传统阈值法难以及时准确地辨识出运行设备的劣化状态,针对风力发电机组实施状态检修工作的要求,提出一种风机变桨系统劣化状态在线辨识方法。在阐述风机变桨控制原理和变桨系统监测参数的基础上,建立了以风速、有功功率为输入,风轮转速、3个叶片的桨距角和变桨驱动电流为输出的非线性多输入多输出(multi input multi output,MIMO)系统回归模型。将系统特征向量实测值与最小二乘支持向量机(least square support vector machines,LSSVM)回归计算结果间的偏离定义为系统"观测值"。接着采用高斯混合模型(Gaussian mixture model,GMM)拟合多维观测值的分布,并利用风机数据采集与监控系统(supervisory control and data acquisition,SCADA)中的数据计算系统劣化指数,实现系统状态的在线辨识。最后,以一台发生过变桨轴承保持架和滚动体损坏故障的风机为对象,进行了实例验证,证明了所建模型的准确性和有效性。
目前在电力系统中无法保证相量量测单元完全覆盖的情况下,状态估计需要采用相量量测单元(phasor measurement unit, PMU)与数据采集与监控(supervisory control and data acquisition, SCADA)混合量测进行传统非线性状态估计,但是SCADA数据精度低,含有较多不良数据,同时混合数据需要迭代求解,会导致计算效率低且存在截断误差。针对该问题,文章提出了一种基于堆叠去噪自编码器(stack denoising autoencoder, SDAE)与极限学习机(extreme learning machine, ELM)伪量测建模的电力系统高容错快速状态估计方法。其将含有不良量测的SCADA量测数据作为SDAE-ELM伪量测模型的输入,节点电压实部与虚部作为输出,根据历史数据进行训练得到伪量测值与伪量测误差模型,训练完成后得到精度较高的伪量测;将伪量测与PMU量测一起进行快速的线性状态估计。仿真结果表明,所提方法在保证估计精度的基础上,提高了计算效率,验证了所提方法的有效性。
