Apr, 2024

风电场状态监测的概率多层感知机

PDF
TL;DR通过使用基于概率多层感知器的正常行为建模以及通过微调进行迁移学习，我们提供了一种风电场的条件监测系统。该模型基于从主管控制和数据采集（SCADA）系统中提取的特征，预测风力涡轮机在正常运行状态下的输出功率。它的优势在于可以使用至少数年的 SCADA 数据进行训练，可以将风电场中所有风力涡轮机的 SCADA 数据作为特征进行整合，假设输出功率遵循具有异方差的正态密度，并且可以通过从所有其他风力涡轮机的数据中借力来预测一个风力涡轮机的输出。我们通过一个真实的 SCADA 数据示例展示了我们模型的性能，证明其优于其他概率预测模型。
condition monitoring systemwind farmsnormal behaviour modellingprobabilistic multi-layer perceptronscada data
发现论文，激发创造
  • 利用 SCADA 数据和连续学习进行风力发电预测的偏差校正

    通过评估和比较四种基于机器学习的风力发电预测模型，我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果，平均归一化均方根误差降至 22％，同时减少了均方根误差，并且未来研究应当探究模型流程的变化以提高预测性能。此外，我们引入了连续学习策略，该策略在新数据可用时取得了最高的预测性能提升。

    Feb, 2024

  • 基于贝叶斯神经网络的海上风电结构物的农场范围虚拟负载监测

    通过基于数据的 Bayesian 神经网络模型，实现在全风电场范围内非全监测风机的虚拟负载监测，解决因负载监测不全而难以进行生命周期管理的问题，同时提高了负载预测的准确度。

    Oct, 2022

  • 设备健康评估：风力发电机性能的时序分析

    利用 SCADA 数据和先进的时间序列方法（FNN 和 LSTM 网络），我们预测不同风力涡轮的发电量，同时提出了集成 FNN 和 LSTM 模型的新方法以提高预测的稳定性和准确性。此外，我们应用机器学习技术来检测风力涡轮性能的退化，从而实现主动维护策略和健康评估。这些研究结果突显了为不同涡轮提供自动化定制的重要性。值得注意的是，该研究方法不仅适用于风力涡轮，还可在各种机械设备中扩展，突出了我们研究的多样性和适用性。

    Mar, 2024

  • 使用物理信息神经网络和证据不确定性量化预测风力发电机功率

    使用物理信息神经网络对来自 4 台风力发电机的历史数据进行回归建模，同时引入高效的证据层对预测进行不确定性估计，证明其与绝对误差一致，并为功率曲线定义了一个置信区间。

    Jul, 2023

  • 一种用于多步风力预测的并行 CNN-RNN 方法

    本文提出了一种融合卷积神经网络和循环神经网络的 CNN-RNN 结构，使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测，并在全球预测中取得了较好的结果，与传统模型相比，更好的实现了空间特征提取。

    Jan, 2023

  • 机器学习检测网络攻击并区分电力系统干扰类型

    基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

    Jul, 2023

  • 基于分层通信的多智能体近端策略优化，集体控制大型风电场多元化输出功率

    本研究提出了一种基于通信的多代理深度强化学习大规模风力发电场综合控制方法，通过多元模型实现风力设备的高效集成使其最大化电能输出，进而提高风力发电场的整体功率输出效率。

    May, 2023

  • 基于报警序列和长短时记忆算法的风力涡轮机修复行动预测的深度学习框架

    该论文介绍了使用深度学习在 Offshore Wind 的 Condition-based monitoring 中进行 alarm sequence modelling 的研究，并提出了使用 Long Short-term Memory 和 Bidirectional LSTM 模型来预测相关修理措施的新方法，这可以将 O&M 过程中的复杂报警减少，并减少诊断和纠正故障所需的不必要的船舶转移。

    Jul, 2022

  • 基于物理约束的循环神经网络的通用化温度预测模型 在风力涡轮机组件预测性维护中的应用

    基于物理约束的深度学习技术在风能预测性维护中发挥重要作用，特别适用于部分系统信息不完整的实际应用场景。

    Apr, 2024

  • 使用图变换器学习优化风场

    该论文提出了一种新颖的数据驱动模型，能够准确预测任意布局、偏航角配置和风况下所有风电场的发电量。该模型通过将风电场编码成全连接图，并通过图变换器处理图表示来实现。结果表明，该图变换器代理模型具有良好的泛化能力，并能发现风电场图表示中的潜在结构模式。演示了如何使用所得的代理模型通过遗传算法优化偏航角配置，实现与工业标准风电场模拟工具类似的准确性，但计算成本仅为一小部分。

    Nov, 2023