论文部分内容阅读
风电机组是一个复杂的非线性耦合发电系统,其运行环境复杂,运行工况恶劣,导致机组本身发生故障的频率较高,增加了运行和维护成本,因此对风电机组进行状态监测及时发现故障并采取相应的措施具有重要意义。风电机组数据采集与监视控制系统(Wind Turbine Supervisory Control and Data Acquisition,SCADA)数据中记录了有关机组运行状态的大量信息且该数据较容易获取。因此本文基于风电机组SCADA运行数据建立风电机组关键子部件(主轴、发电机等)状态监测模型并进行故障诊断。1、介绍风电机组SCADA系统结构并分析其功能。统计风电机组关键子部件可能发生的故障情况并分析故障发生原因。2、建立风电机组主轴温度高斯过程模型。主轴作为叶轮和齿轮箱的连接部分,其在风电机组机械传动链中具有传递能量的作用,对其进行状态监测能有效提高机组运行效率。基于风电机组SCADA数据高噪声和强随机性的特点,选取高斯过程回归建模方法建立主轴温度状态监测模型并进行预测,同时依据自动关联分析(Automatic Relevance Determination,ARD)方法选择模型的输入变量。由于 SCADA数据具有数据总量大、多重相关性、非线性、数据分布随机性等特点,其使得建模过程复杂,耗时较长。因此对SCADA数据进行特征样本选择,去除冗余信息的影响十分必要。为此采用模糊核聚类方法对原始数据进行样本选择组成新的建模样本,进而建立主轴温度状态监测模型。为保证模型的可靠性和灵敏性,针对模型预测残差序列采用双滑动窗口进行统计分析,当模型预测残差序列的滑动均值或滑动方差超过预先设定的阈值时,发出报警信息,可判定风电机组主轴工作状态异常。3、建立风电机组发电机故障辨识模型。发电机作为风电机组的关键子部件,其运行状态直接影响机组整体性能和发电效率。监测其运行状态能有效的降低运行维护成本。针对SCADA数据强随机性和高噪声的特点,以风速作为参考变量采用网格法对原始数据进行预处理,消除干扰并提取有效的数据信息。由于风电机组各变量之间存在强相关性和耦合性,利用偏最小二乘方法(Partial Least Square,PLS)分析发电机轴承温度,计算各相关变量的投影重要性指标,确定各相关变量对发电机轴承温度的影响权重。基于预处理后的SCADA数据,建立发电机轴承温度监测模型并计算相应的状态评价指标,追踪故障恶化程度,进而反映发电机运行状况。