為盡早發(fā)現(xiàn)風電機組早期故障,減少風電場的運維成本,提出一種基于功率曲線分析與神經網(wǎng)絡的故障預警方法。首先,依據(jù)功率特性曲線,使用最小二乘與離散度分析結合的算法對SCADA數(shù)據(jù)進行篩選,以保留符合機組正常工況的數(shù)據(jù)作為建模的訓練數(shù)據(jù),從而提高模型的精度。然后,使用隨機森林算法篩選模型的輸入?yún)?shù)以簡化模型結構,并通過對比隱含層的數(shù)目建立風電機組的神經網(wǎng)絡模型。最后,結合滑動窗口模型,提出一種能反映機組實時運行狀態(tài)的指標,并通過非參數(shù)估計法確定該指標的閾值,以實現(xiàn)狀態(tài)預警及在線監(jiān)測。該方法充分利用SCADA數(shù)據(jù),且不需要對風電機組復雜的物理特性進行分析。將該方法分別用于某風電場的變槳系統(tǒng)和偏航系統(tǒng)的故障預警,實驗結果是分別提前18.5 h和28.4 h出現(xiàn)預警信號,進一步證明方法的有效性。 

【文章來源】：中國測試. 2020年08期 北大核心

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 數(shù)據(jù)篩選與預處理
    1.1 SCADA數(shù)據(jù)
    1.2 最小二乘法與離散度分析結合的數(shù)據(jù)篩選
        1.2.1 最小二乘法濾波原理
        1.2.2 離散度分析原理
        1.2.3 數(shù)據(jù)篩選步驟及結果
2 隨機森林與BP神經網(wǎng)絡模型
    2.1 隨機森林法特征參數(shù)選擇原理
    2.2 BP神經網(wǎng)絡結構
    2.3 基于隨機森林特征篩選的BP神經網(wǎng)絡建模
        2.3.1 風機性能預測模型輸入?yún)?shù)選擇
        2.3.2 風機性能BP神經網(wǎng)絡模型建立
3 基于滑動窗口模型的運行狀態(tài)識別指標
    3.1 滑動窗口模型
    3.2 狀態(tài)識別指標
4 風機故障狀態(tài)預警實例驗證
    4.1 實例一
    4.2 實例二
5 結束語


【參考文獻】：
期刊論文
[1]基于SCADA系統(tǒng)的風電機組主軸承故障預警方法[J]. 向健平,凌永志,詹俊,李鵬輝.  電力科學與技術學報. 2019(03)
[2]基于改進BP神經網(wǎng)絡的風電功率超短期預測[J]. 劉增里,楊靜,劉亞林,熊力.  船舶工程. 2019(S1)
[3]風電機組變工況變槳系統(tǒng)異常狀態(tài)在線識別[J]. 王爽心,郭婷婷,李蒙.  中國電機工程學報. 2019(17)
[4]風電機組齒輪箱系統(tǒng)的故障預警研究[J]. 黃小光,潘東浩,史曉鳴,王杏,王欣.  機電工程. 2019(06)
[5]基于數(shù)據(jù)挖掘的風電功率預測特征選擇方法[J]. 李俊卿,李秋佳,石天宇,郭晉才.  電測與儀表. 2019(10)
[6]基于分段支持向量機的風電機組理論功率計算研究[J]. 劉永前,邵振州,王錚,趙俊屹.  太陽能學報. 2019(03)
[7]基于運行參數(shù)特征的風力機葉片覆冰診斷方法[J]. 龔妙,李錄平,劉瑞,張浩,封江.  動力工程學報. 2019(03)
[8]一種基于SCADA參數(shù)關系的風電機組運行狀態(tài)識別方法[J]. 張帆,劉德順,戴巨川,王超,沈祥兵.  機械工程學報. 2019(04)
[9]基于離散度分析的風電機組功率曲線繪制方法研究[J]. 李航濤,郭鵬,楊錫運.  太陽能學報. 2019(01)
[10]大型風力發(fā)電機組故障診斷方法綜述[J]. 龍霞飛,楊蘋,郭紅霞,伍席文.  電網(wǎng)技術. 2017(11)



本文編號：2917189