MAGAZINE
刊物內容

回列表

相似分群方法在風場風機故障檢測的應用研究

摘要"

本研究以相似分群方法建立風場中風機故障檢測與性能評估之流程,分為風場集群分析與風場風機性能評估與異常偵測兩部分進行。其中風場集群分析利用每部風機量測的風速與風向資料,透過高斯混合模型建立風況模型後以信心值量測彼此間的相似性,並利用聚合階層式分群法分群。再根據分群結果針對同群內風機的功率、轉子轉速、葉片旋角與偏航誤差之資料,同樣透過高斯混合模型與信心值做相似性的測量,並逐日比對群內不同風機間行為是否相異。
本研究利用台電彰工風場23部風機資料進行分析,結果顯示風場在這季中的風況可分為風向偏北方的集群一以及風向偏東北方的集群二。在集群一中22號風機異常發生次數最多,而7號風機無偵測出異常;集群二則是4號風機最多異常,而12號風機無偵測出異常。同時比較各項參數之信心值發現,同群中有風機葉片旋角信心值在0.6以下者大多功率信心值也低於0.5;轉子轉速與葉片旋角無異常發生,偏航誤差信心值較低者其功率信心值也低於0.5。

關鍵詞:風力發電機、相似分群方法、高斯混合模型

前言

目前世界各國皆致力發展再生能源以因應能源危機與全球暖化問題。風力發電為再生能源發電中最成熟的技術,無論國內外均希望風力發電能以自由市場機制與其他發電技術競爭,因此產業的重要發展方向為降低發電均化成本,其中風力發電機的維修運轉技術即是影響均化成本的關鍵因素之一[1]。
本研究應用Lapira[2]提出的相似機器分群(Similar Machine Cluster)概念,透過比對找出同一風場中風速與風向相似條件下,行為紀錄卻與多數群體不相似之風機,對其進行檢測或維修,藉此監控管理風場,並達到提高風場產能與降低維運成本之目的。
其中相似分群方法在風場風機故障檢測系統的建立,分為風場集群分析與風場風機性能評估兩部分進行。第一部分為風場集群分析,利用高斯混合模型近似每部風機量測的風速與風向參數,並計算信心值表示任二高斯混合模型間的相似性,並根據此相似程度採用聚合階層式分群法分群;第二部分則是根據之前的分群結果進行同群中風機性能評估,首先,找出同群內風機的當前功率資料點與保證功率曲線最接近的前三者作為當群模範風機,再透過與模範風機比對找出群體中行為表現異常之風機,以完成風場風機故障檢測的目的。

使用方法及原理

高斯混合模型

高斯混合模型(Gaussian Mixture Model, GMM)為單一高斯機率密度函數的延伸,由多個不同權重的高斯函數組成的機率密度函數。透過多個高斯分布的疊加,使得高斯混合模型能夠平滑地近似任意形狀之密度分布[3,4]。
在此為此密度函數的平均值向量,而則是高斯分布的共變異矩陣。

期望值最大化演算法(Expectation-Maximization Algorithm,EM)常用於不完全資料之機率模型的參數估計上,並分為E步驟與M步驟重複迭代直到達到參數最佳化為止。其中E步驟為計算參數之期望值,利用現有參數計算k個高斯函數,即此組資料點中每筆資料在任一高斯函數中的期望值;而M步驟為最大化算,利用E步驟所得來更新高斯混合模型的參數。

貝氏訊息準則

貝氏訊息準則(Schwarz's Bayesian Information Criterion, BIC)是一種模型選擇的判斷標準,在相同樣本下BIC值越小表示模型的配適性(Goodness-of-Fit)越佳[5]。在往後章節以BIC代稱貝氏訊息準則。...更多內容請見《機械新刊》雜誌

READ MORE BACK TO LIST