一种智能变电站保护装置寿命预测方法

继电保护设备剩余有效寿命预测是智能变电站二次设备状态检修的技术关键.文中提出了一种基于马尔科夫链的智能变电站继电保护设备寿命预测方法,该方法基于马尔科夫链,利用设备在线监测信息和历史运行数据获得其状态分布向量以及状态转移矩阵,进而根据可靠性原理预测其剩余有效寿命.算例分析结果表明该方法可以对保护装置未来运行状态分布和剩余寿命进行有效预测,其预测结果可以为运行人员提供参考.目前该方法已应用在实际智能变电站的二次设备在线监测系统中,有助于提高智能变电站的安全运行水平.     

基于云模型与马尔科夫链的继电保护装置寿命预测方法

准确预测智能变电站继电保护装置的有效寿命,是保障智能变电站安全稳定运行的关键。提出了一种基于云模型与马尔科夫链的继电保护装置寿命预测方法。利用继电保护装置的运行状态数据并结合云模型的隶属度函数来构建初始状态概率分布向量,然后依据马尔科夫链原理获得状态转移概率矩阵,最后通过分析信度准则预测保护装置有效寿命。算例分析结果表明该方法能科学预测保护装置有效寿命,可为智能变电站继电保护装置的状态检修工作提供指导依据。     

基于统计过程控制的风机齿轮箱故障预测

为了减少风力发电机组齿轮箱故障,确保风电机组持续安全运行,对风电机组运行监控数据在线分析,提出一种结合最小二乘支持向量机（LSSVM）的风机齿轮箱统计过程控制故障预测方法。该方法以支持向量机学习风电机组的正常状态运行模式,利用风电机组实时运行数据来估计正常状态下该时刻齿轮箱油温度和齿轮箱轴承温度,并与实际温度测量值进行比较。随后利用统计过程控制技术分析齿轮箱油温和轴承温度的实际值与估计值的残差,以实现齿轮箱异常状态的预测。     

基于威布尔分布的风机齿轮箱元件最优更换时间

研究了考虑单位时间系统维护费用最低的风电机组齿轮箱重要组成元件最优更换时间的计算问题。文章对风机齿轮箱的原理和结构进行了简单介绍,并将齿轮箱作为不可修系统对其构成元件的故障率分布进行了分析;建立了风机齿轮箱重要组成元件的最优更换时间计算模型,该模型的原理是对更换成本和故障成本进行平衡,使系统单位时间的维护费用最低;最后,采用文中建立的模型对某地实际风机齿轮箱齿轮、中速轴承和高速轴承的最优更换时间进行求解,结果表明,此方法得到的最优更换方案能够极大地降低风电机组齿轮箱维护费用。     

基于子空间方法的风机齿轮箱故障预测算法

为了减少风机齿轮箱严重故障的发生,提出了一种基于随机子空间识别方法的齿轮箱故障预测算法。该算法首先建立齿轮箱的随机状态空间模型,并利用正常运行时的振动监测数据计算模型的参数矩阵的特征值,并将其作为参考特征值;然后将由实际振动数据所求得的特征值与参考特征值进行比较,如果两者误差很小,则说明齿轮箱正常,反之则异常。为了减少计算量,引入均方根误差(RMSE)作为齿轮箱故障判别指标,并利用统计过程控制(SPC)原理定义该指标的阈值。最后,对一台实际风机的振动监测数据进行仿真,结果表明了所提出算法的有效性。     

考虑台风影响的海上风电机组部件剩余寿命预测方法

针对台风天气影响下海上风电机组剩余寿命预测问题,提出了考虑退化状态与台风冲击相依的海上风电机组部件剩余寿命预测方法。基于台风冲击模型及部件状态对部件退化过程的影响分析,构建了考虑退化状态与冲击相依的海上风电机组部件剩余寿命可靠度模型。利用实际监测数据对部件可靠度模型进行修正更新,建立了剩余寿命动态预测模型。采用fmincon函数对离散化处理后的部件可靠度模型进行参数估计,结合运行监测数据修正参数,进而动态预测剩余寿命。以某海上风电机组齿轮箱部件为例进行仿真,验证了所提方法的有效性。     

风电轴承性能退化建模及其实时剩余寿命预测

为了实时掌握风电轴承的剩余寿命,提出一种基于温度特征量的风电轴承性能退化建模及其实时剩余寿命预测方法。由于风速大小和风向的不确定性,使风电轴承温度在较宽的范围波动,采用移动平均法对风电轴承的相对温度数据平滑滤波处理,提取风电轴承性能退化的温度趋势量;考虑风电轴承在运行过程常受到不确定因素影响,使其性能退化速度随时间而改变,基于Wiener过程建立了风电轴承的性能退化模型,并提出基于极大似然估计的实时参数估计方法;以温度监测值首次超过失效阈值判定轴承失效原则,建立了基于逆高斯分布的风电轴承实时剩余寿命预测模型;最后,应用文中所提出的方法,对实际某风电机组的发电机后轴承性能退化过程分析及其剩余寿命进行预测,并与实际剩余寿命进行了对比和分析,表明文中提出的风电轴承性能退化模型及实时剩余寿命预测方法是正确有效的。     

考虑绝缘剩余寿命的变压器健康状态评估方法

在现有的健康指数理论和绝缘寿命计算方法的基础上进行延伸和拓展,建立变压器运行状态评估结果与其剩余寿命的映射关系,提出了一种考虑绝缘剩余寿命的油浸式变压器健康状态评估方法。利用变压器负荷记录和环境温度数据计算设备热点温度,继而计算设备的绝缘剩余寿命;再根据分级评估的思想对变压器运行状态进行分级评估,考虑不同因素的影响,形成不同层级的健康指数修正因子,最终得到反映变压器的综合运行状态的设备剩余寿命及健康指数评分。通过实际变电站算例分析证明了该方法的有效性和优越性。该方法并不局限于油浸式变压器,对于其他油绝缘设备(如电抗器)同样适用。     

考虑不完全维修的风机齿轮箱优化检修策略

齿轮箱是风电机组中维修费用最高的部件之一,针对齿轮箱的状态检修策略研究对降低设备维修费用、提高可靠度具有关键作用。针对风机齿轮箱不完全维修这一现状,提出了一种基于比例强度模型的优化检修策略。该方法利用监测到的齿轮箱振动数据、温度数据及历史维修数据建立比例强度模型,确定齿轮箱的强度函数;然后采用物理规划方法权衡最小维修费用和最大可靠度两个优化目标函数,确定最优维修阈值,并制定最优维修策略。结合实际风电场故障数据和在线监测数据,对考虑不完全检修的优化检修策略进行仿真分析,结果验证了所提优化策略的有效性和合理性。     

电动汽车供电系统锂电池剩余寿命预测

电动汽车的锂电池受工况、环境等因素影响,具有很强的时变非线性,对其进行剩余寿命预测具有挑战性。针对现有算法未同时考虑不确定表达、预测精度以及不同电池的适应能力对剩余寿命的影响,提出了一种正则化粒子滤波和自回归滑动平均模型相融合的锂电池剩余寿命预测算法。以锂电池的经验退化模型作为融合算法的状态方程,自回归滑动平均模型的预测输出值替代观测值,构建状态空间模型,迭代更新电池容量,实现锂电池的剩余寿命预测。基于NASA锂电池数据集进行仿真验证,并与标准粒子滤波和正则化粒子滤波算法相比较,实验结果表明,在中期、后期预测过程中融合算法的预测误差在5%以下,该方法具有较好的锂电池剩余寿命预测精度。     

基于 OOB-GWO-SVR 的风电机组齿轮箱故障预警

针对风电机组齿轮箱超温出现的故障问题,提出了基于改进参数优化机器学习算法的风电机组齿轮箱故障预警模型。 首先,通过随机森林袋外估计确定特征变量,并采用滑动平滑滤波对输入变量进行滤波处理。 其次,构建灰狼算法优化支持向 量回归模型,根据最优模型输出的偏差值确定状态识别指标。 最后,通过时移滑动窗口设置阈值范围,当状态识别指标超出阈 值范围之外时立即报警。 实验结果表明,该模型能提前 87 min 对风电机组齿轮箱温度异常发出故障预警,并且预警效果优于 距离相关系数-GWO-SVR 模型、Pearson-GWO-SVR 模型和 OOB-SVR 模型。     

风电机组齿轮箱温度趋势状态监测及分析方法

风电机组状态监测对于风电场特别是海上风电场降低维护成本,提高运行水平具有重要的实用价值。采用温度趋势分析的方法对风电机组齿轮箱的运行状态进行监测。利用非线性状态估计（nonlinear state estimate technology,NSET）方法建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过合理构造过程记忆矩阵,使模型覆盖齿轮箱的正常工作空间。当齿轮箱工作异常时,其动态特性偏离正常工作空间,NSET温度模型预测残差的分布特性发生改变。采用滑动窗口方法实时计算残差的统计分布特性,当残差的均值或标准差的置信区间超出预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。为模拟齿轮箱的故障情况,在机组数据采集与监视控制系统（supervisory control anddata acquisition,SCADA）数据中加入人为温度偏移。通过对该模拟故障的分析,新的状态监测方法能够及时发现齿轮箱的异常状态,达到实时在线状态监测的目的。     

基于改进AAKR的风电机组齿轮箱状态监测

针对自联想核回归(AAKR)算法在计算相似度时未考虑状态向量中各元素对欧氏距离贡献程度不一、模型参数常依据主观经验进行标定而导致模型精度较低的问题,提出基于旗鱼优化（SFO）的改进AAKR算法建立齿轮箱正常行为模型的非参数建模方法。首先,以全参数等间隔划分方法构建记忆矩阵;其次,在AAKR模型中引入距离权重系数并通过SFO算法对AAKR模型中的宽度系数和距离权重系数进行优化;最后基于滑动窗口和残差数据构造健康指数实现风电机组齿轮箱的状态监测。以某台2MW风电机组实测数据为例进行验证,结果表明,相比于传统AAKR、加权AAKR和稳健状态估计模型,所提算法平均精度分别提高了1.55%、0.6%、0.76%,在故障预警时通过所构造的健康指数能够更灵敏、准确的反映齿轮箱的早期故障及其发展趋势。     

风电机组齿轮箱非平稳振动信号谱分析方法

齿轮箱是风电机组的重要部件,其运行状态直接决定了风电场的收益,通过研究齿轮箱的振动信号来评判齿轮箱的运行状态具有重要意义。论述了风电齿轮箱的结构形式和故障特征,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2台风电机组齿轮箱高速轴振动信号;应用Hilbert能量谱和短时傅里叶重排谱对比分析,分别提取2台机组齿轮箱高速轴测点振动信号中蕴含的故障特征频率。分析得到一台机组齿轮箱高速轴损伤,实际验证了该齿轮箱高速轴故障为齿面点蚀。证实了Hilbert能量谱和短时傅里叶重排谱相结合的分析方法在提取风电齿轮箱故障特征频率的有效性和实用性。     

基于RF特征优选和WOA-ELM的风电齿轮箱故障诊断

针对风电机组齿轮箱故障特征提取不足，故障诊断率低问题，提出了一种基于RF特征优选，结合WOA-ELM特征识别的风电齿轮箱故障诊断方法。首先，提取风电齿轮箱时域、频域、时频域特征，构建多域高维特征集；其次，利用RF进行特征重要度排序并提取10维优选特征；最后，利用WOA优化调整ELM模型的输入权值和隐含层阈值，实现风电齿轮箱故障分类识别。将本文方法应用于风电齿轮箱故障诊断，实验结果表明，本文方法平均诊断率能达到99.81%，诊断准确率均高于对比方法且诊断用时最少，能够有效地进行风电齿轮箱故障诊断。     

基于增量式相对熵的风电机组实时状态监测

针对风电机组的实时状态监测问题,提出了一种基于增量式相对熵的残差分析方法。 首先,通过分析滑动窗口数据特 点,推导了适用于实时运算的增量式相对熵的计算公式,其时间复杂度为 O(1),要低于常规计算方法的 O( n)。 接下来,提出 了一种基于数据驱动和正常行为建模的风电机组实时状态监测方法,并将增量式相对熵作为实时残差分析的指标。 最后,用某 2 MW 风电机组的实际齿轮箱故障数据为算例,验证了该方法的有效性。 结果表明,相对熵残差分析能够至少提前 8 ~ 10 d 实 现故障预警,优于常规的统计量;增量式相对熵的计算时间仅相当于常规方法的 0. 4% ~ 1. 9%,在实时性上有显著优势。     

基于区间划分的风电齿轮箱在线故障预警方法

针对大型风电机组运行工况复杂多变,依靠恒定的润滑油温度值作为齿轮箱故障预警值容易不报的问题,提出了基于运行区间划分的风电机组齿轮箱在线故障预警方法。该方法通过划分不同的运行区间,对不同运行区间根据高斯模型分别设定阈值。将实时数据代入相应运行区间判定是否异常,再利用移动窗口计算异常率作为触发齿轮箱故障预警的指标。该方法用于某1.5 MW风电机组齿轮箱故障的分析,结果表明,该方法能够准确地反映故障的发展趋势,可实现齿轮箱故障的早期预警,避免故障向更严重的方向发展,降低风电机组运行和维修成本。     

基于改进威布尔分布的风电机组关键部件可靠性评估

针对风电机组工作环境恶劣,其发电机、齿轮箱等关键部件可靠性难以准确评估的问题,文中以某型号风机齿轮箱为例,提出了一种基于改进威布尔分布模型的可靠性评估方法。该方法对传统的平均秩次法进行了优化,克服了传统平均秩次法只考虑每个非停机故障发生的位置,而未考虑停机故障区间长度对结果的影响,造成参数估计误差的问题。在考虑风电机组关键部件的停机故障数据与非停机故障数据的基础上,分别采用威布尔分布模型与改进威布尔分布模型对风电机组关键部件进行评估。进一步得到可靠度函数曲线与失效率函数曲线,并对其进行相关分析。通过实例分析,对比两种模型的参数估计结果,验证了提出的新方法可以计算出精确度更高的参数,使得评估结果更加符合风电机组运行的实际情况。     

基于证据支持矩阵的特征权重融合的风电机组故障诊断

针对风电机组齿轮箱故障特征的不确定性、复杂性和多元性的特点,提出基于证据支持矩阵特征权重的融合新方法,建立故障诊断模型。分析了影响证据冲突的冲突因子和证据距离,利用这两个因子构造证据支持度矩阵;求解了该证据支持度矩阵最大特征值对应的特征向量,并将此作为证据的权重,利用证据组合公式进行融合;最后将其用于风电机组齿轮箱故障诊断。实验结果表明,该方法可较好提高风电机组齿轮箱故障诊断的效率和准确率。