基于BP神经网络的风机故障预警

发布时间：2017-07-26 00:04

  本文关键词：基于BP神经网络的风机故障预警

  更多相关文章： 风力发电机组 故障 BP神经网络 预警

【摘要】：近年来,由于环境问题的不断恶化和化石资源的储量逐渐减少,世界各国不得不开始重视开发和调整能源消费方向,可再生、无污染的新型能源逐渐被纳入各国能源消费体系。随着空气动力学理论日趋完善及新材料技术的普及与应用,风力资源的利用效率迅速提升,使得风力发电设备的收益率迅速提升,风力资源的利用已经成为各国调整能源消费结构的重要手段之一。中国是一个风力资源储量极其巨大的国家,在内陆及近海中,理论上可以开发利用的风能储量达10余亿kW,发展利用潜力巨大。近年来我国对风力资源的政策支持力度也越来越大,历届经济发展规划中的风电装机容量均在不断上调,除西藏外,全国各个省、市、自治区都建立有大型风力发电场,分散式的小型风力发电机更是市场广泛。根据行业统计计算,我国风力发电行业单位千瓦的维护费用在30-50元,项目平均的年度收益率在10%左右。随着单机容量的提升,风力发电机组零部件单价也迅速提高,在长达二十年的设备生命周期内,设备日常维护费用已成为影响项目收益的主要因素。如何提高产品质量、降低维护费用,已经成为设备制造商和风力发电场投资商的主要研究课题本文通过风力发电机组的运行特点,结合BP神经网络的技术,对风力发电机组的典型故障数据进行分析研究,给出了一种基于BP神经网络的风力发电机组故障预警技术。本文通过分析风力发电机结构及变桨系统故障原理,选取风力发电机变桨系统中的典型器件的典型故障数据,通过在BP神经网络环境下对该故障数据进行训练,并采用不同的BP网络算法对故障数据结果进行分析对比,得到一种适合风力发电机组故障预警功能实现的BP神经网络算法。
【关键词】：风力发电机组 故障 BP神经网络 预警
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM315;TP183
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-17
• 1.1 课题的背景9-11
• 1.2 课题研究的目的和意义11-12
• 1.3 神经网络技术研究历史与现状12-16
• 1.3.1 研究历史12-15
• 1.3.2 神经网络技术在故障诊断与预测研究现状15-16
• 1.4 本文主要研究内容16-17
• 第2章 神经网络模型及BP神经网络17-36
• 2.1 生物神经元与人工神经元模型17-19
• 2.1.1 生物神经元17-18
• 2.1.2 人工神经元模型18-19
• 2.2 神经网络19-26
• 2.2.1 神经网络模型19-22
• 2.2.2 神经网络的特点22-23
• 2.2.3 神经网络的学习23-26
• 2.3 BP神经网络26-30
• 2.3.1 BP神经网络结构26-27
• 2.3.2 经典BP神经网络模型算法27-30
• 2.4 BP神经网络算法的特点及改进30-35
• 2.4.1 BP算法的收敛性30-31
• 2.4.2 BP算法存在的问题31
• 2.4.3 BP算法存在的问题改进31-35
• 2.5 本章小结35-36
• 第3章 变桨系统故障及BP神经网络的预测诊断36-52
• 3.1 变桨系统介绍36-38
• 3.2 变桨系统的故障及分析38-41
• 3.2.1 变桨系统数据采集类型38-39
• 3.2.2 风力发电机变桨系统的典型故障39-41
• 3.3 BP神经网络的建立41-51
• 3.3.1 BP神经网络输入层选择与确定41-42
• 3.3.2 BP神经网络隐藏层与隐藏层神经元确定42-44
• 3.3.3 风力发电机组故障值BP神经网络预测模型44
• 3.3.4 BP神经网样本数据处理44-46
• 3.3.5 BP神经网络学习速率确定46-47
• 3.3.6 BP神经网络47-49
• 3.3.7 预测结果49-51
• 3.4 本章小结51-52
• 第4章 基于BP神经网络数据预测功能的改进52-59
• 4.1 样本数据52-53
• 4.2 BP算法改进53-58
• 4.2.1 动量因子53-55
• 4.2.2 动态调整学习率55-56
• 4.2.3 模拟预测56-57
• 4.2.4 结论57-58
• 4.3 本章小结58-59
• 第5章 总结与展望59-60
• 5.1 研究工作总结59
• 5.2 问题与展望59-60
• 参考文献60-64
• 攻读硕士学位期间发表的论文及其它成果64-65
• 致谢65

【参考文献】

中国期刊全文数据库 前7条

1 章剑光,周浩,项灿芳;基于Super SAB神经网络算法的主变压器故障诊断模型[J];电工技术学报;2004年07期

2 刘付芬;;人工神经网络的研究与应用[J];福建电脑;2009年08期

3 申清明;闫利军;高建民;赵静;;基于混沌搜索的特征选择方法[J];兵工学报;2013年12期

4 石利平;;模拟退火算法及改进研究[J];信息技术;2013年02期

5 章颖;梁漫春;黎岢;杨洁;;基于遗传-模拟退火算法的源项反演方法研究[J];核电子学与探测技术;2014年04期

6 ;A new optimization algorithm based on chaos[J];Journal of Zhejiang University Science A(Science in Engineering);2006年04期

7 孙胜永;胡双演;李钊;杨亚威;张姣;王建平;;基于粒子群优化算法的BP神经网络图像复原[J];无线电工程;2014年10期

，

本文编号：573847