基于数据驱动的风电场监控系统传感器状态智能自确认

Sensors are crucial in ensuring the normal operation of wind turbines and their monitoring system. Currently, the researches on sensors state recognition and evaluation are unsystematic and inadequate for the monitoring system of wind turbines. Considering the abundant data of SCADA, supervised and unsupervised learning techniques are used to solve the two key scientific problems, one is how to automatically filter massive SCADA data,and the other is how to extract information of sensor state. Following the theoretical framework of self-validating for sensor, the researches are planned as follows: (1) intelligently filtering SCADA data for construction of sample library with specific characteristics; (2) analysing the correlation of sensors in a group of turbines in wind farm, and association of sensors mounted on single turbine; (3) construction of sensor output prediction model and extraction of sensor state information; (4) sensor condition assessment with fusion etc. Research results can be applied to the monitoring system in the wind farm, raising the recognition rate of abnormal sensor data, decreasing the false alarm rate, responding to the normal operation and maintenance decision of wind farm and guarantee the safety of wind turbines, which have important sense to enrichment and development of the theory and technology of self-validating for sensor data.

传感器状态正常是保证风电机组及其监控系统正常运行的基础。针对目前风电场风电机组监控系统传感器状态识别和评估研究不系统、不充分的现状，立足于风电场SCADA丰富的数据资源，采用有监督和无监督学习等技术手段，从“SCADA数据的智能筛选”和“传感器状态信息的智能提取”两个关键科学问题切入，基于传感器数据自确认的理论框架，开展如下研究工作：(1) SCADA数据智能筛选与具有特定特征的样本库构建；(2)风电场风机的传感器群相关特性以及单机各传感器间的关联特性分析；(3)传感器输出预测模型的构建和传感器状态信息的提取；(4)传感器状态的交叉融合评估等。通过以上研究，形成风电场监控系统传感器状态智能自确认的理论、方法和技术。研究成果应用于风电场监控系统，将在传感器状态识别与评估、服务风电场运行维护决策、保证风电机组运行安全等方面发挥重要作用，对于丰富和发展传感器数据自证实理论和技术具有重要意义。

针对目前风电场风电机组监控系统传感器状态识别和评估研究不系统、不充分的现状，在传感器自确认的理论和技术框架下，基于数据挖掘技术，开展风电场监控系统传感器状态智能识别研究工作。通过开展基于数据挖掘的 SCADA 数据智能筛选、风电场风机的群相似性分析、同类同位传感器群预测器构建、以及相关多传感器间的关联特性分析与状态提取方法等方面的研究，提出并实现了一种基于数据驱动的风电机组机载风速仪状态自确认和风电机组定子绕组温度传感器状态自确认，丰富和发展了传感器自确认理论、技术和方法。相关研究成果可用于大规模传感网络的状态自确认，如风电场、智慧矿山、无人工厂和智慧城市等信息管理系统，对于保障系统安全作业，提升智能维护水平等具有重要意义和应用价值。完成了项目预定研究目标，主要研究工作进展如下：.SCADA 数据智能筛选：结合风电机组工作机理、数理统计与机器学习相关理论，构造出一个结合SCADA系统数据预处理的随机森林集成学习器，实现SCADA数据状态智能筛选。.风机群相似性分析：基于风电机组机载风速仪测量数据，分别采用动态时间规整算法和凝聚层次聚类方法分析了风机间的状态相似性，实现了风电机组群划分。.机载风速仪状态自确认：根据自联想神经网络（AANN）和麻雀搜寻算法（SSA）原理，构建了SSA-AANN模型，该模型能准确、快速检测出风速仪的仿真故障和现场实际故障状态。.温度传感器异常识别：利用传感器信息融合技术，计算定子绕组温度传感器之间的灰色关联度，基于灰色关联度度量指标，对传感器本身状态异常进行识别。.风电机组运行状态识别：构建了FISSA-DBN模型，以网侧有功功率、主轴承温度、发电机定子绕组温度为考察对象，识别出风电机组异常运行状态。.本项目在执行期发表学术论文17篇，其中，SCI论文8篇、EI论文6篇、中文核心期刊论文3篇；申请国家发明专利6件，其中，授权3件，专利实施许可2项；举办了3次相关的学术交流会议；培养博士研究生3名、硕士研究生8名，其中6人获得硕士学位。