在监督控制和数据采集系统上设计一种用于风力轮机故障检测的新耐噪声算法

科学领域:

• 可再生能源系统可再生能源系统
• 机器学习用于工程.
• 风力轮机技术 风力轮机技术

背景情况:

• 风力轮机故障 (电气,机械,空气动力学) 会降低效率并造成损坏.
• 早期故障检测对于优化性能和降低维护成本至关重要.
• 监督控制和数据采集 (SCADA) 数据为监测轮机健康状况提供了丰富的来源.

研究的目的:

• 开发和评估用于风力轮机故障检测和运行状态诊断的耐噪声框架.
• 利用SCADA数据,考虑环境和运营因素,进行增强的性能分析.
• 引入一种新的扰乱随机森林 (P-RF) 算法,用于准确的异常识别.

主要方法:

• 监督控制和数据采集 (SCADA) 数据用于故障诊断的应用.
• 开发一种耐噪声分类框架,使用一种新的扰乱随机森林 (P-RF) 算法.
• 使用核密度估计和效率指标分析季节性发电差异和特征分布.

主要成果:

• 拟议的P-RF算法在从SCADA数据中诊断风力轮机运行状态时达到99.72%的准确性.
• 该模型表现出高弹性和准确性,即使在杂的数据条件下.
• 有效地确定了季节性发电变化和性能低效率.

结论:

• 使用SCADA数据,P-RF算法为风力轮机故障检测提供了一个高度准确和强大的方法.
• 这种方法在诊断运行状态和识别性能问题方面是有效的,即使噪音很大.
• 该研究强调了先进的机器学习技术在提高风能运营效率和可靠性的潜力.