共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
基于传统矢量控制技术,该文提出一种改进的矢量控制技术来抑制双馈感应电机故障期间的转子过电流,以提高双馈风电机组故障穿越能力。从分析传统矢量控制技术入手,提出一种改进的矢量控制技术,其主要特点是反映定子电压瞬态对转子电流的影响,但并未增加控制的复杂程度。从理论的角度对所提方案能提高双馈风电机组故障穿越能力的机理进行深入分析。最后,对基于PSCAD/EMTDC软件环境下搭建的2 MW双馈风电机组模型进行仿真研究。仿真结果表明所提方案能有效抑制双馈感应电机故障期间的转子过电流,从而提高双馈风电机组的故障穿越能力。 相似文献
3.
4.
风电机组齿轮箱是容易发生故障的重要部件,维修费用高昂,因此有必要对其进行实时状态监测。针对集成K近邻(KNN)算法对随机采样不敏感的问题,提出了一种基于规则采样的改进集成KNN模型。首先利用距离相关系数进行变量选择,然后基于正则化互信息对变量进行排序,将其用于规则采样,构造子训练集,最后基于统计过程控制方法设置预警阈值对实时残差进行分析,根据健康度曲线对风电机组齿轮箱健康度进行监测,并利用某风电机组实际数据对所提方法进行验证。结果表明:所提方法显著提升了模型估计精度,该模型优于常规集成KNN模型,可以实现齿轮箱的早期故障预警。 相似文献
5.
6.
7.
针对风电机组故障频发且早期故障监测难的问题,为实现风电机组智能监测,提出基于卷积自编码(CAE)与双向长短期神经网络(BiLSTM)的风电机组齿轮箱故障预警方法。首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理,选择能表征风电机组齿轮箱运行状态的监测量作为输出量,根据相关性分析选择与输出量相关性高的监测量作为输入参数;然后根据特征选择特性和参数非线性特性构建深度学习网络模型,对输出的预测值和残差进行统计分析,设置自适应阈值来监测风电机组异常状态的趋势变化。将CAE-BiLSTM模型应用于某风电场的算例分析中,并与其他模型的预测效果进行对比。结果表明:该方法解决了模型输入与结构冗余问题,提高了模型精度,能够有效预警风电机组齿轮箱早期故障。 相似文献
8.
为了提高风电机组滚动轴承故障诊断的有效性和可靠性,提出一种W型自适应数学形态学特征提取方法,并与谱相关分析相结合形成风电机组滚动轴承故障诊断策略。该方法首先针对传统三角型结构元素在故障特征提取中易出现对脉冲信号的漏查,提出一种W型结构元素,旨在捕捉更多特征信息;之后依据各故障信号的实际波形得到结构元素的高和最优开闭运算加权因子,构建自适应形态学模型;最后对测试信号与训练信号进行频域内谱相关性分析,依据相关系数识别故障。将该方法通过数值例、西储大学实验台轴承数据和实际风场采集数据进行算法验证,并与传统的三角型结构元素进行比较,实验结果表明W型结构元素能更有效地提取信号中的脉冲成分、降低噪声干扰,故障诊断算法可准确识别出故障类别,提高结果的可靠性。 相似文献
9.
为了实现对风电机组齿轮箱的状态监测,文章提出了一种基于卷积神经网络的风电机组齿轮箱状态监测方法。首先,提取风电机组数据采集与监视控制(SCADA)数据和振动信号作为参数,组成齿轮箱状态矩阵。其次,建立了一种卷积神经网络模型,该模型针对输入数据设计了特定结构和池化层规则,提高了计算效率,能够从齿轮箱状态信息中提取特征并判断其状态。最后,利用实际运行的风电机组数据对卷积神经网络模型进行了训练和验证,最终取得了96.3%的识别精度。同时,将该模型应用于对同一风场其他机组的状态监测,结果验证了卷积神经网络模型对齿轮箱状态监测的有效性。 相似文献
10.
针对风电机组运行工况复杂,实际采集的振动信号存在分布差异,导致故障诊断模型的分类效果偏低问题,提出一种具有多核领域适应(MKDA)的多尺度卷积神经网络(MSCNN)风电机组轴承故障诊断研究方法(MKDA-MSCNN)。该方法通过迁移理论将已知风电机组知识迁移至目标风电机组实现故障诊断。首先,利用源域数据预训练MSCNN网络,再利用多核领域适应减小源域和目标域分布差异,最终获得目标风电机组故障诊断模型。试验结果表明,该文提出的MKDA-MSCNN方法在实际风电机组轴承故障诊断中分类精度高达96.17%,对比结果表明该文所提方法的故障分类准确度优于其他深度学习和深度迁移学习方法,对迁移学习理论在实际工程风电机组轴承故障诊断中的研究具有一定价值。 相似文献
11.
提出一种基于量子粒子群优化算法的自适应随机共振(quantum particle swarm optimization stochastic resonance,QPSO-SR)降噪和变分模态分解(variational mode decomposition,VMD)的风电机组轴承故障提取方法。首先根据原始故障振动信号特征采用量子粒子群优化算法自适应地进行随机共振参数优化;其次以信噪比最优的参数值对原始信号进行随机共振降噪处理,削弱噪声干扰和冲击成分对结果的影响并增强故障信号幅值;再用VMD法分解降噪处理后的信号,实现故障信号的提取。仿真分析和实验分析表明,该方法提高了VMD在噪声背景下的计算精度,实现风电机组滚动轴承故障的精确诊断。 相似文献
12.
为实现风电机组叶片损伤检测的高效化、智能化、便捷化,研究一种基于数字图像处理技术的风电机组叶片裂纹损伤识别以及裂纹类型判断和特征参数提取的方法。以无人机采集的风电机组叶片图像为研究对象,通过对比灰度化、滤波、阈值分割等图像处理步骤的多种算法,对形态学处理方法进行改进,首先选用平均值法对叶片图像进行灰度处理,其次使用中值滤波对图像进行去噪处理,再次使用Otsu阈值分割以实现裂纹区域的分割,然后基于改进的形态学方法提取出完善的叶片裂纹损伤区域,最后基于连通域原理完成裂纹区域的框取。基于上述算法设计风电机组叶片裂纹损伤识别系统以实现叶片裂纹图像检测的可视化处理、裂纹类型判断及裂纹特征参数提取等功能。结果表明,该系统对于风电机组叶片裂纹损伤检测具有可靠的识别精度,识别准确率为85%,实现了风电机组叶片裂纹损伤的自动识别与特征参数提取,提高了叶片裂纹损伤的检测效率。 相似文献
13.
14.
15.
16.
数据采集与监视控制系统(SCADA)储存了风电机组大量的警报信号,这些警报信号对故障类型具有一定的指示作用。为了及时有效地检测出风电机组故障,提出一种基于低频SCADA警报信号和D-S证据理论的风电机组故障诊断方法。首先从维修记录中提取故障类型构建辨识框架,然后选取故障当天触发的所有警报信号作为证据源,最后基于改进的D-S理论进行信息融合实现故障诊断。验证结果表明,该方法可以实现风电机组故障的有效诊断,为风电机组故障诊断提供了一种新的思路。 相似文献
17.
18.
《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
19.
双馈风电机组并网比例不断提高,加剧了电网遭遇外部故障导致规模化脱网问题。文章介绍了现有风机故障穿越控制方案的原理,考虑到频繁投切直流卸荷电路电阻易引起电压波形畸变、超级电容器控制方案成本过高等问题,提出了基于智能卸荷电路的双馈风电机组故障穿越控制方案。该方案将卸荷电阻通过DC/DC变换器与直流母线相连,在控制电路中引入有功功率-直流母线电压的下垂控制环节,实现故障期间电路电阻吸收功率的动态调节,同时设置高、低电压穿越两种模式,根据并网点电压变化情况自主启动。最后,在Matlab/Simulink中对智能卸荷电路控制策略进行验证。仿真结果表明,基于智能卸荷电路的风电机组故障穿越控制策略在直流母线电压抑制、电压恢复所需时间、转子电流畸变程度和方案经济成本等方面具有优势。 相似文献
20.
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