到的功率、葉輪轉速、槳距角實際值與預測值最大相對誤差、最小相對誤差和平均相對誤差統(tǒng)計，見表3。

【參考文獻】：
期刊論文
[1]基于相似樣本及PCA的光伏輸出功率預測[J]. 廖衛(wèi)強,張認成,俞萬能,王國玲.  太陽能學報. 2016(09)
[2]基于灰色理論和變權模糊綜合評判的風電機組性能評估[J]. 萬書亭,萬杰,張成杰.  太陽能學報. 2015(09)
[3]基于灰色關聯(lián)度的風機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. 2015(02)
[4]基于SCADA和支持向量回歸的風電機組狀態(tài)在線評估方法[J]. 梁穎,方瑞明.  電力系統(tǒng)自動化. 2013(14)
[5]基于云支持向量機模型的短期風電功率預測[J]. 凌武能,杭乃善,李如琦.  電力自動化設備. 2013(07)



本文編號：2924020