基于SCADA系统的风电变桨故障预测方法研究

风电机组变桨系统故障是目前造成机组停机的第一原因。文章对未来30 min的风电机组变桨故障进行预测,通过分析变桨系统潜在故障,制定维护保养计划;针对兆瓦级风电机组,分析SCADA系统的数据,提取变桨距系统故障特征;从风速、风向、桨距角和电机转速的输入、输出关系出发,应用多元线性回归分析和BP神经网络分别对变桨系统进行模型训练,对比两种算法的预测能力。通过分析故障预测模型性能指标、误差指标和输出数据图形可知,BP神经网络在风电变桨系统中的故障预测效果优于多元线性回归预测。     

基于卷积自编码器的风电机组变桨轴承故障预警与定位

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。     

基于数据融合的风电变桨系统故障预警研究

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。     

数据驱动的风电机组变桨系统状态监测

针对数据采集与监视控制(SCADA)系统存在误报、故障报警滞后等问题,提出一种基于单分类模型的风电机组变桨系统在线状态监测方法.首先,从SCADA数据中提取出与变桨系统相关的特征参数并进行特征重构以进一步提取出更值得关注的桨叶之间的差异化信息.其次,基于单分类支持向量机对历史数据的分析确定变桨系统运行数据的健康边界,进...     

基于AHP的风电机组变桨系统权重分析

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。     

基于CatBoost机器学习模型的风电机组机舱温度异常预警研究

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。     

以变桨轴承延寿为目标的风电机组变桨策略优化研究

传统变速变桨风电机组采用比例积分微分模型(proportion integral differential,PID)控制的最佳桨距角变桨策略,变桨频繁,变桨轴承易损坏且不易维修,为此提出一种减少变桨动作,延长变桨轴承寿命的变桨系统优化策略.在最佳桨距角策略基础上提出风速波动阈值指标建立优化模型,以风速波动阈值指标为输入...     

风电机组变桨后备电源问题探讨

目前,国内风电机组变桨系统后备电源大多使用阀控式铅酸蓄电池。本文结合风电场实际环境、工况及阀控式铅酸蓄电池性能,探讨风电场变桨系统后备电源经常遇到的问题,并提出改进意见。     

基于深度卷积自编码器的风电机组故障预警方法研究

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。     

基于小波BP神经网络的风电机组变桨系统故障预测

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%。     

基于量子进化在线序贯极限学习机的变桨系统故障检测

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。     

基于批标准化的堆叠自编码网络风电机组变桨系统故障诊断

为了提高风电机组变桨系统故障诊断的准确性,提出一种基于批标准化的堆叠自编码(SAE)网络故障诊断模型.针对SAE网络在特征学习过程出现的梯度硬饱和问题,选用PReLU激活函数,在SAE网络中加入批标准化(BN)层进行优化,通过输出层的Softmax函数,得到变桨系统各部件故障发生概率.以均方误差最小化为目标,采用Ada...     

大型风力发电机组独立桨叶控制系统

设计出独立桨叶控制系统的机构方案，依据空气动力学分析，提出模糊控制结合以桨叶空间方位角作为主体因素的加权系数的控制策略，建立了系统模型，仿真结果表明，在风速高于额定风速时，作用在桨叶上的负载波动大为减小，输出功率维持在额定功率附近。     

大型风力发电机组的建模与仿真

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。     

海上浮式风力机变桨距控制研究

借鉴陆上风力机基于状态空间法的干扰自适应控制,在状态空间中考虑海上浮式风力机支撑平台运动自由度,采用状态观测器评估系统各状态量,研究不同干扰自适应变桨距控制对海上浮式风力机控制性能的影响,并与FAST基础控制对比分析.结果表明:海上浮式风力机变桨距控制设计应基于状态空间法的干扰自适应控制,同时在状态空间中应考虑平台纵荡...     

基于S-SLLE的风电机组齿轮箱故障诊断方法研究

针对风电机组齿轮箱结构复杂、受交变载荷和恶劣工作环境影响容易出现故障导致停机的问题,提出基于统计学K-均值聚类理论的统计型监督式局部线性嵌入流形学习(S-SLLE)特征维数约简方法,首先通过对齿轮箱振动信号时频域故障特征提取,剔除冗余特征向量,减少诊断模型的复杂度和计算量,再利用RBF核支持向量机分类器建立诊断模型,对...     

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

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。