作者：刘长良1,2, 张书瑶2, 王梓齐1,2
作者单位：1. 华北电力大学 新能源电力系统国家重点实验室，北京 102206;
2. 华北电力大学控制与计算机工程学院，河北 保定 071000
关键词：风电机组齿轮箱;状态监测;KNN回归算法;训练集优化
摘要：
针对风电机组齿轮箱的状态监测问题，提出使用改进KNN回归算法建立齿轮箱的正常行为模型。首先，对经典KNN回归算法的距离度量公式进行改进，实验证明预测精度提高约60%；其次，基于改进的离群点和相似点剪辑算法优化KNN回归算法的训练集以提升运算效率，优化后计算时间缩短约20%，预测精度基本保持不变。最后，针对某风电场一台2 MW风电机组的齿轮箱实际故障数据，应用提出的改进KNN回归算法并结合统计过程控制相关理论，实现对齿轮箱故障的预警。结果表明：较经典KNN算法，提出的改进算法故障预警能力显著增强。
Condition monitoring of wind turbine gearbox based on improved KNN regression algorithm
LIU Changliang1,2, ZHANG Shuyao2, WANG Ziqi1,2
1. State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University, Beijing 102206, China;
2. School of Control and Computer Engineering, North China Electric Power University, Baoding 071000, China
Abstract: Aiming at wind turbine gearbox condition monitoring, the normal behavior model of gearbox is established by using improved KNN regression algorithm. Firstly, the distance measurement formula of the classical KNN regression algorithm is improved, and the experiment proves that the prediction accuracy is improved by about 60%. Secondly, the training set of KNN regression algorithm is optimized based on the improved outlier and similarity clipping algorithms to improve the operational efficiency. The experiment proves that the optimized calculation time is reduced by about 20% and the prediction accuracy remained basically unchanged. Finally, based on the actual fault data of a gearbox of a 2 MW wind turbine, the improved KNN regression algorithm proposed and the statistical process control theory are applied to realize the early warning of gearbox faults. The result shows that compared with the classical KNN algorithm, the improved algorithm proposed has enhanced fault warning ability.
Keywords: wind turbine gearbox;condition monitoring;KNN regression algorithm;training set optimization
2021, 47(1):153-159 收稿日期: 2020-06-08;收到修改稿日期: 2020-07-22
基金项目:
作者简介: 刘长良(1966-),男,河北沧州市人,教授,博导,研究方向为风电机组故障诊断,火电机组节能、建模与仿真等
参考文献
[1] SU C, HU Z. Reliability assessment for Chinese domestic wind turbines based on data mining techniques[J]. Wind energy, 2017, 21(3): 198-208
[2] 金晓航, 孙毅, 单继宏, 等. 风力发电机组故障诊断与预测技术研究综述[J]. 仪器仪表学报, 2017, 38(5): 1041-1053
[3] 常鹏, 胡军, 贺石中, 等. 基于光谱分析技术的风机齿轮箱系统维护策略研究[J]. 润滑与密封, 2019, 44(1): 115-118
[4] 刘长良, 武英杰, 甄成刚. 基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J]. 中国电机工程学报, 2015, 35(13): 3358-3365
[5] 刘帅, 刘长良, 甄成刚. 基于数据分类重建的风电机组故障预警方法[J]. 仪器仪表学报, 2019, 40(8): 1-11
[6] 韩爽, 孟航, 刘永强, 等. 增量处理双隐层BP神经网络风电功率预测模型[J]. 太阳能学报, 2015, 36(9): 2238-2244
[7] 肖成, 焦智, 孙介涛, 等. 基于小波BP神经网络的风电机组变桨系统故障预测[J]. 可再生能源, 2017, 35(6): 893-899
[8] 刘永前, 邵振州, 王铮, 等. 基于分段支持向量机的风电机组理论功率计算研究[J]. 太阳能学报, 2019, 40(3): 673-680
[9] 赵洪山, 刘辉海. 基于深度学习网络的风电机组主轴承故障检测[J]. 太阳能学报, 2018, 39(3): 588-595
[10] 杨茂, 贾云彭, 穆钢, 等. 基于改进KNN算法的风电功率实时预测研究[J]. 电测与仪表, 2014, 51(24): 38-43
[11] 叶涛, 朱学峰, 李向阳, 等. 基于改进k-最近邻回归算法的软测量建模[J]. 自动化学报, 2007(9): 996-999
[12] 王梓齐, 刘长良, 刘帅. 基于集成NSET和模糊软聚类的风电机组齿轮箱状态监测[J]. 仪器仪表学报, 2019, 40(7): 138-146
[13] 杨楠, 周峥, 陈道君, 等. 基于非参数核密度估计的风功率波动性概率密度建模方法[J]. 太阳能学报, 2019, 40(7): 2028-2035
[14] 李大中, 常城, 许炳坤. 基于样本优化的风电机组齿轮箱轴承温度预测[J]. 系统仿真学报, 2017, 29(2): 374-380
[15] 刘跃飞, 黄细霞, 宋虎, 等. 风力发电系统的风机齿轮箱故障预测研究[J]. 计算机仿真, 2019, 36(3): 124-127+146
[16] 黄忠山, 田凌, 向东, 等. 基于PCA和SPC-动态神经网络的风电机组齿轮箱油温趋势预测[J]. 清华大学学报(自然科学版), 2018(6): 13-20
