基于小波变换的风力发电机组故障检测方法

针对传统风力发电机组故障检测方法受到非平稳振动信号影响，导致检测结果不精准的问题，提出了基于小波变换的风力发电机组故障检测方法。根据风力发电机组轴承非平稳信号特征，使用小波变换降噪技术，分解非平稳信号，获取有限长度离散含噪信号。消除噪声项后，利用峭度对非平稳信号的敏感性，提取故障自旋频率特征，实现轴承的故障检测。利用卷积神经网络提取齿轮箱阶次信号时序特征，通过齿轮箱故障时序特征的小波变换平移，利用阶次跟踪分析方法推导不同转速级的故障特征，以此对非平稳工况下齿轮箱故障状态诊断。由实验结果可知，该方法内、外滚道加速度时域信号变化范围分别为-0.3～0.3、-0.06～0.05 m/s²，小、大齿轮断齿故障幅值为0.2、 0.4，轴承故障和齿轮箱故障变化范围均与实际范围一致。     

基于数据序列分辨率压缩尺度优化的月度电量预测方法

准确的月度电量预测是指导电力部门安排运行计划和保障售电公司盈利能力的关键基础。针对基于人工智能算法电量预测模型在训练过程中存在样本分辨率选择不当导致预测精度降低的问题,提出了一种历史数据序列分辨率压缩尺度优化方法。首先将数据分辨率压缩尺度选择建模成一个优化问题。然后通过数据驱动方式进行求解。最后再利用长短期记忆(Long Short-term Memory, LSTM)神经网络实现月度电量预测,从而较好地实现了数据分辨率和电量预测步长之间的合理平衡以提升电量预测精度。利用美国PJM电力市场的历史电量数据对所提方法进行验证。仿真结果表明,较不进行分辨率压缩尺度选择所提方法具有更高的预测精度,同时LSTM网络在结合该方法时表现出了最佳的预测性能。     

基于阶次窄带包络分析的直驱风机轴承微弱故障诊断

针对变转速工况下直驱风电机组滚动轴承早期微弱故障难以诊断的技术难题,提出一种基于阶次窄带包络的滚动轴承早期故障诊断新方法。首先,求出变转速下直驱风电机组滚动轴承故障信号时频谱,并设定等效转频。再利用时频自动搜峰算法搜索出等效转频对应阶次时频峰值。进一步,采用最小二乘法拟合得到转速信号变化曲线,通过该转速曲线计算出重采样鉴相时标,并对原信号进行等角域重采样。最后,对采样后角域信号进行窄带包络分析得到含滚动轴承故障信号的阶次窄带包络谱,该阶次窄带包络谱可用于滚动轴承故障诊断。该方法同时克服了变转速影响和低频调制微弱信号难以提取的问题,为滚动轴承故障诊断提供新方法。直驱风机滚动轴承应用实例验证了方法的有效性。     

基于多模式的我国冬季风速预报误差特性分析

风电在我国能源结构转型中具有重要地位,但其波动性也带来严峻挑战。数值模式预报的风速数据是风电出力预测和高效消纳的重要基础,需要评估不同模式的预报效果。本文通过对比分析4种主流数值模式的风速预报效果,全面评估它们在我国冬季不同区域和不同条件下的预报精度,以期为我国冬季大风期风速预报提供参考。基于不同分辨率、不同初始场、不同同化方案的4种数值预报模式,结合我国131个站点观测资料,对预报风速的误差分布特征与预报能力进行了研究与分析;同时聚焦典型站点,分析了不同风速段、不同区域的预报误差特征及预报能力。研究结果表明：集合预报模式的预报结果在复杂地形条件下更科学;高分率单一模式对简单下垫面的风速波动性预报较好;白天预报效果好于夜间;对平原风速预报效果最好。     

变压器多维信息融合及状态评估

为提高变压器状态评估的准确性，针对传统变压器状态评估方法选取单一指的不足，提出了利用物联网实现多维信息融合的变压器状态参数评估方法。该方法选取常用变压器型式试验参数指标作为在线监测指标，再对指标进行归一化处理。利用物联网对归一化后的指标实现不同指标信息的互联互通，在此基础上利用支持概率改进的DS证据理论对状态指标进行融合，搭建变压器状态参数评估模型。通过实验表明，该方法的状态评估准确性得到很大提升。     

串列不等直径水平轴风力机气动性能研究

为研究上游风力机叶轮直径增大和轮毂高度抬升对下游风力机气动性能影响,采用计算流体力学方法对串列水平轴风力机三维流场进行模拟,以揭示上游风力机叶轮尺寸增大和轮毂高度抬升对下游风力机气动性能影响规律。研究结果表明：增大上游风力机叶轮直径,会削减下游临近机组输出功率,增加机组在低频,1倍、2倍、3倍轴频推力脉动,增大机组疲劳载荷;随着风力机间距的增加,增大叶轮直径对12D范围外机组输出功率影响可忽略不计,但机组疲劳载荷在低频和1倍轴频仍有明显的增大。抬高上游机组轮毂高度,机组较近时,可使下游风力机避开一部分尾流,显著提高下游风力机的输出功率,但也会使风力机叶轮在旋转一周过程中产生较大的叶片推力脉动;当风力机间距较远时,抬高塔架高度有利于尾流恢复,进而提高下游机组输出功率,降低机组疲劳载荷。     

基于改进GM-ARMA组合模型的风电功率中长期预测方法*

风电功率预测是提高风电场功率上报准确率和风电场收益、提高大规模风电并网后电力系统的安全和稳定性的有效方法.目前对于风电功率超短期和短期预测的研究已取得了阶段性研究成果,但是对于风电功率中长期预测方面的研究尚未取得实质进展,预测效果难以满足实际工程应用的需要.针对现有风电功率中长期预测方法存在的缺陷,提出了一种基于改进GM-ARMA组合模型的风电功率中长期预测方法,采用遗传算法优化组合模型的参数,以得到最优模型,进而提高了风电功率预测精度.仿真结果表明该方法对年度和月度风电功率预测均有较好的应用效果,比普通GM-ARMA组合模型具有更高的预测精度.