基于无迹卡尔曼方法的风电机组齿轮箱故障诊断

在对风电机组的运行特性和齿轮箱温升机理的研究基础上,提出一种基于无迹卡尔曼方法(UKF)的风电机组故障诊断策略。该模型实现了对齿轮箱温升的有效预测,并在风电机组故障的情况下实现有效检测。对不同故障类型的诊断测试结果可显示机组局部故障对风电机组各关键参量的动态影响,同时表明UKF方法对不同故障条件下输入参数的变化有特殊响应。因而根据风电机组不同的故障模式,通过有针对性的算法输入参量设计可实现风电机组多种故障的有效诊断,为分析SCADA数据隐含的故障信息提供了一种有效手段。     

改进的双馈风电机组故障穿越控制策略研究

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。     

双馈风电机组并网运行改进控制策略研究

针对国内广泛采用基于定子磁链定矢量的控制方案,提出了双馈感应发电机并网运行的改进策略,以实现规定扰动下双馈风电机组的不间断运行稳定运行能力的提高,构建了DFIG机组的数学模型,分析了并网能量转换过程及扰动下的转矩不平衡与转子过电流的改进控制方案.仿真计算结果验证了该控制方案提高并网风电机组稳定性策略的有效性.     

基于改进集成KNN回归算法的风电机组齿轮箱状态监测

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。     

考虑不完全维修的风电机组齿轮箱维修策略优化

齿轮箱是风电机组的重要部件,在实际运维中,由于齿轮箱故障维修费用高昂,导致风力发电的整体收益偏低。由此,本文提出了一种针对齿轮箱循环利用的维修策略,引入不完全维修因子,建立动态的不完全预防性维修模型,以单位时间内的运行收益率最大为优化目标,确定风电机组关键部件从全新到抛弃阶段最佳的维修次数和预防性维修间隔。通过对一个算例进行仿真,结果表明,该策略可提高风电机组的单位运行收益,从而验证了该策略的有效性。     

风电机组叶片故障仿真与状态判别研究

该文利用Bladed软件模拟叶片覆冰和破损故障,通过对比和分析风电机组叶片故障与正常时的运行数据,发现叶片故障状态时的机组运行参数变化特征;然后利用叶片振动信号,基于叶片工作模态分析理论识别出叶片模态参数,根据模态参数的变化揭示了两种故障对叶片振动影响的区别;最后将所识别的叶片模态参数与风电机组的运行参数组成多源数据,采用LightGBM框架下的分类决策树算法实现了对叶片故障状态的有效判断和识别。     

基于CAE与BiLSTM结合的风电机组齿轮箱故障预警方法研究

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。     

一种W型结构元素的自适应数学形态学及其在风电机组轴承故障诊断中应用

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。     

基于卷积神经网络的风电机组齿轮箱状态监测方法

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。     

基于迁移学习的风电机组轴承故障诊断研究

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。     

基于VMD和QPSO-SR的风电机组轴承故障提取方法

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。     

基于数字图像处理的风电机组叶片裂纹损伤识别方法研究

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。     

基于风电场机组大部件运行状态的年度检修策略

风电场机组年度检修是保证所有风电机组正常运行的重要手段,合理的检修方案可以降低风电场运行维护成本。为确定风电场的最优年度检修方案,文章提出了一种基于大部件运行状态的风电场年度检修策略。首先,综合考虑大部件的工作役龄、维修历史及当前运行状态,以威布尔比例强度模型计算部件的故障概率;然后,定义检修改善因子,描述年度检修对部件故障概率的降低程度,建立考虑故障停机时间、故障维修费用及检修成本的年度检修策略优化模型;最后,通过算例分析验证该策略的正确性及有效性。     

基于机器学习算法与SCADA系统的风电机组变桨系统变频器的故障预警方法研究

变桨系统是风电机组的关键设备,但由于风电机组长期处于复杂的工作环境,导致变桨系统故障成为风电机组故障中最常见的故障之一,而变桨系统变频器故障在变桨系统故障中的占比很高.基于此,提出了一种变桨系统变频器的故障预警方案,分析SCADA系统数据,将机器学习算法应用于故障预警,并将模型温度残差作为故障预警的指标;然后,针对随机...     

基于风电机群健康状态优化的风电场功率调度控制

目前风电场运行调度策略中对机组设备状态关注不足,易发生由于设备故障造成的发电量损失。为此提出一种基于风电机群健康状态优化的风电场负荷分配控制策略。首先设计风电机组运行状态多层次评估模型及分析方法,然后以提高风电机群健康状态为优化目标,综合风电场常规控制要求建立多目标优化模型。通过算例验证该文策略在良好实现风电场功率控制的基础上,优选运行状况良好的机组承担发电任务,这对保证风电场限电运行下可靠出力具有良好作用。     

基于警报信号和D-S证据理论的风电机组故障诊断

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。     

考虑风电不确定性和机组故障停运风险的两阶段鲁棒机组组合

发电机故障停运是电力系统运行中的不确定事件.目前在含风电鲁棒机组组合中考虑机组故障停运的方法,不同程度地忽略了机组故障停运的概率特征,难以较好描述机组故障停运风险.在含风电鲁棒机组组合模型的基础上,引入电量不足期望以量化机组故障停运风险,基于成本收益分析建立了考虑风电不确定性和机组故障停运风险的两阶段鲁棒机组组合模型,...     

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%。     

基于智能卸荷电路的双馈风电机组故障穿越控制

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。     

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。