共查询到17条相似文献,搜索用时 62 毫秒
1.
2.
以变桨轴承为研究对象,文章提出了一种基于卷积自编码器的变桨轴承故障预警与定位方法。首先,在分析不同风速工况下风电机组变桨控制运行特性的基础上,选取恒功率阶段运行数据进行分析;其次,建立卷积自编码网络(CAE)模型对多个相关特征变量进行编码和解码重构,实现对不同特征变量间内在相关性的建模与特征挖掘,进一步通过余弦相似性函数和差异性函数分析特征变量重构残差的变化来检测和定位故障;最后,基于某风电场风电机组SCADA数据进行验证分析。相较于传统主成分分析和自编码器网络以及全工况监测,文章所提方法能够更早预警故障的发生,且误报率低,能够实现故障准确定位。 相似文献
3.
随着风电机组装机容量的不断攀升,同时带来并网发电率低、机组故障率高等缺点,导致风电机组整体利用率较低。为此提出一种基于数据融合的风电变桨系统故障预警方法。首先结合SCADA系统中的运行统计信息和历史数据,采用Relief特征参数选择方法筛选出与风电变桨系统故障相关的特征参数;然后采用数据融合的方法,建立基于MSET技术的风电变桨系统故障预测模型,并采用滑动窗口法进行故障预警阈值的确定;最后以上海某风场1.5 MW双馈异步风电机组进行实例分析,结果表明该方法可提前发现风电变桨系统故障征兆,实现对风电变桨系统的早期故障预警。 相似文献
4.
5.
在风电场远程监控系统中,能够实现风电场中风电机组的故障诊断与预测,对于风电机组的安全、稳定、经济运行具有重要意义。在风电场监控系统中只是对风电机组单个参数进行实时监控,当监控系统某一参数超过阈值范围时,无法确定风电机组中某个具体部件存在问题。因此分析风电机组远程监控系统中实时参数对风电机组中设备的权重影响变得极为重要。本文旨在对风电机组中故障率频发的变桨系统进行深入探究,针对影响变桨系统故障的各项因素,运用APH方法进行权重评估,得出各个因素对变桨系统的影响程度,从而更加准确地判断出变桨系统的故障原因。 相似文献
6.
风电机组机舱内部的机械部件众多,以机舱温度为研究对象可以实现对风电机组故障的预警。首先提取风电机组正常运行状态下的机舱温度数据,综合Pearson相关系数和Spearman相关系数,以及轻型梯度增强学习器(LightGBM)和CatBoost算法的特征变量重要性,筛选出与机舱温度相关性较大的20个特征变量,作为风电机组机舱温度的特征变量集合;然后选择CatBoost、LightGBM、随机森林(Random Forest)3个算法分别建立模型,以均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、判定系数R2作为评价指标进行综合评价,最终选择评价指标最优的采用CatBoost算法建立的模型作为风电机组机舱温度异常预警模型,并采用实际的风电机组机舱温度异常的历史数据对模型的预警效果进行验证。该模型可在机舱温度预测值与真实值之间偏离程度较大时进行预警,专业检修人员可以根据模型输出的特征变量重要性排序,优先检修相关性较高的部件,实用性较强。 相似文献
7.
8.
9.
通过风电机组状态监测进行故障预警,可防止故障进一步发展,降低风场运维成本。为充分挖掘风电机组监控与数据采集(SCADA)各状态参数时序信息,以及不同参数之间的非线性关系,该文将深度学习中自动编码器(AE)与卷积神经网络(CNN)相结合,提出基于深度卷积自编码(DCAE)的风电机组状态监测故障预警方法。首先基于历史SCADA数据离线建立基于DCAE的机组正常运行状态模型,然后分析重构误差确定告警阈值,使用EMWA控制图对实时对机组状态监测并进行故障预警。以北方某风电场2 MW双馈型风电机组叶片故障为实例进行实验分析,结果表明该文提出DCAE状态监测故障预警方法,可有效对机组故障提前预警,且优于现有基于深度学习的风电机组故障预警方法,可显著提升重构精度、减少模型参数和训练时间。 相似文献
10.
《可再生能源》2017,(6):893-899
变桨故障是风电机组重要的停机故障之一,对变桨系统进行故障预测并提高预测精度,是风电开发的关键技术,不但保证电网安全运行而且减少运维成本。分析处理SCADA系统数据,提取相关联参数,即输出功率、风速、桨距角和转子转速。采用BP神经网络对系统进行模型训练,考虑到风电机组参数具有波动性、不确定性等,同时采用小波BP神经网络进行模型训练。建立变桨故障预测模型,预测未来15 d的变桨系统运行情况,用于制定合理的运维方案。通过MATLAB系统仿真研究,对比分析了预测模型性能指标、误差指标和输出数据图形,小波BP神经网络训练预测模型诊断精度比BP神经网络提高了17%,可信率提高了18%,诊断能力提高了15.4%,诊断误报率降低了17%。 相似文献
11.
针对复杂工况下风电机组变桨系统故障检测问题,采用在线序贯极限学习机建立变桨系统状态监测模型,利用ReliefF算法进行模型的特征选择,通过量子进化算法优化在线序贯极限学习机的超参数集,并引入马氏距离函数计算变桨系统状态监测模型的残差,判断风电机组变桨系统的异常。以辽宁某风电场1.5 MW双馈风电机组变桨系统为例,将所提出的模型分别与粒子群优化极限学习机、粒子群优化支持向量机、随机权神经网络、极限学习机和反向传播神经网络模型进行对比,结果表明所提出的模型精度优于其他模型,所提方法的故障检测正确率高于3σ阈值法和核主成分分析方法。 相似文献
12.
13.
14.
大型风力发电机组的建模与仿真 总被引:16,自引:7,他引:16
建立了大型变桨距风力发电机组在标称状况下的非线性数学模型,将其线性化后,在不同风速下进行了不同输入(桨矩角β、风速v和电网电压U1变化)的开环仿真。仿真结果对控制器的设计有参考价值。 相似文献
15.
16.
17.
基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法 总被引:3,自引:0,他引:3
提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。 相似文献