基于运行数据的风电机组状态监测与评价

发布时间：2023-10-13 20:54

　　随着世界范围内环保意识的增强以及风能成本逐渐下降,风力发电产业已取得较大进展,风电机组的安全性能和经济成本制约着风力发电的进一步发展。由于自然环境恶劣,风力发电机的运行状况频繁变化,采用阈值法对风电机组进行状态监测,难以在实际应用中取得良好的效果。因此从防范风电机组的运行风险,降低风力发电运行维护成本的角度考虑,研究风电机组运行状态监测与评价方法具有重要意义。本文对基于运行数据的风电机组状态监测与评价方法进行研究,对风电场的运行参数进行深入分析,建立了基于深度信念网络(Deep Belief Network,DBN)的状态参数模型,并与基于反向传播神经网络(Back–propagation neural network,BPNN)的预测模型进行对比分析。结果证明,基于互信息的特征选择工作对模型精度具有影响,DBN算法具有较好的大数据信息处理的能力,同时验证了DBN算法对于风电机组建模比BPNN算法具有更大优势。基于DBN状态参数模型,本文提出了一种融合多模型的风电机组状态评价方法,利用DBN模型残差概率密度对机组的运行状态进行评价分析。机组的运行状态在参数数据上有所体现,多模型评价方法...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 风电机组状态监测方法概述
        1.2.2 基于SCADA数据的状态监测与评价研究现状
    1.3 论文主要工作
第2章 风电机组基本结构与原理
    2.1 引言
    2.2 风电机组简介
        2.2.1 风电机组基本构成及工作原理
        2.2.2 风电机组SCADA系统
        2.2.3 风电机组运行特性分析
    2.3 本章小结
第3章 深度神经网络
    3.1 引言
    3.2 深度学习发展历程
    3.3 反向传播神经网络
    3.4 限制玻尔兹曼机
        3.4.1 限制玻尔兹曼机基本结构
        3.4.2 参数计算
    3.5 深度信念网络
    3.6 本章小结
第4章 基于深度信念网络的状态参数模型
    4.1 引言
    4.2 状态参数预测模型概述及流程
    4.3 样本数据选择与处理
    4.4 输入参数选择
    4.5 建模方法研究
        4.5.1 模型结构
        4.5.2 输入参数验证
        4.5.3 算法性能测试
    4.6 本章小结
第5章 风电机组运行状态评价
    5.1 引言
    5.2 评价方法概述及流程
        5.2.1 风电机组运行状态评价步骤
        5.2.2 建立正常状态参数模型
        5.2.3 状态参数预测误差概率密度分布
    5.3 实例分析与验证
        5.3.1 单模型评价
        5.3.2 多模型评价
    5.4 本章小结
第6章 总结与展望
    6.1 论文工作总结
    6.2 未来研究展望
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢



本文编号：3853756