论文部分内容阅读
风电机组故障引起的发电量损失和维护费用是风电场运营成本的主要组成部分。传动链相关故障造成风电机组停机时间最长,且维护成本高。研究风电机组传动链的状态诊断问题,对风电场制定合理的维修策略至关重要,能提高风电机组可利用率、降低风电场运营成本、增加风力发电在可再生能源领域的竞争力。以风电机组传动链为研究对象,以机组SCADA数据和关键部件振动数据为基础,以实现运行状态实时监测、故障预诊断、故障定位与性能退化程度评估为目的,重点研究了风电机组传动链状态监测与故障诊断方法,主要完成了以下工作：(1)提出了基于多参数的风电机组传动链报警模式。综合考虑多个运行参数,运用K-means聚类算法对风电机组运行工况进行划分；在各个工况子空间中计算样本到聚类中心的欧氏距离,作为各工况下新的“报警阈值”。相比于传统模式,基于多参数的风电机组传动链报警模式在“工况划分”和“阈值设定”两方面均考虑多个SCADA运行参数。实例计算表明,所提方法可有效降低机组误报警率。(2)建立了基于引力搜索算法优化最小二乘支持向量机(GSA-LSSVM)的风电机组传动链状态监测模型。筛选风电机组健康运行工况下SCADA系统中有功功率、风速、机舱温度、主轴转速和齿轮箱油温,建立标准专家库；采用引力搜索算法(GSA)对最小二乘支持向量机(LSSVM)的惩罚系数C和核参数σ进行寻优,基于GSA-LSSVM模型,建立健康工况下的齿轮箱油温映射模型,定义预测值与实测值的商为判别指数,通过监测判别指数的统计特性,实现对风电机组传动链运行状态的监测。经实例分析,验证了模型的有效性与实用性。(3)提出了基于引力搜索算法优化人工神经网络(GSA-ANN)的风电机组传动链故障诊断方法。将GSA算法用于人工神经网络(ANN)初始权值和阈值的优化,提升网络的稳定性。考虑到风电机组传动链振动信号的非平稳性和复杂性,提取功率谱熵、小波熵、盒维数、关联维数、偏度和峭度作为故障诊断的特征值。基于GSA-ANN模型,以功率谱熵等特征值为输入,对风电机组传动链故障进行模式识别,并与基于粒子群算法优化人工神经网络(PSO-ANN)方法进行对比。计算结果表明,GSA-ANN方法可准确识别齿轮箱齿轮磨损、齿轮断齿和发电机两端轴承松动这3种风电机组传动链典型故障,且在诊断效果和运算效率方面均优于PSO-ANN方法。(4)提出了基于萤火虫群算法优化最小二乘支持向量机(GSO-LSSVM)的风电机组传动链故障诊断方法。将萤火虫群算法(GSO)用于LSSVM惩罚系数C与核参数σ组合的优化,建立GSO-LSSVM故障诊断模型。基于滚动轴承振动信号,提取功率谱熵、小波熵、盒维数、关联维数、偏度和峭度作为故障诊断的特征值,基于GSO-LSSVM模型,对滚动轴承不同位置及不同程度故障进行模式识别,并与基于遗传算法优化最小二乘支持向量机(GA-LSSVM)方法进行比较。计算结果表明,GSO-LSSVM方法可有效定位滚动轴承的故障,并准确评估轴承性能的退化程度,且在诊断精度和运算效率方面均优于GA-LSSVM方法。(5)建立了基于高斯混合Copula模型(GMCM)的风电机组传动链健康状态实时评价模型。将Copula函数与高斯混合模型(GMM)结合,以滚动轴承振动信号的均值和峭度作为特征值,基于GMCM得到的负对数似然概率(negative log likelihood probability, NLLP),计算衰退指数(degradation index, DI),实现滚动轴承健康状态的实时评价。实例验证了GMCM在提前诊断滚动轴承衰退趋势方面的性能优于GMM,可实现故障的早期预警,避免故障扩大化。最后将风电机组传动链状态诊断的研究成果集成并应用到“大型风电机组在线运行状态与性能评估系统”。