风力机变桨轴承故障诊断的冲击链检测法

通过研究风力机变桨轴承的结构和运转条件,本文发现随着叶轮的转动,变桨轴承的滚动体与滚道的四个接触点交替接触,这使得滚动体在滚道上连续滚动的时间较短。本文通过在叶轮不旋转时采集变桨轴承振动信号,得到滚动体在滚道上较长时间连续滚动的振动信号。通过分析变桨轴承故障振动信号的特征,得到了其冲击振动规律,提出了在时域波形中自动识别冲击振动及其近似周期性的冲击链检测方法。应用结果表明,冲击链检测方法能够有效地自动检测变桨轴承的局部故障以及滚道内存在异物的状态。     

基于改进麻雀搜索算法优化深度学习网络超参数的短期风电功率预测

提出了一种CNN-Attention-BiGRU网络模型,以及采用ISSA优化网络模型超参数的短期风电功率预测方法。首先,设计CNN-Attention-BiGRU深度学习网络,利用CNN-Attention提取数据特征,再利用BiGRU对时间序列的预测;然后,采用ISSA优化CNN-Attention-BiGRU网络超参数,提高模型的预测精度;最后,采用甘肃省某风电场数据集进行验证该预测方法,结果表明,该预测模型有效地提高了预测精度和输出结果的稳定性。     

基于 RCNN-SVR组合模型短期风电功率预测

提出一种回归卷积神经网络与支持向量回归组合模型 (RCNN-SVR),采用该模型预测短期风力发电功率. 首先搭建了一种回归卷积神经网络 (RCNN)模型;由于 RCNN 存在计算量大的问题,因此利用 RCNN 从数据集中 提取特征因素,并用特征因素训练支持向量回归 (SVR)对风电输出功率进行预测;最后采用某风电场数据集进行验证,结果表明 RCNN-SVR模型比单独使用的传统 RCNN 模型或支持向量机具有更高的准确率.其中,RCNN-SVR 模型的 CV-RMSE、MAE和 MAPE分别为０．０９９８、０．３９２８和０．５４６８,说明 RCNN-SVR模型有效地提高了预测精度 和输出结果的稳定性.     

风电场集电线路行波故障测距及行波衰减研究

文章以某风电场安装集电线路行波检测装置为例,基于行波传输理论,利用仿真建模和风电场集电线路实际故障情况,研究出风电场集电线路发生故障时行波传输衰减特性。合理应用行波检测装置,有效减少风电场停电时间,降低故障成本。     

基于机器视觉的指针式仪表读表方法研究

针对指针式仪表读数方法受限于仪表类型多样、环境复杂、表盘及指针检测困难、读表精度不高的问题, 提出一种基于机器视觉的指针式仪表读表方法.首先,由数据采集设备获取高质量的图像,并且通过图像预处理减少 干扰.其次,利用Hough直线检测及Hough圆检测方法,检测指针所在直线和旋转中心,此外,对不同类型的指针 采用交点法与距离法确定仪表指针指向,并通过几何关系计算指针偏转角度.最后,根据比例法得到仪表读数.实验 结果表明,该方法具有算法简单、精度高、速度快的特点,具备实际部署应用的条件.     

山地风电场维检任务智能调度

基于山地风电场发电机组系统可靠性和经济性的目标进行维检任务智能调度优化,根据目标及约束条件, 针对具体的检修方式进行合理优化研究,提出可行的检修优化措施并建立优化模型,最后通过实证分析验证了模型的 可行性和有效性.     

跟网型永磁同步发电机组相角主动支撑控制策略

永磁同步发电机及全功率变流传动系统相比于双馈异步发电机及部分功率变流传动系统可靠性更高、全生命周期成本更低。本文针对跟网型永磁同步发电机组提出一种相角主动支撑控制策略，在不改变主控制系统的基础上，加入频率变化率-相角反馈环路，在系统负荷突增时放出全功率变流传动系统中间直流环节稳压电容的能量，增大系统惯性以解决高比例新能源电力系统惯性低的问题，并通过DIgSILENT/PowerFactory搭建了仿真平台验证了所提相角主动支撑控制策略的有效性，保证了高比例新能源电力系统的频率稳定。     

基于CEEMDAN-IDOA-BiLSTM的超短期风电功率预测

准确可靠的风电功率预测对电力系统调度、风电场的效益和电网的安全稳定运行具有重要意义。为了提高超短期风电功率预测的准确性，提出了一种基于自适应噪声完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise， CEEMDAN）和改进野狗优化算法（improved dog optimization algorithm， IDOA）优化双向长短时记忆网络（bi-directional long short-term memory， BiLSTM）的组合模型预测超短期风电功率方法。该方法先采用CEEMDAN分解方法将原始的数据分解来降低原始数据的复杂性和不稳定性，将分解后的所有序列进行偏自相关方法分析，选出重要性较大序列作为IDOA-BiLSTM模型的输入，最后通过IDOA-BiLSTM模型进行超短期风电功率预测。采用甘肃某风电场实测数据为数据集，进行训练模型和预测分析，结果表明所提出的超短期风电功率预测模型具有较高的预测精度，具备实际应用的可行性。