鄭小霞，李美娜，王 靖，任浩翰，符 楊

?

基于PSO優(yōu)化核主元分析的海上風電機組運行工況分類

鄭小霞1，李美娜1，王 靖2，任浩翰2，符 楊1

(1.上海電力學院自動化工程學院，上海 200090；2.上海東海風力發(fā)電有限公司，上海 200090)

海上風電機組運行環(huán)境復雜多變，對其工況進行分類可以提高機組運行健康狀態(tài)評價的準確性，為制定合理的運行維護策略提供可靠依據(jù)。提出一種基于PSO優(yōu)化核主元分析(KPCA)的多參數(shù)工況分類方法。針對核函數(shù)參數(shù)難以確定的問題，綜合考慮類內(nèi)散度和類間散度構建優(yōu)化核參數(shù)的適應度函數(shù)，應用PSO算法對其進行尋優(yōu)，將優(yōu)化后的KPCA用于數(shù)據(jù)的特征提取，在此基礎上采用模糊C-均值聚類(FCM)建立分類模型。通過對UCI數(shù)據(jù)庫中的三組實驗數(shù)據(jù)進行分類驗證了該方法的有效性。最后，應用該方法對某海上風電場實測數(shù)據(jù)進行工況分類，并與PCA+FCM、KPCA+FCM兩種方法進行比較。結果表明，提出方法的分類結果優(yōu)于其他兩種，能夠得到清晰準確的分類結果，利于分工況建立準確的機組運行健康狀態(tài)評價模型。

海上風電機組；工況分類；PSO；核主元分析；類別可分性；模糊C-均值聚類

0 引言

隨著風電資源的大規(guī)模開發(fā)，海上風電因具有風能資源能量效益高，海上風湍流強度小，不占用寶貴的土地資源等優(yōu)勢在全球范圍內(nèi)得到大力發(fā)展。風電機組運行狀態(tài)具有復雜多變的特點，而海上風電機組面臨著強風載荷、海水腐蝕和波浪沖擊等更加惡劣的運行環(huán)境[1]，機組的運行工況更加復雜多變，并且風機故障率較高，一旦故障停運時間更長，因此機組的運行維護成本更大、難度更高。通常，運行維護成本約占海上風電場總投資的15%~30%。對機組運行工況進行分類，有利于針對不同工況做出相應的客觀評價，制定合理的運行維護策略，降低運行維護成本。目前，關于風電機組工況分類的研究文獻很少，文獻[2]考慮單一參數(shù)根據(jù)風速劃分風電機組運行工況，文獻[3]克服了單一參數(shù)的缺陷，針對機組振動監(jiān)測閾值的設定進行工況劃分的研究，提出了基于數(shù)據(jù)采集與監(jiān)控系統(tǒng)(Supervisory control and data acquisition，SCADA)數(shù)據(jù)和支持向量機的多運行參數(shù)運行工況劃分方法，文獻[4]考慮機組運行工況提出一種基于工況辨識的機組健康狀態(tài)實時評價方法，由于文獻中主要研究評價方法，并沒有過多考慮工況劃分的效果，且以上都是對陸上風電機組的研究，對海上風電機組的研究更少。核主元分析(Kernel principal component analysis，KPCA)利用非線性變換將輸入數(shù)據(jù)空間映射到高維特征空間，然后在高維空間使用主元分析(Principal component analysis，PCA)方法提取非線性主元[5]，該方法已在處理實際的非線性問題中取得了較好的效果。核主元分析應用中的關鍵問題是核參數(shù)的選擇，但目前還沒有太多的理論作指導，研究如何針對實際問題選擇客觀合理的核參數(shù)具有重要意義。傳統(tǒng)的KPCA在選取主元時考慮的是盡可能保留原始信息，但對于分類問題并沒有充分考慮到類別信息的最大化，數(shù)據(jù)降維后不一定能夠得到較適于分類的成分。粒子群算法(Particle swarm optimization，PSO)是基于群體智能理論的優(yōu)化算法，目前已廣泛應用于函數(shù)優(yōu)化、數(shù)據(jù)挖掘等領域[6-8]。為此，本文提出了一種基于PSO優(yōu)化核主元分析的海上風電機組運行工況分類方法，PSO優(yōu)化核參數(shù)時，不僅考慮保留大量原始信息，而且盡量使所選主元的類別信息最大化，將核主元分析提取的特征集作為模糊C-均值聚類算法的輸入，建立海上風電機組運行工況分類模型。

1 核主元分析的基本原理

核主元分析是主元分析的非線性推廣，其基本思想是通過一個非線性變換，將輸入數(shù)據(jù)空間中的個樣本(=1, 2,,)，映射到高維特征空間中，得到高維空間的樣本點(1),(2),,()，樣本中心化得到()，再利用主元分析提取主元，實現(xiàn)非線性數(shù)據(jù)降維。

中心化后數(shù)據(jù)的協(xié)方差矩陣為

對應的特征方程為

(2)

(4)

(6)

由于為對稱陣，則上式可簡化為

(8)

通過對上式的求解，即可得到要求的特征值和特征向量，歸一化特征向量后，可得樣本在空間中第個主成分，即在向量上的投影。

上述過程假設數(shù)據(jù)已中心化，但一般情況下中心化是不成立的，因此用代替：

(10)

核主元分析是利用核函數(shù)內(nèi)積運算實現(xiàn)數(shù)據(jù)的非線性映射，而無需關注具體映射形式。常用核函數(shù)如下。

多項式函數(shù)：

高斯徑向基核函數(shù)：

(12)

Sigmoid函數(shù)：

研究表明，Sigmoid核函數(shù)在特定參數(shù)下與徑向基核函數(shù)具有類似的特性，且徑向基核函數(shù)預測速度和精度在處理大多實際問題中優(yōu)于其他函數(shù)，故本文采用高斯徑向基核函數(shù)。對于高斯徑向基核函數(shù)，影響其應用結果的重要因素是核參數(shù)。

2 基于PSO優(yōu)化的核主元分析

粒子群算法是一種有效的全局尋優(yōu)算法，由Kennedy 和Eberhart于1995年提出[9-10]。本文采用帶收縮因子和慣性權重線性遞減的PSO算法進行核參數(shù)優(yōu)化，加快收斂速度并防止陷入局部最優(yōu)，其數(shù)學表達式為

(15)

(16)

本文將核主元分析特征提取的結果作為工況分類模型的輸入，因此在優(yōu)化核參數(shù)時，不僅考慮提取的特征向量集保留的原始信息量，同時考慮該向量集所具有的類別信息，選取出既能夠反映原信息又有利于分類的核參數(shù)和特征向量集。

2.1 類別可分性判據(jù)

傳統(tǒng)的KPCA進行特征提取時，通常選取累積貢獻率大于85%的前個主元構成特征向量集，認為能夠與原數(shù)據(jù)有較高的一致性，即只考慮提取的主元是否保留了大量的原始信息，但是保留的信息量多并不一定是最有利于實際問題分析，對于模式分類數(shù)據(jù)還應盡可能的提取出類別信息大的特征向量集。類別可分性判據(jù)可以衡量提取的特征向量對分類的貢獻大小，即具有的類別信息的大小?；陬悆?nèi)類間距離的可分性判據(jù)是一種常用的類別可分性判據(jù)。對于分類結果，我們希望類內(nèi)距離越小越好，類間距離越大越好，可以用類內(nèi)離散度和類間離散度用來度量類內(nèi)距離和類間距離，為此構造能反映類內(nèi)距離和類間距離的準則函數(shù)。

總的類內(nèi)離散度矩陣為

(18)

類間離散度矩陣為

式中：是樣本總數(shù)；n是類的樣本個數(shù)；m是類的樣本集均值向量；是所有樣本集均值向量。

本文采用一種用離散度矩陣給出的基于類內(nèi)類間距離的可分性判據(jù)：

J越大表示特征向量的可分性越好，具有的類別信息越大。

2.2 PSO優(yōu)化核參數(shù)模型

本文采用模糊C-均值聚類實現(xiàn)工況的分類。模糊聚類引入模糊隸屬度，具有描述樣本中間性的優(yōu)點，能夠客觀的反映實際。其中應用最廣泛的是基于目標函數(shù)的模糊C-均值聚類算法[11-12]。設個聚類中心為={1,2,,}，全部個樣本的聚類情況由一個隸屬度矩陣描述，

式中，u為第個樣本歸屬于第類的隸屬度。

模糊C-均值聚類按照如下準則和約束條件聚類，得到最優(yōu)的模糊分類[12]：

(23)

式中：>1是加權指數(shù)；‖-‖為樣本與聚類中心之間的距離，一般為歐式距離。

結合可分性判據(jù)，綜合考慮類別可分性和保留原信息量，建立PSO優(yōu)化核函數(shù)參數(shù)模型，具體步驟如下：

(1) 初始化粒子群各參數(shù)；

(2) 在解空間內(nèi)初始化粒子的位置和速度；

(3) 計算粒子個體適應度值：每個粒子進行一次核主元分析，選取前3個主元，如果累積貢獻率大于85%則進行一次模糊C-均值聚類，按式(20)計算粒子的適應度值，否則，適應度值直接賦值為極小值。

(4) 比較粒子當前適應度值p和其自身歷史最優(yōu)解best，如果best≤p更新個體最優(yōu)解best=p。

(5) 比較粒子當前適應度值p和種群最優(yōu)解best，如果best≤p，更新種群最優(yōu)解best=p。

(6)按式(14)、式(15)更新粒子的速度和位置，按式(16)更新慣性權重。

(7) 判斷迭代次數(shù)是否達到終止條件，如果

從以上步驟可以看出，PSO在優(yōu)化核參數(shù)時，只考慮累積貢獻率達到85%以上的粒子，保留了大量的原始信息，同時以聚類后可分性判據(jù)作為PSO 優(yōu)化的適應度函數(shù)，考慮了聚類后提取的各主元對分類的貢獻大小，選取有利于分類的主元。因此，PSO優(yōu)化后可以得到既保留了大量的原信息又有利于工況分類的核參數(shù)?；诹Ｗ尤簝?yōu)化核參數(shù)的流程圖如圖1所示。

圖1 PSO優(yōu)化核參數(shù)流程圖

將PSO優(yōu)化后的核主元分析提取得到的特征向量集作為模糊C-均值聚類的輸入，可以實現(xiàn)數(shù)據(jù)的分類，為了驗證方法的有效性，本文采用3組實驗數(shù)據(jù)進行了分類實驗，數(shù)據(jù)來源于UCI的Seeds Data Set，Gesture Segmentation Data Set，Leaf Data Set，為了便于觀察將數(shù)據(jù)統(tǒng)一降到3維，這3組數(shù)據(jù)都是可以用來聚類的，降維的目標是提取有效的類別信息得到類別分明的數(shù)據(jù)，在圖中表現(xiàn)即為類別清晰。3組數(shù)據(jù)的維數(shù)分別是7維、18維、16維，得到的分類結果如圖2~圖4所示。

由上面的分類圖可以看到，PSO優(yōu)化后的核主元分析提取不同維數(shù)數(shù)據(jù)的特征向量集后，通過模糊C-均值聚類算法進行分類基本都可以得到類別清晰的分類結果，這主要是因為PSO優(yōu)化核參數(shù)時考慮了類別可分性，提取出既保留大量的原始信息又同時得到具有最大類別信息的數(shù)據(jù)。

圖2 Seeds Data Set分類圖

圖3 Gesture Segmentation Data Set分類圖

圖4 Leaf Data Set分類圖

3 海上風電機組運行工況分類建模

3.1 運行工況特征參數(shù)選取

合理的工況分類對機組運行健康狀態(tài)評價結果有重要的影響，而正確選擇機組運行狀態(tài)特征參數(shù)是得到合理工況分類的必要條件。通常情況下海上風電場均采用遠程監(jiān)測系統(tǒng)(SCADA系統(tǒng))對風電場的情況進行實時監(jiān)測，SCADA系統(tǒng)采集包括風速、有功功率、齒輪箱溫度等幾十個與風機運行狀態(tài)相關的參數(shù)，根據(jù)各因素對風電機組運行狀態(tài)的影響可將這些參數(shù)分為機組性能特征參數(shù)和外界環(huán)境特征參數(shù)[13]。其中，反映機組性能的參數(shù)主要包括齒輪箱、發(fā)電機、控制柜、機艙等相關參數(shù)，外界環(huán)境因素參數(shù)主要包括風速、環(huán)境溫度等參數(shù)。通過對歷史運行數(shù)據(jù)的關聯(lián)分析可以看到，環(huán)境溫度、風速和轉速對機艙溫度、繞組溫度等參數(shù)具有明顯的影響，其相互關系曲線如圖5~圖7所示。

圖5中可以看到反映機組性能的機艙溫度和塔筒柜溫度受環(huán)境溫度影響明顯，呈現(xiàn)近似線性關系，均隨著環(huán)境溫度的增大而增大，因此在工況分類時需要考慮環(huán)境溫度的影響。

圖5 機艙溫度和塔筒柜溫度與環(huán)境溫度的關系

圖6 繞組最高溫度與發(fā)電機轉速的關系

圖6中繞組最高溫度隨著發(fā)電機轉速的增大而有所升高，可以看出實測的繞組最高溫度分布是一條寬帶。

圖7 發(fā)電機有功功率與風速的關系

圖7是機組的功率特性曲線，由圖中看到當風速低于額定風速時，風機處于功率增加階段，有功率隨風速增大而增大；當風速在額定風速至切出風速之間時，風機保持輸出功率恒定。該曲線是考核機組性能、評估機組發(fā)電能力的一項重要指標，通過比較實測的功率特性曲線與制造商提供的功率特性曲線可以評估機組的實際運行性能。

綜上，環(huán)境溫度、有功功率、風速和發(fā)電機轉速應該作為工況分類的特征參數(shù)。另外，齒輪箱和發(fā)電機軸承是風電機組中故障高發(fā)的部件，因此，本文選取齒輪箱油溫、發(fā)電機軸承溫度、環(huán)境溫度、有功功率、風速和發(fā)電機轉速6個關鍵參數(shù)建立機組工況分類模型。

3.2 建立運行工況分類模型

本文提出的基于PSO優(yōu)化核主元析的海上風電機組運行工況分類模型的框圖如圖8所示。

圖8 海上風電機組運行工況分類框圖

具體實現(xiàn)步驟如下：

(1) 數(shù)據(jù)的預處理，采集SCADA歷史數(shù)據(jù)，合理選取數(shù)據(jù)，進行標準化處理；

(2) 運行工況參數(shù)特征提取，利用PSO優(yōu)化高斯核函數(shù)參數(shù)，得到最優(yōu)的核參數(shù)，進行核主元分析提取特征向量，得到新的主元變量集；

(3) 工況分類，將得到的主元變量集作為模糊C-均值聚類的輸入，得出工況分類結果。

4 實例分析

為了驗證工況分類模型的有效性，本文采用某海上風電場SCADA系統(tǒng)采集的機組運行數(shù)據(jù)進行分類實驗。該風電場采集的數(shù)據(jù)包含風速、環(huán)境溫度、機艙溫度、有功功率、發(fā)電機軸承溫度、繞組溫度、齒輪箱油溫等31個運行參數(shù)，本文選取某一臺3 MW風電機組2012年1月至12月的正常運行數(shù)據(jù)，該機組的額定參數(shù)如表1所示。

表1 風電機組額定參數(shù)

從中選取由齒輪箱油溫、發(fā)電機軸承溫度、環(huán)境溫度、有功功率、風速和發(fā)電機轉速6個參數(shù)構成的特征參數(shù)集，選取208組數(shù)據(jù)(去除壞點)，在選取數(shù)據(jù)時參考IEC標準中風電機組功率特性測試要求[14]，選取風速范圍為低于切入風速1 m/s至切出風速，得到所選數(shù)據(jù)的風速范圍為2.64~ 24.36 m/s，幾乎覆蓋了此臺機組的絕大多數(shù)運行工況。

將選取的數(shù)據(jù)按4中步驟實現(xiàn)工況分類。其中，PSO優(yōu)化核函數(shù)參數(shù)時各參數(shù)設定如表2所示。

表2 粒子群算法(PSO)參數(shù)設定表

其中，核參數(shù)范圍是經(jīng)過多次試驗，將范圍由大到小逐漸縮小，以保證能夠尋得最優(yōu)解。

圖9是PSO優(yōu)化核參數(shù)時適應度函數(shù)隨迭代次數(shù)進化過程，圖10是KPCA的累積貢獻率隨迭代次數(shù)變化曲線，由圖中看出優(yōu)化時只考慮了累積貢獻率達到85%以上的核參數(shù)值，得到最優(yōu)的核參數(shù)1.862 1。

圖9 PSO優(yōu)化核參數(shù)時適應度變化曲線

圖10 PSO優(yōu)化核參數(shù)時累積貢獻率變化曲線

表3給出PSO優(yōu)化的核主元分析結果，可以看到，前3個主元的累積貢獻率達到了87.24%，選取新主元保留了原數(shù)據(jù)的大部分信息，可以代替原始的31維數(shù)據(jù)。

為體現(xiàn)本文所提方法的優(yōu)越性，分別采用三種方法進行分類試驗。分別是PCA+FCM、KPCA+ FCM及PSO-KPCA+FCM，采用KPCA+FCM時核參數(shù)分別取1、3和3.5，實驗得到的分類結果如圖11~圖15所示。表4是各方法進行降維時得到累積貢獻率。

表3 核主元分析結果

圖11 PCA+FCM工況分類結果圖

圖12 時KPCA+FCM工況分類結果圖

圖13 時KPCA+FCM工況分類結果圖

圖14時KPCA+FCM工況分類結果圖

Fig. 14 Classification result of KPCA+FCM while

圖15 PSO-KPCA+FCM工況分類結果圖

表4 不同方法進行特征提取時的累積貢獻率

從以上實驗結果可以看出，PSO-KPCA+FCM的分類效果要好于其他方法，能夠清晰地劃分出各個工況。對于KPCA方法，選擇不同的核參數(shù)對分類結果影響很大，當選取最優(yōu)核參數(shù)的鄰近值1、3和3.5時得到的分類效果并不好。如果選擇不當KPCA+FCM的分類效果可能沒有PCA+FCM的效果好，如圖13所示，當時得到的分類結果明顯沒有圖11所示的PCA+FCM的效果好。

結合表4與各方法分類結果圖，可以看出，對于分類問題在特征提取時，不能僅考慮保留原始信息，還要盡量保留數(shù)據(jù)的分類信息，因為并不是保留信息量越多、累積貢獻率越大就能夠得到好的分類效果。如表4所示，PCA以及KPCA中選取3和3.5時得到的累積貢獻率都在90%以上，高于本文所提方法優(yōu)化所得值1.862 1的87.24%，但是圖11、圖13及圖14表明這三種方法提取的數(shù)據(jù)分類效果并不理想，分類結果圖中都有明顯不同程度的工況特征點混雜在一起的情況，類別劃分不清晰，邊界不明顯。而對于圖15，由于本文所提方法在選取KPCA核參數(shù)時，同時考慮了保留數(shù)據(jù)的原始信息和類別信息，在聚類后得到了清晰明確的類別劃分結果。

綜上，本文所提方法能夠對海上機組運行工況空間進行清晰準確的劃分。其中的核參數(shù)優(yōu)化方法，在考慮保留原始信息量的同時兼顧數(shù)據(jù)的類別信息，能提取出更有效、更利于分類的非線性主元，很適用于解決分類問題中KPCA核參數(shù)的選擇問題。同時，得到的機組運行工況劃分結果，可以用來將 SCADA歷史數(shù)據(jù)進行相應的劃分，生成相應個數(shù)的健康狀態(tài)評價模型的訓練樣本集，通過高斯混合模型(GMM)或隱馬爾科夫(HMM)等模型進行訓練，建立各運行工況子空間下的健康狀態(tài)評價模型，實現(xiàn)根據(jù)不同工況準確的建立機組的運行健康狀態(tài)評價模型，并為合理制定運行維修策略提供依據(jù)。

5 結論

本文提出了一種基于PSO優(yōu)化核主元分析的海上風電機組運行工況分類方法。在分類模型的特征提取部分，綜合考慮了原始信息和數(shù)據(jù)的類別信息，提取出利于分類的特征參數(shù)。用本文所提的方法對某海上風電機組的SCADA歷史數(shù)據(jù)進行工況空間劃分，得到了優(yōu)于其他方法的分類結果，驗證了該方法的有效性和優(yōu)越性，為更客觀合理地實現(xiàn)分工況評價機組運行健康狀態(tài)提供了基本保證，有利于及時制定合理的機組運行維護策略。

[1] 黃玲玲, 符楊, 胡榮, 等. 基于運行維護的海上風電機組可用性評估方法[J]. 電力系統(tǒng)自動化, 2013, 37(16): 13-17.

HUANG Lingling, FU Yang, HU Rong, et al. Availability evaluation of offshore wind turbine considering operation and maintenance[J]. Automation of Electric Power Systems, 2013, 37(16): 13-17.

[2] BECKER E, POSTEPAUL, RESLER J. Keeping the blades turning: condition monitoring of wind turbine gears[J]. Wind Energy, 2006, 7(2): 26-32.

[3] 劉永前, 王飛, 時文剛, 等. 基于支持向量機的風電機組運行工況分類方法[J]. 太陽能學報, 2010, 31(9): 1191-1197.

LIU Yongqian, WANG Fei, SHI Wengang, et al. Operation condition classification method for wind turbine based on support vector machine[J]. Acta Energiae Solaris Sinica, 2010, 31(9): 1191-1197.

[4] 董玉亮, 李亞瓊, 曹海斌, 等．基于運行工況辨識的風電機組健康狀態(tài)實時評價方法[J]. 中國電機工程學報, 2013, 33(11): 88-95.

DONG Yuliang, LI Yaqiong, CAO Haibin, et al. Real- time health condition evaluation on wind turbines based on operational condition recognition[J]. Proceedings of the CSEE, 2013, 33(11): 88-95.

[5] SEHOLKOPF B, SMOLA A, MULLER K R. Nonlinear component analysis as a kernel eigenvalue problem[J]. Neural Computation, 1998, 10(5): 1299-1319.

[6] 吳忠強, 賈文靜, 吳昌韓, 等. 基于PSO-BSNN的短期風速預測[J]. 電力系統(tǒng)保護與控制, 2015, 43(15): 36-41.

WU Zhongqiang, JIA Wenjing, WU Changhan, et al. Short- term wind speed forecasting based on PSO-BSNN[J]. Power System Protection and Control, 2015, 43(15): 36-41.

[7] 劉歡, 劉志剛. 基于改進粒子群算法的牽引變電所維修優(yōu)化研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(11): 87-94.

LIU Huan, LIU Zhigang. An improved particle swarm algorithm study on optimization model of maintenance schedules for railway traction substations[J]. Power System Protection and Control, 2015, 43(11): 87-94.

[8] 盧錦玲, 苗雨陽, 張成相, 等. 基于改進多目標粒子群算法的含風電場電力系統(tǒng)優(yōu)化調(diào)度[J]. 電力系統(tǒng)保護與控制, 2013, 41(17): 25-31.

LU Jinling, MIAO Yuyang, ZHANG Chengxiang, et al. Power system optimal dispatch considering wind farms based on improved multi-objective particle swarm algorithm[J]. Power System Protection and Control, 2013, 41(17): 25-31.

[9] EBERHART R, KENNEDY J. A new optimizer using particle swarm theory[C] // Proceedings of the Sixth International Symposium on Micro Machine and Human Science, Nagoya Japan, 1995: 39-43.

[10] KENNEDY J, EBERHART R. Particle swarm optimization[C] // Proceedings IEEE International Conference on Neural Networks, 1995: 1942-1948.

[11] 孟安波, 盧海明, 李海亮, 等. 縱橫交叉算法優(yōu)化 FCM 在電力客戶分類中的應用[J]. 電力系統(tǒng)保護與控制, 2015, 43(20): 150-154.

MENG Anbo, LU Hanming, LI Hailiang, et al. Electricity customer classification based on optimized FCM clustering by hybrid CSO[J]. Power System Protection and Control, 2015, 43(20): 150-154.

[12] 楊茂, 熊昊, 嚴干貴, 等. 基于數(shù)據(jù)挖掘和模糊聚類的風電功率實時預測研究[J]. 電力系統(tǒng)保護與控制, 2013, 41(1): 1-6.

YANG Mao, XIONG Hao, YAN Gangui, et al. Real-time prediction of wind power based on data mining and fuzzy clustering[J]. Power System Protection and Control, 2013, 41(1): 1-6.

[13] 胡姚剛, 唐顯虎, 劉志詳. 并網(wǎng)風電機組在線運行狀態(tài)評估方法[J]. 中國電機工程學報, 2010, 30(33): 103-109.

HU Yaogang, TANG Xianhu, LIU Zhixiang. Method for on-line operation conditions assessment for a grid- connected wind turbine generator system[J]. Proceedings of the CSEE, 2010, 30(33): 103-109.

[14] IEC 61400-12-1 Ed.1 power performance measurements of electricity producing wind turbines[S]. 2005.

(編輯 姜新麗)

Operational conditions classification of offshore wind turbines based on kernel principal analysis optimized by PSO

ZHENG Xiaoxia1, LI Meina1, WANG Jing2, REN Haohan2, FU Yang1

(1. School of Automation Engineering, Shanghai University of Electric Power, Shanghai 200090, China;2. Shanghai Donghai Wind Power Co., Ltd., Shanghai 200090, China)

As considering the complex operational conditions of offshore wind turbines, classifying the operational conditions can improve the accuracy of health condition evaluation of wind turbines and provide a reliable basis for the reasonable operation maintenance strategies. An operational conditions classification method based on kernel principal analysis (KPCA) optimized by particle swarm optimization algorithm (PSO) is proposed. The fitness function of kernel function parameter optimizations is constructed by considering within class scatter and between-class scatter of data to avoid the problem that choosing a proper kernel function parameter is difficult. The KPCA optimized by PSO is applied to data feature extraction and a classification model is built by using fuzzy C-means (FCM) clustering algorithm. The simulations on three groups data of UCI database prove the method's validity. Finally, the method is used to classify the operational conditions of offshore wind turbines, and the results show that the proposed method can get much better classification effect than PCA+FCM and KPCA+FCM. It is helpful for establishing health condition evaluation model for each condition. This work is supported by National Natural Science Foundation of China (No. 51507098).

offshore wind turbines; operational conditions classification; PSO; kernel principal analysis; sort separability criterion; fuzzy C-means clustering

10.7667/PSPC151450

國家自然科學基金項目(51507098)；上海綠色能源并網(wǎng)工程技術研究中心(13DZ2251900)；上海市科委重點科技攻關項目(14DZ1200905)；上海市電站自動化技術重點實驗室項目(13DZ2273800)

2015-08-17；

2015-11-07

鄭小霞(1978-)，女，博士，副教授，主要研究方向為風力發(fā)電故障診斷與運行維護等；E-mail: zhengxiaoxia@ shiep.edu.cn 李美娜(1987-)，女，通信作者，碩士研究生，主要研究方向為海上風電機組運行維護。E-mail: xiaolimgna@ 163.com