风电机组高斯过程回归塔架振动监测研究

根据风电机组的运行原理,对运行数据中记录的塔架振动特征进行分析,发现塔架振动与风电机组数据采集与监视(SCADA)系统记录的多个其他变量存在密切关系,针对风电机组运行数据强随机性和高噪声的特点,采用高斯过程回归方法建立了描述塔架振动与相关变量关系的振动模型,并对该模型进行了验证.结果表明:通过分析塔架模型残差可以实现叶轮桨距角不对称故障的监测和诊断,证明塔架振动监测的有效性.     

基于风电机组状态的超短期海上风电功率预测

提出一种基于风电机组状态的超短期海上风电功率预测模型。首先,综合考虑海上环境因素以及风电机组部件间的相互作用建立指标的预测模型,以长短期记忆神经网络的预测误差作为监测指标的动态劣化度;然后采用模糊综合评价法对风电机组的运行状态进行评估,依据评估结果对风电机组历史运行数据进行划分;最后根据分类后历史运行数据建立基于机组状态的超短期风电功率预测模型。结合国内某海上风电场实例数据进行分析,算例结果表明所提方法可有效提高风电功率预测精度。     

风电机组齿轮箱非平稳振动信号微弱故障特征提取

介绍风电机组齿轮箱的布置形式和结构特点。依据某类型风电机组齿轮箱特点,制定振动数据采集方案,采集两台风电机组齿轮箱高速轴振动信号;应用短时傅里叶幅值谱和小波尺度谱对比分析,分别提取两台机组齿轮箱高速轴测点振动信号中蕴含的微弱故障特征频率。分析得到一台机组齿轮箱高速轴损伤,实际验证了该机组齿轮箱高速轴为轻微点蚀故障。证实了短时傅里叶幅值谱和小波尺度谱相结合的分析方法在诊断风电机组齿轮箱微弱故障的有效性和实用性。     

基于GWO-SVR的风电机组柔性塔架振动建模与仿真分析

针对风电机组柔性塔架因机械疲劳、振动等引起的失稳问题,采用改进的回归方法建立塔架振动预测模型。在风电机组不同运行工况下,通过相关性分析对多源异构数据进行优化,求出影响柔性塔架振动的相关联变量。基于灰狼优化（GWO）算法得到支持向量回归（SVR）方法的最优参数,建立塔架振动预测模型。以某风场2 MW风电机组120 m柔性塔架数据进行仿真分析,结果表明,在额定风速以上工况下,GWO优化SVR模型相较于BP模型、SVR模型、粒子群算法（PSO）优化SVR模型、鲸鱼优化算法（WOA）优化SVR模型,均方根误差RMSE分别降低了11.143、8.925、8.263、3.651;平均绝对误差MAE分别降低了9.032、7.016、2.665、3.233。基于GWO优化的SVR模型提高了柔性塔架振动预测精度,可为柔性塔架的振动控制提供准确数据支持。     

基于EEMD峭度-相关系数准则的多特征量风电机组轴承故障诊断

针对风力发电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出了一种集成经验模态分解与峭度-相关系数准则和多特征量提取的风电机组轴承故障程度的诊断方法。利用集成经验模态将振动信号分解成若干个本征模态分量,采用峭度和相关系数准则选取一组包含信息量最丰富的分量,对该组分量从时域指标、自回归模型参数矩阵的奇异值和能量熵3个角度的变化中提取和构造多特征量矩阵,输入支持向量机建立故障程度不同的多分类预测模型,优化核参数和惩罚参数取得轴承故障程度最佳预测精度。通过实验室数据验证了该方法是一种可行的风电机组轴承故障诊断方法,可实现对风电机组轴承故障早期处于的轻度、中度和重度等3种相对故障程度的准确分类和识别。     

永磁同步风电机组发电机定子温度建模方法

针对山地风电场大型永磁同步风电机组发电机定子温度的变化特点及传热过程进行分析,提出一种基于风电机组SCADA数据的发电机定子温度建模方法。首先,分析风电机组在实际运行过程中定子温度的变化情况;然后,根据永磁同步发电机内部的传热过程,对发电机定子温度建模;最后,采用风电机组正常运行时的SCADA数据求解模型参数。实例分析表明,风电机组状态正常时,定子温度估计的平均误差绝对值为0.59 ℃,模型精度较高;风电机组状态异常时,模型温度估计的平均误差绝对值为5.17 ℃,精度显著降低。     

风电机组的机舱振动位移极值模型与现场数据验证

针对风电机组的安全性评估，研究机舱振动位移极值模型和现场数据验证。基于某风电场1.5 MW风电机组的计算模型，仿真DLC1.1工况下的载荷数据，建立风电机组机舱振动位移外推极值模型，结合统计学原理和载荷统计外推原理，得到风电机组的机舱位移极值；同时，对该风场风电机组机舱振动实测数据进行特征极值分析，用这些特征极值拟合得到不同风速段的风速分布和机舱位移分布，建立风电机组机舱振动位移的联合分布极值模型，外推得到位移极值。提出利用李雅普诺夫稳定性理论，确定风电机组机舱振动安全阈值边界的方法，利用这些极值确定风电机组机舱振动安全阈值边界，并用实际运行时的机舱位移极值数据，对这几种极值模型进行现场数据验证，无论仿真数据的机舱振动极值，还是实际数据的振动极值，均未超出安全阈值边界。     

基于最大Lyapunov指数-校正的风电功率实时预测研究

依据混沌相空间重构理论,提出基于最大Lyapunov指数-校正的风电功率实时预测模型,该预测模型将Lyapunov指数预测模型的一步预测值作为真实值加入到原序列中,对新构成的时间序列进行相空间重构和预测,从而实现了多步预测,并依据风电功率的物理实际约束对Lyapunov指数的预测值进行校正。以东北某风电场的实测数据为例,对风电功率进行实时预测,预测结果验证了模型的有效性。     

基于熵权综合关联度数据挖掘的风电功率实时预测研究

采用一种基于熵权综合关联度指标,来量化评估不同历史时段风电样本与待预测时段参考样本间的复杂非线性映射关系,解决预测模型输入与输出变量的相关性冗余问题,并与Pearson相关系数、Kendall相关系数、Spearman相关系数、互信息相关系数指标进行对比研究。然后,采用一种神经网络改进模型,通过相似样本筛选、隐含层结构寻优、网络权重赋初值等,减小训练数据冗余度的影响及加快收敛速度,提高预测模型的泛化能力和计算效率。通过吉林省某风电场的实测数据进行实验仿真,结果表明该方法可有效提高风电功率实时预测准确率。     

基于神经网络的水电站厂房结构振动响应预测

针对水电站厂房结构振动主要由水力、机械和电磁三大类振源引起,结合景洪水电站机组与厂房振动联合测试数据,在分析厂房结构与机组振动响应关系的基础上,应用径向基神经网络建立了厂房结构振动预测模型.实例结果表明,该方法简单、有效、预测精度较高,可供同类工程参考.