论文部分内容阅读
近年来,由于环境污染和能源短缺等问题的出现,世界各国纷纷加大了对风力发电技术的研究力度,风力发电产业也因此得到了飞速发展。随着老旧风机数量的不断增多,风机组故障频率也逐渐增加。风机组故障的频繁发生会严重降低风机组的发电效率,同时会给风电场造成巨大的经济损失。现有的风机运维方式主要分为事后维护和定期维护两种。事后维护方式较为被动,需要耗费大量的时间和人力去定位故障部件和故障类型。定期维护的方式比较僵化,容易出现故障窗口期和维护窗口期不一致的情况,浪费人力物力。因此,如何利用好现有的监控与数据采集(Supervisory Control And Data Acquisition,SC AD A)系统对风机组进行精确的故障诊断和及时的故障预警对于提高风机运维效率和降低风场故障损失具有重要的现实意义。为了对风机组故障进行精确诊断,本文设计了一种基于ReliefF算法和极端梯度提升树(eXtreme Gradient Boosting,XGBoost)算法的风机组故障诊断方法。首先,该方法以风机组不同工作状态下的SCADA系统记录为输入,采用ReliefF算法计算出各个观测特征的权重并从中选择出与风机故障分类相关程度较高的观测特征。然后,将挑选出的特征作为分类模型的特征,将风机不同工作状态作为分类模型的标签,建立起XGBoost多分类故障诊断模型,完成由观测特征空间到风机不同工作状态的映射。最后,将实时运行的风机组监测数据输入故障诊断模型,模型会自动识别出风机组的运行状态。为了验证算法的有效性,利用实际风场数据进行了实验,实验结果表明该算法对风机组七种不同工作状态(六种故障状态和正常状态)的识别率高达100%。为了验证算法的优越性,将本文所述的算法与径向基核函数支持向量机(radial basis function-Support Vector Machine,rbf-SVM)分类算法、自适应增强(Adaptive Boosting,AdaBoost)分类算法进行了比较,结果表明,本文所述算法的故障诊断精度均高于其它算法。为了提前获取风机组的故障信息,本文设计了一种基于风机部件温度预测的故障预警算法。首先,本文利用皮尔逊相关系数对风机部件温度相关特征进行选取;然后利用这些特征以及前三时刻的部件温度值作为温度预测模型的输入向量,建立正常风机的XGBoost温度回归预测模型;通过部件温度预测值和实际值之间的残差对风机偏离正常状态的程度进行评估,根据设定好的残差阈值进行故障预警。为了验证算法的有效性,利用实际风场数据设计了实验,实验结果表明该算法可以提前7.25小时发现风机组发电机故障,提前2.5小时发现风机组齿轮箱故障。为了验证算法的优越性,将本文所设计的温度回归预测模型与支持向量回归预测模型进行了比较,结果表明,本文所述算法的预测精度更高。