基于功率预测的风力机健康状态监测

发布时间：2021-06-08 19:50

　　随着风力发电的广泛应用,对风力机健康状态进行准确监测的重要性日益凸显,为此提出了一种基于风力机功率预测的健康状态监测方法,即结合多项式模型和自回归模型特点,考虑风速与风力机输出功率之间的相关性和滞后性,利用改进非线性自回归模型对某风场风力机输出功率进行预测,并将预测结果与传统灰色模型、BP神经网络模型预测结果进行对比,计算与实测数据之间的误差。最后,选取功率预测系数中变化较为稳定的系数项作为观测系数,通过标准残差法确定异常观测系数反推风力机健康状态。分析结果表明,改进非线性自回归模型预测值与实测数据较为接近,趋势较为吻合。相比于传统灰色模型、BP神经网络模型,改进非线性自回归模型预测误差较小,精度较高。可见通过分析功率预测系数变化能够及时发现风力机健康状态变化,为故障发现提供参考。 

【文章来源】：水电能源科学. 2020,38(08)北大核心

【文章页数】：5 页

【部分图文】：

改进非线性自回归模型示意图

图2给出了青岛某风场2018年1月风速采样数据，采样时间分辨率为15min/个，共计2 000个点。风场单台风力机额定功率2 000kW，额定风速10.8m/s，切入风速3m/s，切出风速25m/s。根据实测风速与实际输出功率进行相关性分析，找出多项式风速延迟时间项。图3给出了实际输出功率与延迟风速间相关性系数。由图3可看出，输出功率与延迟风速的相关性呈先增后减的趋势，相关性系数最高的风速延迟时间出现在第5个采样点，即Tv=5，因此第1阶段输出功率中间预测值计算公式为：

根据实测风速与实际输出功率进行相关性分析，找出多项式风速延迟时间项。图3给出了实际输出功率与延迟风速间相关性系数。由图3可看出，输出功率与延迟风速的相关性呈先增后减的趋势，相关性系数最高的风速延迟时间出现在第5个采样点，即Tv=5，因此第1阶段输出功率中间预测值计算公式为：对实际输出功率进行自相关性分析，输出功率与延迟输出功率间相关性系数见图4。

【参考文献】：
期刊论文
[1]基于风机健康系数的风电设备状态监测方法[J]. 吕跃刚,吴子晗,陈敏娜.  可再生能源. 2015(07)
[2]风电场风功率实时预测效果综合评价方法[J]. 严干贵,宋薇,杨茂,王东,熊昊.  电网与清洁能源. 2012(05)
[3]一种新型的风电功率预测综合模型[J]. 夏冬,吴俊勇,贺电,宋洪磊,冀鲁豫.  电工技术学报. 2011(S1)
[4]风电场风速及风功率预测方法研究综述[J]. 王颖,魏云军.  陕西电力. 2011(11)
[5]基于支持向量机和多源信息的直驱风力发电机组故障诊断[J]. 安学利,赵明浩,蒋东翔,李少华.  电网技术. 2011(04)

硕士论文
[1]基于大数据分析的风电机组健康状态的智能评估及诊断[D]. 董文婷.东华大学 2016



本文编号：3219088