基于NSET和DBN的风机叶轮故障监测与预测研究
发布时间：2021-01-31 14:30
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 C...
【文章来源】：山东建筑大学山东省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
风力发电能量转换过程示意图
山东建筑大学硕士学位论文10根据能量转换过程的不同，风机可以分为风力机和发电机两大部分。根据这两大组成部分的结构和所采用的技术手段，风机可以有多种不同的分类方式，如表2.1所示。论文所研究的风机为三叶片式兆瓦级风机。从具体的物理结构来看，常见风机的整体结构如图2.2所示，机舱与叶轮部分的具体组成如图2.3所示。图2.2风机整体组成示意图图2.3风机叶轮和机舱部分组成示意图2.2风机SCADA系统数据采集与监视控制系统即SCADA系统，是以计算机为基础的生产过程控制与调度自动化系统。SCADA系统作为能量管理系统的重要组成部分，在风电调度应用中能够加快决策、提高效率，其对于提升电网运行的安全性、实现电力调度的自动化有着重要意义。
山东建筑大学硕士学位论文10根据能量转换过程的不同，风机可以分为风力机和发电机两大部分。根据这两大组成部分的结构和所采用的技术手段，风机可以有多种不同的分类方式，如表2.1所示。论文所研究的风机为三叶片式兆瓦级风机。从具体的物理结构来看，常见风机的整体结构如图2.2所示，机舱与叶轮部分的具体组成如图2.3所示。图2.2风机整体组成示意图图2.3风机叶轮和机舱部分组成示意图2.2风机SCADA系统数据采集与监视控制系统即SCADA系统，是以计算机为基础的生产过程控制与调度自动化系统。SCADA系统作为能量管理系统的重要组成部分，在风电调度应用中能够加快决策、提高效率，其对于提升电网运行的安全性、实现电力调度的自动化有着重要意义。
【参考文献】：
期刊论文
[1]基于深度置信网络的时间序列预测[J]. 杨珺,佘佳丽,刘艳珍. 深圳大学学报(理工版). 2019(06)
[2]基于DBN的多任务高速公路通行费预测模型[J]. 李松江,王会会,杨华民,王鹏. 计算机工程与设计. 2019(09)
[3]基于深度信念网络的光伏电站短期发电量预测[J]. 赵亮,刘友波,余莉娜,刘俊勇. 电力系统保护与控制. 2019(18)
[4]2018年中国风电吊装容量统计简报[J]. 风能. 2019(04)
[5]自适应确定DBSCAN算法参数的算法研究[J]. 李文杰,闫世强,蒋莹,张松芝,王成良. 计算机工程与应用. 2019(05)
[6]基于深度信念网络资源需求预测的虚拟网络功能动态迁移算法[J]. 唐伦,赵培培,赵国繁,陈前斌. 电子与信息学报. 2019(06)
[7]基于受限玻尔兹曼机的Web服务质量预测方法[J]. 王兴菲,万健,陈璐,殷昱煜,俞立峰. 中南大学学报(自然科学版). 2018(11)
[8]结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测[J]. 李若晨,朱帆,朱永利,翟羽佳. 电力系统保护与控制. 2018(17)
[9]基于DBN深度学习的期货市场价格预测建模与决策[J]. 陈俊华,郝彦惠,郑丁文,陈思宇. 计算机科学. 2018(S1)
[10]基于轴承温度模型的风电机组故障预测研究[J]. 丁佳煜,许昌,葛立超,杨杰,许帅,李云涛. 可再生能源. 2018(02)
硕士论文
[1]基于深度信念网络的空气污染指标预测方法研究与实现[D]. 魏广涛.南京邮电大学 2019
[2]基于深度信念网络的时间序列预测研究[D]. 李妮.西安理工大学 2019
[3]基于SCADA数据的风电机组状态监测及评估[D]. 高迪.华北电力大学(北京) 2019
[4]电厂风机故障诊断与预警研究[D]. 刘耘彰.浙江大学 2019
[5]基于人工免疫系统原理的发电设备故障检测关键技术研究[D]. 尹中川.山东建筑大学 2018
[6]基于SCADA数据和振动信息相结合的风电机组状态监测研究[D]. 孙伟.燕山大学 2017
[7]风电机组状态监测与故障预测方法研究[D]. 张艳霞.华北电力大学 2016
[8]风力发电机齿轮箱故障预警方法研究[D]. 张欣欣.燕山大学 2015
[9]针对非均匀密度环境的DBSCAN自适应聚类算法的研究[D]. 谢江.重庆大学 2015
[10]风电齿轮箱齿轮故障预警与诊断的研究[D]. 吴冠宇.华北电力大学 2015
本文编号：3011054
【文章来源】：山东建筑大学山东省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
风力发电能量转换过程示意图
山东建筑大学硕士学位论文10根据能量转换过程的不同，风机可以分为风力机和发电机两大部分。根据这两大组成部分的结构和所采用的技术手段，风机可以有多种不同的分类方式，如表2.1所示。论文所研究的风机为三叶片式兆瓦级风机。从具体的物理结构来看，常见风机的整体结构如图2.2所示，机舱与叶轮部分的具体组成如图2.3所示。图2.2风机整体组成示意图图2.3风机叶轮和机舱部分组成示意图2.2风机SCADA系统数据采集与监视控制系统即SCADA系统，是以计算机为基础的生产过程控制与调度自动化系统。SCADA系统作为能量管理系统的重要组成部分，在风电调度应用中能够加快决策、提高效率，其对于提升电网运行的安全性、实现电力调度的自动化有着重要意义。
山东建筑大学硕士学位论文10根据能量转换过程的不同，风机可以分为风力机和发电机两大部分。根据这两大组成部分的结构和所采用的技术手段，风机可以有多种不同的分类方式，如表2.1所示。论文所研究的风机为三叶片式兆瓦级风机。从具体的物理结构来看，常见风机的整体结构如图2.2所示，机舱与叶轮部分的具体组成如图2.3所示。图2.2风机整体组成示意图图2.3风机叶轮和机舱部分组成示意图2.2风机SCADA系统数据采集与监视控制系统即SCADA系统，是以计算机为基础的生产过程控制与调度自动化系统。SCADA系统作为能量管理系统的重要组成部分，在风电调度应用中能够加快决策、提高效率，其对于提升电网运行的安全性、实现电力调度的自动化有着重要意义。
【参考文献】：
期刊论文
[1]基于深度置信网络的时间序列预测[J]. 杨珺,佘佳丽,刘艳珍. 深圳大学学报(理工版). 2019(06)
[2]基于DBN的多任务高速公路通行费预测模型[J]. 李松江,王会会,杨华民,王鹏. 计算机工程与设计. 2019(09)
[3]基于深度信念网络的光伏电站短期发电量预测[J]. 赵亮,刘友波,余莉娜,刘俊勇. 电力系统保护与控制. 2019(18)
[4]2018年中国风电吊装容量统计简报[J]. 风能. 2019(04)
[5]自适应确定DBSCAN算法参数的算法研究[J]. 李文杰,闫世强,蒋莹,张松芝,王成良. 计算机工程与应用. 2019(05)
[6]基于深度信念网络资源需求预测的虚拟网络功能动态迁移算法[J]. 唐伦,赵培培,赵国繁,陈前斌. 电子与信息学报. 2019(06)
[7]基于受限玻尔兹曼机的Web服务质量预测方法[J]. 王兴菲,万健,陈璐,殷昱煜,俞立峰. 中南大学学报(自然科学版). 2018(11)
[8]结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测[J]. 李若晨,朱帆,朱永利,翟羽佳. 电力系统保护与控制. 2018(17)
[9]基于DBN深度学习的期货市场价格预测建模与决策[J]. 陈俊华,郝彦惠,郑丁文,陈思宇. 计算机科学. 2018(S1)
[10]基于轴承温度模型的风电机组故障预测研究[J]. 丁佳煜,许昌,葛立超,杨杰,许帅,李云涛. 可再生能源. 2018(02)
硕士论文
[1]基于深度信念网络的空气污染指标预测方法研究与实现[D]. 魏广涛.南京邮电大学 2019
[2]基于深度信念网络的时间序列预测研究[D]. 李妮.西安理工大学 2019
[3]基于SCADA数据的风电机组状态监测及评估[D]. 高迪.华北电力大学(北京) 2019
[4]电厂风机故障诊断与预警研究[D]. 刘耘彰.浙江大学 2019
[5]基于人工免疫系统原理的发电设备故障检测关键技术研究[D]. 尹中川.山东建筑大学 2018
[6]基于SCADA数据和振动信息相结合的风电机组状态监测研究[D]. 孙伟.燕山大学 2017
[7]风电机组状态监测与故障预测方法研究[D]. 张艳霞.华北电力大学 2016
[8]风力发电机齿轮箱故障预警方法研究[D]. 张欣欣.燕山大学 2015
[9]针对非均匀密度环境的DBSCAN自适应聚类算法的研究[D]. 谢江.重庆大学 2015
[10]风电齿轮箱齿轮故障预警与诊断的研究[D]. 吴冠宇.华北电力大学 2015
本文编号：3011054
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3011054.html
