基于功率曲线分析与神经网络的风电机组故障预警方法

发布时间：2020-12-14 23:19

　　为尽早发现风电机组早期故障,减少风电场的运维成本,提出一种基于功率曲线分析与神经网络的故障预警方法。首先,依据功率特性曲线,使用最小二乘与离散度分析结合的算法对SCADA数据进行筛选,以保留符合机组正常工况的数据作为建模的训练数据,从而提高模型的精度。然后,使用随机森林算法筛选模型的输入参数以简化模型结构,并通过对比隐含层的数目建立风电机组的神经网络模型。最后,结合滑动窗口模型,提出一种能反映机组实时运行状态的指标,并通过非参数估计法确定该指标的阈值,以实现状态预警及在线监测。该方法充分利用SCADA数据,且不需要对风电机组复杂的物理特性进行分析。将该方法分别用于某风电场的变桨系统和偏航系统的故障预警,实验结果是分别提前18.5 h和28.4 h出现预警信号,进一步证明方法的有效性。 

【文章来源】：中国测试. 2020年08期 北大核心

【文章页数】：7 页

【文章目录】：
0 引言
1 数据筛选与预处理
    1.1 SCADA数据
    1.2 最小二乘法与离散度分析结合的数据筛选
        1.2.1 最小二乘法滤波原理
        1.2.2 离散度分析原理
        1.2.3 数据筛选步骤及结果
2 随机森林与BP神经网络模型
    2.1 随机森林法特征参数选择原理
    2.2 BP神经网络结构
    2.3 基于随机森林特征筛选的BP神经网络建模
        2.3.1 风机性能预测模型输入参数选择
        2.3.2 风机性能BP神经网络模型建立
3 基于滑动窗口模型的运行状态识别指标
    3.1 滑动窗口模型
    3.2 状态识别指标
4 风机故障状态预警实例验证
    4.1 实例一
    4.2 实例二
5 结束语


【参考文献】：
期刊论文
[1]基于SCADA系统的风电机组主轴承故障预警方法[J]. 向健平,凌永志,詹俊,李鹏辉.  电力科学与技术学报. 2019(03)
[2]基于改进BP神经网络的风电功率超短期预测[J]. 刘增里,杨静,刘亚林,熊力.  船舶工程. 2019(S1)
[3]风电机组变工况变桨系统异常状态在线识别[J]. 王爽心,郭婷婷,李蒙.  中国电机工程学报. 2019(17)
[4]风电机组齿轮箱系统的故障预警研究[J]. 黄小光,潘东浩,史晓鸣,王杏,王欣.  机电工程. 2019(06)
[5]基于数据挖掘的风电功率预测特征选择方法[J]. 李俊卿,李秋佳,石天宇,郭晋才.  电测与仪表. 2019(10)
[6]基于分段支持向量机的风电机组理论功率计算研究[J]. 刘永前,邵振州,王铮,赵俊屹.  太阳能学报. 2019(03)
[7]基于运行参数特征的风力机叶片覆冰诊断方法[J]. 龚妙,李录平,刘瑞,张浩,封江.  动力工程学报. 2019(03)
[8]一种基于SCADA参数关系的风电机组运行状态识别方法[J]. 张帆,刘德顺,戴巨川,王超,沈祥兵.  机械工程学报. 2019(04)
[9]基于离散度分析的风电机组功率曲线绘制方法研究[J]. 李航涛,郭鹏,杨锡运.  太阳能学报. 2019(01)
[10]大型风力发电机组故障诊断方法综述[J]. 龙霞飞,杨苹,郭红霞,伍席文.  电网技术. 2017(11)



本文编号：2917189