风力发电机故障预警方法研究

发布时间：2020-10-22 02:51

　　 风能是一种世界公认的可持续可再生清洁能源,幅员辽阔的中国风能资源尤其丰富。我国风能发展迅速,风力发电在电力系统中的比重在不断增大,将在2020年实现15%的份额,成为继火电、水电后的第三大能源。国内风电事业发展的同时,风电管理模式已由过去简单、非信息化的粗放式管理逐渐向集中、信息化系统管理模式转变,从而大幅提高风能利用效率、增强风电场运行安全水平。本文围绕风力发电机故障特征提取与预警方法研究两个问题展开了研究。首先,以风电SCADA系统中提取的风机正常运行数据为例,通过Relief算法分析风速、功率、发电机温度等监测参量对发电机产生异常的影响大小。选取各相关参量中影响发电机工作状态的较大相关权值的相关参量组成相关变量集。完成故障特征信息提取,并为文章最后提出的改进加权主元分析算法提供合理权值。其次,根据历史运行监测数据,构造覆盖发电机正常运行空间的数据矩阵,建立发电机故障预警主元模型。采用滑动窗口算法进行模型更新,将窗口滑动步长内检测为正常的数据加入数据窗口,同时剔除滑动窗口内较早时刻数据来保证模型适应性。利用主元类分析法建立故障预警模型,若发电机存在潜在性故障,平方预测误差统计量发生明显改变,并会连续超出控制限,故通过对平方预测误差统计量的监测能够对潜在性故障进行预警。最后,本文通过对传统主元算法、传统自适应主元算法、滑动窗口核主元分析算法和基于数据块的滑窗核主元算法分别建立风机故障预警模型,对比故障检测结果,验证了本文提出的改进算法能够发现发电机早期故障,实现更准确的故障预警。
【学位单位】：华北电力大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：TM315
【部分图文】：

图 1-1 2005-2015 新增、累计装机容量统计.1.2 故障诊断发展现状由于风力发电机组的故障机理复杂，影响因素众多，所以状态监测和故障系统要求能够全面、准确、实时地监测并网风电机组的运行状态。同时能够预测风电机组未来的运行状况，有效避免故障发生。国外对风力发电机组的状态监测与故障诊断技术研究起步较早，相应的技较为成熟。人工智能[6,7]、模糊神经网络[8-10]、小波神经网络法等智能算法已较为成熟。针对比较容易发生故障的发电机、齿轮箱等部件国外已经展开了深入的研究，在这个过程中积累了大量的基础数据并不断改进和优化诊断。如今无论是在监测系统的开发上还是在诊断算法上，都已具备很高的水平断成熟。如 TavnerEJ 与 PenmanJ 对发电机的振动类故障进行了研究[11]，釆测发电机相关运行参数（如电压、电流等），确定故障的类型、发生部位、程度及其发展趋势。以国外先进技术为单位的有较早的美国 IFD (Incipilure Detection) 技术、瑞典 SKF 利用风轮离心力来控制系统；西班牙运营

图 2-1 风电机组工作原理图由图 2-1 可知风力发电机是将风能源转换成电能的机械设备，它由动力机动，将风产生的能量转换成电能。发电机在工农业生产、国防、科技日常生有广泛的用途。它的构造原理为：用适当的导磁和导电材料构成相互进行电应的磁路和电路，以产生电磁功率，达到能量转换的目的。由于发电机系统影响风力发电机组的整体运行效率，同时关乎供电质量，因此，有必要研究障诊断技术。.1.1 发电机基本类型发电机是利用电磁感应原理把机械能转换成电能的装置[21]。风力发电系，在风力机的拖动下，发电机中的线圈绕组切割磁力线，则在线圈绕组上有电动势产生。无论是哪种类型的发电机，基本组成部分都是产生感应电动势圈和产生磁场的磁极或者线圈。其中，转子为转动的部分，定子为不动的部分面介绍四种划分发电机种类的方式[22]。（1）根据输出电流形式，分为直流发电机和交流发电机。

（2）根据磁极产生方式，分为永磁式发电机和电励磁式发电机。永磁式发电机是利用永久性磁铁在发电机内部产生一个永久性磁场，提供机需要的励磁磁通。而电励磁式发电机则借助在励磁线圈内流过的电流产生，用来提供发电机所需要的励磁磁通。后者优于前者的地方是可以通过改变电流来调节励磁磁通。（3）按照电枢绕组和磁极的相对运动关系，分为旋转磁极和旋转电枢两旋转磁极式又被称为转磁式和转场式，这种方式为发电机的电枢绕组在定不动，产生磁场的磁极或励磁绕组在转子上，由原动机带动旋转。利用旋转极在电枢中做相对运动，最终在电枢绕组中感应出电动势；旋转电枢式也称式，磁极在定子上固定不动，发电机的电枢绕组随转子的转动切割磁力线，感应出电动势。（4）按照与连接电网的频率是否相同，分为同步发电机和异步发电机两同步发电机也被称为交流发电机，运行频率与其所连接的电网的频率完全。异步发电机的启动、并网方便，便于自动控制，成本低、运行可靠、维修且运行效率较高，所以风力发电机组的发电机一般采用异步发电机。
【参考文献】

相关期刊论文 前10条

1 刘轩;孙建平;;风力发电机温升故障预警方法研究[J];电力科学与工程;2016年06期

2 刘春燕;于春梅;闫广峰;;一种基于特征子空间的改进动态核主元分析方法[J];计算机应用研究;2016年12期

3 张敏龙;王涛;王旭平;常红伟;王放;;分步动态自回归核主元分析及其在故障诊断中应用[J];计算机应用;2016年05期

4 林茂;李颖晖;朱喜华;吴辰;;基于改进核主元分析法的三电平逆变器故障检测[J];电网技术;2016年03期

5 杨彤瑶;王彬;李川;何弼;熊新;;基于改进主元分析方法的隧道应变实时监测预警系统[J];计算机应用;2013年11期

6 赵小强;杨武;薛永飞;;可变窗自适应核主元分析的化工过程故障诊断算法[J];东南大学学报(自然科学版);2013年S1期

7 ;2012年中国风电装机容量统计[J];风能;2013年03期

8 周奇才;黄克;赵炯;熊晓磊;;一种基于改进型自适应滑动窗算法的主元分析[J];华东理工大学学报(自然科学版);2012年03期

9 黄敏;张芳;;模糊Petri网在风电机组故障诊断中的应用[J];计算机工程与应用;2012年27期

10 姚兴佳;刘颖明;刘光德;邢作霞;鲍洁秋;;大型风电机组振动分析和在线状态监测技术[J];沈阳工业大学学报;2007年06期

相关博士学位论文 前2条

1 孙鲜明;复杂工况下风力发电机组关键部件故障分析与诊断研究[D];沈阳工业大学;2014年

2 吴胜强;核主元分析及证据理论的多域特征故障诊断新方法研究[D];燕山大学;2011年

相关硕士学位论文 前4条

1 王友荣;ReliefF加权特征选择方法在旋转机械故障诊断中的应用研究[D];燕山大学;2014年

2 胡新芳;粒子群与遗传算法结合在PCA人脸识别算法中的应用研究[D];华中师范大学;2013年

3 张祥罗;风力机中发电机在线故障特征提取与故障诊断系统研究[D];华南理工大学;2013年

4 张芳;基于Petri网的故障诊断建模研究及其在风电机组中的应用[D];长沙理工大学;2012年

本文编号：2850990