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。     

基于KECA-GRNN的风电机组齿轮箱状态监测与健康评估

为及时准确地评价风电机组齿轮箱的健康程度,提出一种基于KECA-GRNN的性能监测与评估方法。该方法分为状态监测、故障预测、健康评估3个阶段。在状态监测阶段,将KECA算法应用到风电机组的性能监测中,并采用SPE统计量监测齿轮箱状态。在故障预测阶段,将KECA算法提取的主元数据作为GRNN模型输入,建立KECA-GRNN预测模型,并采用预测残差的变化趋势定义报警限,实现故障的早期预警。在健康评估阶段,将多变量预测残差进行融合,增强评估的可靠性。最后,将该方法应用于某风场一台1.5 WM风电机组在故障前近2个月的部分SCADA数据中,结果表明可提前2周获知齿轮箱发生异常,实现了对风电机组齿轮箱健康状态的准确评估。     

多参数模型风电机组叶片结冰监测与预警研究

详细分析叶片结冰对风电机组运行性能和运行参数的影响,采用功率、叶轮转速和环境温度作为监测叶片结冰的变量.采用高斯过程回归分别建立功率模型和叶轮转速模型实现2个参数的实时监测.引入序贯概率比检验方法分析功率和叶轮转速模型的预测残差以发现2个参数在叶片结冰时的异常变化.当风电机组功率异常、叶轮转速异常且环境温度在0℃附近这...     

基于邻比模型分析的风电机组传感器监测研究

以风速计为例,提出基于邻比模型的风电机组传感器监测方法。风资源相似的多台风电机组(邻比机组)的运行工况和传感器测量值存在较强的相关相似性。采用多台风电机组风速计正常测量数据和非线性状态估计方法来建立多个风速计横向之间的邻比模型,该模型反映了邻比机组风速之间的相关相似关系。模型建立后,将风速计实时测量风速作为模型的输入。当某台机组的风速计出现测量异常时,其与其他邻比机组风速计之间原有的相关相似关系被破坏,邻比模型对该机组风速的预测残差将会显著增大,预示该风速计出现故障。该方法能够实现风电机组传感器状态的实时监测。通过某风电场实际运行数据,验证了该方法的有效性。     

基于EKF和UKF的风电机组非线性状态预测

风电机组的状态监测和故障诊断依赖于对其关键状态参数的参考值进行有效预测。文章采用基于系统模型的非线性状态评估方法对风电机组关键的状态参数进行预测。通过对风电机组进行建模仿真,构建扩展卡尔曼滤波和无迹卡尔曼滤波模型预测风电机组主轴转速和发电机电磁转矩,对比两种方法的预测结果在不同测量步长下的差异。结果显示,无迹卡尔曼滤波方法比扩展卡尔曼滤波方法具有更强的收敛性和稳定性,受测量步长影响更小。     

发电机故障时海上风电机组动态特性分析

以海上风电机组为研究对象,建立了风电机组模型,以湍流风和随机波浪作为输入条件,考虑重力载荷、空气动力载荷、惯性力载荷和波浪力载荷的影响,基于FAST软件仿真发电机故障时风电机组的运行过程,并研究了发电机故障时变桨速率对风电机组载荷的影响规律.结果表明:故障对风电机组叶片危害严重,发生故障时受惯性力增大的影响叶根处轴向力发生突变,叶根处受力最大;采用主动控制变桨-顺桨对叶片进行卸载,变桨速率对叶尖位移有重要影响.     

基于改进型HMM的风电机组齿轮箱故障预测

以风电机组齿轮箱轴承齿轮为研究对象,将隐马尔可夫模型(hidden Markov model,HMM)和优胜劣汰遗传算法相结合,对风电机组齿轮箱轴承齿轮的故障进行预测研究,并用实际监测的风电机组齿轮箱冲击数据进行故障预测验证。研究结果表明:该算法相对简单,结果不受模型初始值的影响,能收敛于全局最优,克服了HMM的Baum-Welch算法较复杂,结果受模型初始值的影响,易收敛于局部最优的缺点,为风电机组齿轮箱轴承齿轮故障预测的研究提供新的方法和思路。     

基于SCADA运行数据的风电机组发电性能劣化监测研究

风电机组的发电效率和发电性能对风电场的运行水平和经济效益有重要影响。文章采用风电机组SCADA运行数据对机组发电性能劣化进行监测。首先,采用偏最小二乘方法确定对风电机组发电功率有密切影响的多个变量;然后,采用高斯过程回归方法建立反映机组发电性能的功率曲线模型,有效提高建模精度;在监测阶段,引入指数加权移动平均值控制图(EWMA)分析功率曲线模型的功率预测残差,及时准确地发出风电机组发电性能劣化预警;最后,以某风电机组叶轮转速传感器故障导致的发电性能劣化实例,验证了该方法的有效性。     

基于温度参数的风电机组异常识别

文章针对风电机组运行过程中机组早期的异常状态识别问题,提出一种考虑有功功率的基于机组温度参数变化特性的风电机组异常识别模型。首先,分析风电机组各系统与温度相关的参数。然后,利用相关性理论,确定了与有功功率相关的温度参数:齿轮箱高速轴轴承前端温度、齿轮箱高速轴轴承后端温度、齿轮箱油温、发电机驱动端轴承温度、发电机非驱动端轴承温度、发电机定子绕组温度,形成了异常检测的参数体系。再次,以正常状态下机组温度参数的偏度和峰度的最大区间作为阈值,建立风电机组异常识别模型。最后,采用滑动窗口对机组运行状态进行在线监测。通过实例研究发现,当机组发生异常状态时,温度参数的偏度或者峰度超过了阈值,比警报提前了15 d。该识别模型为风电机组的早期故障预警提供了参考。     

基于深度学习的直驱风电机组故障辨识

对直驱风电机组进行故障预测预警能够大幅提高运维效率,利用深度学习进行SCADA数据建模为风电机组早期故障预警提供依据。采用随机森林方法筛选SCADA中与目标参量关联度较大的监测参量,用以构建深度神经网络数据驱动模型;以机组健康时的SCADA构建训练模型,统计分析其误差,确定故障预警阈值;分析在线测试数据集在健康模型中的误差变化规律,给出故障预警。文章提出的方法成功应用于1.5 MW直驱风电机组的早期故障辨识,对于风电场合理调配人员物资,优化运维策略具有重要意义。     

传动链模型对风机低电压穿越能力的影响

电网电压跌落故障时风电机组应能保持与电网连接并向系统不间断供电,根据风电机组在暂态过程中的表现提出低电压穿越(LVRT)要求。考虑传动轴扭转柔性因素,应用等效质量法,建立了变速恒频风电系统传动链的一质量块等效模型和二质量块等效模型。当发生电网电压跌落故障时,对采用不同传动链模型的风电系统进行仿真比较及理论分析。     

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。     

风电机组高斯过程回归塔架振动监测研究

根据风电机组的运行原理,对运行数据中记录的塔架振动特征进行分析,发现塔架振动与风电机组数据采集与监视(SCADA)系统记录的多个其他变量存在密切关系,针对风电机组运行数据强随机性和高噪声的特点,采用高斯过程回归方法建立了描述塔架振动与相关变量关系的振动模型,并对该模型进行了验证.结果表明:通过分析塔架模型残差可以实现叶轮桨距角不对称故障的监测和诊断,证明塔架振动监测的有效性.     

基于变距系统的风电机组并网运行特性的研究

依据风电机组的变桨距控制原理和风电机组的运行特性,建立了转速环和功率环控制的风电机组变桨距控制系统,结合双馈风电机组各部分数学模型,在PSCAD/EMTDC中搭建了风电机组的并网仿真模型。对不同风速段湍流风况条件下的风电机组并网运行特性进行仿真,实现了不同运行阶段下风电机组运行特性的优化控制,并在此基础上分别仿真了阵风干扰和电网故障扰动下风电机组的动态运行特性。仿真结果分析表明,双环变桨距控制系统可以较好地优化风电机组的功率输出特性,在电网发生故障时桨距角的快速动作也可以有效地抑制故障暂态响应的进一步恶化,有利于电网的迅速恢复。     

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...     

基于轴承温度模型的风电机组故障预测研究

采用风电机组状态监测技术可有效提高机组运行的安全可靠性。轴承是风电机组能量传递的重要部件,轴承的状态评估对机组安全运行具有重要意义。文章基于主成分分析方法,选取影响机组轴承温度的参数,提出了改进的线性回归径向基函数神经网络方法,建立了正常运行状态下轴承的温度预测模型;通过机组运行数据的分析比较,采用滑动窗口残差统计方法对机组运行状态进行实时监视评价发现,发电机出现异常时,轴承温度呈现上升趋势,残差值超过设定的置信区间,从而能实现对故障的有效预测。文章的研究结果可为风电机组的安全高效运行提供参考。     

基于SCADA数据分析和稀疏自编码神经网络的风电机组在线运行状态监测

通过融合稀疏自编码器和深度神经网络算法,提出一种基于SCADA数据的风电机组在线运行状态监测方法。首先,通过稀疏自编码器学习SCADA高维数据中复杂的内在特征,得到数据的降维表示;其次,基于降维后的数据利用深度神经网络预测风电机组的有功功率,通过对比分析预测功率与实际功率之间的残差判断风电机组的运行状态;最后,利用某风电机组近一年半的SCADA数据,对所提方法进行验证分析,结果表明,所提方法提早5天检测出风电机组发电机的异常情况,为有效避免故障恶化引发的突然停机、降低运维成本、提高风电能源的竞争力提供技术支持和保障。     

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SCADA数据的风电机组齿轮箱状态监测方法

为解决故障劣化渐变过程的长时间序列对齿轮箱状态监测模型的影响问题,提升其决策精度,提出一种基于数据采集与监控(SCADA)数据的组合建模方法。首先,采用主成分分析法(PCA)选取与齿轮箱温度密切相关的输入观测向量,并应用长短期记忆(LSTM)神经网络分别对齿轮箱正常工况和异常工况独立建立温度模型;其次,结合模型输出结果与SCADA数据提取残差分布特征向量,建立随机森林残差分布模型对机组齿轮箱运行状态进行监测;最后,对某大型风电场机组进行模型建立和仿真研究。结果表明,基于LSTM神经网络结合随机森林算法对风电机组齿轮箱状态监测有较强的实用性和较高的准确率,为后续开展齿轮箱健康度评价提供了新的方法和思路。