论文部分内容阅读
近年来随着能源危机的加剧以及人们环保意识的增强,风能作为一种分布广泛、储备丰富的清洁可再生能源逐渐受到国际社会的广泛关注,风力发电也因此成为一种重要的能源供应方式。但是,由于受恶劣运行环境的影响,风力发电系统故障发生频率高、故障发生后停机时间长、维修成本大,因此风电系统运维建设成为未来发展的重要着力点。风电机组作为风力发电过程的主要组成部分,通常由叶轮、发电机和塔筒三部分组成。叶轮作为风电机组能量转换过程的重要部分,其运行状态的优劣对于整个风电机组的发电效率具有决定性影响。统计表明,叶轮故障是导致风机停机和降低风电场发电效率的重要影响因素,对风机叶轮运行状态的监测与预测等运维方法进行研究具有重要的经济价值和工程应用需求。(1)基于非线性状态估计技术(Nonlinear State Estimate Technology,NSET)对风电机组叶轮故障监测方法进行研究,形成风电机组叶轮故障监测改进的NSET模型。针对传统NSET模型中基于固定步距确定记忆矩阵方法存在的问题,提出一种改进的NSET监测模型。首先对历史最优工况数据采用DBSCAN(Density Based Spatial Clustering of Application with Noise)算法进行聚类,然后对每一类数据进行基于马氏距离的选取,最后将每一类的选取结果合并作为最终的记忆矩阵。基于统计过程控制(Statistical Process Control,SPC)原理确定报警和警告的上下限以及异常判定准则。实验结果表明,改进后的监测模型所构建的记忆矩阵较小、故障监测精度较高。(2)将深度信念网络(Deep Belief Network,DBN)引入风电机组叶轮故障预测,提出DBN与反向传播(Back Propagation,BP)神经网络组合的故障预测新方法。利用DBN在高维数据特征提取方面能力较强的优势,对风机叶轮劣化数据属性之间的内在联系进行抽象建模,得到高维数据特征的低维内在表示;基于BP神经网络在时间序列预测方面的优势,将其作为DBN的顶层决策层对风机叶片转速(BLASPE1)的变化趋势进行预测。实验结果表明,与传统预测模型相比,论文提出的新模型的预测精度较高。(3)为了论文所研究的风电机组叶轮故障监测和预测模型未来能够进行工程化应用,对原型系统进行了设计和开发。原型系统主要包括系统配置、数据管理、模型管理、故障监测、故障预测等模块。系统配置模块主要实现各功能子系统的初始化,数据管理模块主要实现对风机叶轮SCADA(Supervisory Control and Data Acquisition)监测数据的获取和预处理,模型管理模块主要实现故障监测与预测模型的构建、更新和保存,故障监测模块主要实现对风机叶轮SCADA数据的实时监测分析,故障预测模块主要实现对监测得到的风机叶轮劣化数据中BLASPE1的变化趋势进行预测。