基于统计过程控制的风机齿轮箱故障预测

为了减少风力发电机组齿轮箱故障,确保风电机组持续安全运行,对风电机组运行监控数据在线分析,提出一种结合最小二乘支持向量机（LSSVM）的风机齿轮箱统计过程控制故障预测方法。该方法以支持向量机学习风电机组的正常状态运行模式,利用风电机组实时运行数据来估计正常状态下该时刻齿轮箱油温度和齿轮箱轴承温度,并与实际温度测量值进行比较。随后利用统计过程控制技术分析齿轮箱油温和轴承温度的实际值与估计值的残差,以实现齿轮箱异常状态的预测。     

风电机组齿轮箱温度趋势状态监测及分析方法

风电机组状态监测对于风电场特别是海上风电场降低维护成本,提高运行水平具有重要的实用价值。采用温度趋势分析的方法对风电机组齿轮箱的运行状态进行监测。利用非线性状态估计（nonlinear state estimate technology,NSET）方法建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过合理构造过程记忆矩阵,使模型覆盖齿轮箱的正常工作空间。当齿轮箱工作异常时,其动态特性偏离正常工作空间,NSET温度模型预测残差的分布特性发生改变。采用滑动窗口方法实时计算残差的统计分布特性,当残差的均值或标准差的置信区间超出预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。为模拟齿轮箱的故障情况,在机组数据采集与监视控制系统（supervisory control anddata acquisition,SCADA）数据中加入人为温度偏移。通过对该模拟故障的分析,新的状态监测方法能够及时发现齿轮箱的异常状态,达到实时在线状态监测的目的。     

基于PSO-SVR和SPC的风电机组齿轮箱故障预警研究

齿轮箱是风电机组的主要部件之一,主要功能是将风轮在风力作用下所产生的动力传递给发电机并使其得到相应的转速。由于风电机组的运行条件恶劣,复杂的工况要求齿轮箱具有极高的可靠性,齿轮箱故障率较高。为了减少风电齿轮箱严重故障的发生,利用基于粒子群(PSO)的支持向量回归方法(SVR)对风电机组齿轮箱进行预测建模,然后利用统计过程控制技术(SPC)对残差进行分析,根据中心极限定理设置残差预警阈值,当残差超出预警限之外时系统立即报警。实验证明,该方法对风电齿轮箱模型预测效果良好,可有效实现齿轮箱异常状态的预警。     

基于XGBoost建模和Change-Point残差处理的风电机组齿轮箱温度预警

风电机组具有单机容量小,台数多,状态信息复杂的特点;基于SCADA数据的风电机组齿轮箱预警普遍存在预测精度和计算效率低,资源占用高的问题,选取有效方法以克服上述问题成为齿轮箱预警的关键。极限梯度提升(eXtreme Gradient Boosting,XGBoost)算法本身结合多线程、数据压缩、分片的形式,其在处理大数据量样本时仍具有较高的通用性。采用XGBoost算法建立齿轮箱正常工作状态的温度模型,使用XGBoost模型与其它4类回归预测模型分别进行齿轮箱温度预测模型实验,结果表明XGBoost模型在齿轮箱温度预测中综合性能要优于其它4类模型。当齿轮箱发生故障时,模型的样本特性会发生异常变化,导致模型的预测残差发生明显改变。为提高齿轮箱故障预警的可靠性,构建了新的Change-Point算法,利用Change-Point技术进行XGBoost模型预测残差序列分析,可定位齿轮箱状态劣化时间点,回溯状态劣化原因。     

基于输出功率特性的风电机组状态监测

基于SCADA系统中风速、变桨角度、风向角与机舱角偏差、发电机输出有功功率等运行数据,采用改进BP神经网络建立风电机组输出有功功率模型,根据发电机输出功率特性对风电机组进行状态监测。风电机组正常运行时,改进BP神经网络模型的预测输出功率与正常的功率输出之间的残差较小;当模型的预测输出功率与正常的功率输出之间的残差超出残差阈值时,则认为风电机组出现了故障。本文对某风电场真实桨叶断裂故障进行了仿真验证。     

基于高斯过程回归和双滑动窗口残差处理的风电机组主轴状态监测

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主轴正常时段的温度模型,并应用自动关联分析方法选择主轴温度模型的建模变量。为降低建模复杂程度,采用模糊核聚类方法对风电机组原始运行数据进行筛选,消除冗余信息,构造紧凑有效的建模样本集。当主轴发生故障时,模型的输入观测向量发生异常变化,导致模型预测残差发生明显改变。为提高主轴异常预警的灵敏度和可靠性,采用基于莱依特准则的双滑动窗口对预测残差序列进行实时的统计分析,如果残差均值或标准差超出设定的故障报警阈值,则发出报警信息。某风电机组主轴的实际运行数据验证了所提方法的有效性。     

基于GRU和注意力机制的海上风机齿轮箱状态监测

海上风电机组齿轮箱运行状态的有效监测和及时预警对海上风机运维工作具有重要意义。为此,提出一种基于门控循环单元(Gated Recurrent Unit, GRU)和注意力机制的海上风电机组齿轮箱状态监测方法。在训练阶段,通过注意力机制自动提取海上风电SCADA数据集输入参量与目标建模参量间的关联关系,同时采用GRU网络提取数据间的时序依赖关系,进而建立风电机组齿轮箱的正常行为模型。在测试阶段,采用指数加权移动平均值(Exponentially Weighted Moving-Average,EWMA)控制图对目标建模参量实际值和模型预测值间的输出残差进行监控,实现海上风机齿轮箱运行状态的实时监测和预警。最后基于东海大桥海上风电场真实数据对所提方法的有效性和优越性进行了验证。结果表明：所提方法对故障和正常运行条件下的海上风电机组齿轮箱状态均可进行有效监测,且相比现有陆上风机状态监测方法具有更高的精度和可解释性,并能更早地揭示故障趋势。     

基于区间划分的风电齿轮箱在线故障预警方法

针对大型风电机组运行工况复杂多变,依靠恒定的润滑油温度值作为齿轮箱故障预警值容易不报的问题,提出了基于运行区间划分的风电机组齿轮箱在线故障预警方法。该方法通过划分不同的运行区间,对不同运行区间根据高斯模型分别设定阈值。将实时数据代入相应运行区间判定是否异常,再利用移动窗口计算异常率作为触发齿轮箱故障预警的指标。该方法用于某1.5 MW风电机组齿轮箱故障的分析,结果表明,该方法能够准确地反映故障的发展趋势,可实现齿轮箱故障的早期预警,避免故障向更严重的方向发展,降低风电机组运行和维修成本。     

基于BP神经网络的风电机组发电机状态监测研究

采用温度趋势分析的方法监测风电机组发电机的运行状态;使用BP神经网络,建立发电机正常工作状态下的温度模型并用其进行温度预测;合理选择训练样本,使BP模型覆盖发电机的正常工作空间;当发电机工作异常时,其动态特性偏离正常工作空间,导致BP网络温度模型预测残差的分布特性发生变化;当残差超过预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。     

基于运行数据和高斯过程回归的风电机组发电性能分析与监测

采用SCADA运行数据,结合风电机组的运行原理,详细分析了对发电性能有密切影响的因素,包括环境因素及机组各个子部件如变桨系统、偏航系统、控制系统的运行状态。采用适合风电机组运行数据强随机性和高噪声特点的高斯过程回归方法建立了发电性能模型。该模型表征了机组发电性能正常时风能利用系数与其影响因素之间的复杂关系,将实时运行数据作为发电性能模型输入,通过分析模型预测残差能够实时监测风电机组发电性能的异常变化。通过风电场实际运行数据仿真,验证了所提方法的可行性。     

考虑台风影响的海上风电机组部件剩余寿命预测方法

针对台风天气影响下海上风电机组剩余寿命预测问题,提出了考虑退化状态与台风冲击相依的海上风电机组部件剩余寿命预测方法。基于台风冲击模型及部件状态对部件退化过程的影响分析,构建了考虑退化状态与冲击相依的海上风电机组部件剩余寿命可靠度模型。利用实际监测数据对部件可靠度模型进行修正更新,建立了剩余寿命动态预测模型。采用fmincon函数对离散化处理后的部件可靠度模型进行参数估计,结合运行监测数据修正参数,进而动态预测剩余寿命。以某海上风电机组齿轮箱部件为例进行仿真,验证了所提方法的有效性。     

风机齿轮箱轴承状态评估与剩余寿命预测

为了提高风机运行的可靠性和经济性,提出一种基于马尔科夫链的风机齿轮箱轴承状态评估和剩余寿命预测方法。首先,建立风机齿轮箱轴承磨损状态的Gamma分布模型,并利用最大似然法对模型参数进行估计;其次,划分风机齿轮箱轴承磨损状态等级,并确定各状态等级区间限值;再次,计算齿轮箱轴承磨损状态转移概率,并构造马尔科夫过程的状态转移矩阵;最后,应用该方法对风机齿轮箱轴承进行算例仿真。算例仿真结果验证了该方法在确定风机齿轮箱轴承磨损状态和剩余寿命方面的有效性。     

风力发电机组状态监测与智能故障诊断系统的设计与实现

风力发电机组状态监测和故障诊断技术,可以有效降低机组的运行维护成本,保证机组的安全稳定运行。阐述了风力发电机组的基本构成。在介绍风电机组常见故障的基础上,分析了机组中的主要部件齿轮箱和发电机的故障。针对齿轮箱和发电机的故障提出了一种智能诊断的新方法,并以此设计开发了风力发电机组状态监测与智能故障诊断系统,详细介绍了该系统的原理、结构及功能。     

基于增量式相对熵的风电机组实时状态监测

针对风电机组的实时状态监测问题,提出了一种基于增量式相对熵的残差分析方法。 首先,通过分析滑动窗口数据特 点,推导了适用于实时运算的增量式相对熵的计算公式,其时间复杂度为 O(1),要低于常规计算方法的 O( n)。 接下来,提出 了一种基于数据驱动和正常行为建模的风电机组实时状态监测方法,并将增量式相对熵作为实时残差分析的指标。 最后,用某 2 MW 风电机组的实际齿轮箱故障数据为算例,验证了该方法的有效性。 结果表明,相对熵残差分析能够至少提前 8 ~ 10 d 实 现故障预警,优于常规的统计量;增量式相对熵的计算时间仅相当于常规方法的 0. 4% ~ 1. 9%,在实时性上有显著优势。     

基于RF特征优选和WOA-ELM的风电齿轮箱故障诊断

针对风电机组齿轮箱故障特征提取不足，故障诊断率低问题，提出了一种基于RF特征优选，结合WOA-ELM特征识别的风电齿轮箱故障诊断方法。首先，提取风电齿轮箱时域、频域、时频域特征，构建多域高维特征集；其次，利用RF进行特征重要度排序并提取10维优选特征；最后，利用WOA优化调整ELM模型的输入权值和隐含层阈值，实现风电齿轮箱故障分类识别。将本文方法应用于风电齿轮箱故障诊断，实验结果表明，本文方法平均诊断率能达到99.81%，诊断准确率均高于对比方法且诊断用时最少，能够有效地进行风电齿轮箱故障诊断。     

基于运行数据的风电机组间风速相关性统计分析

统计分析风电机组间的风速相关性对风电场的等值建模、风速/风功率预测及机组集群控制优化均具有指导意义。鉴于风电机组间的风速相关性研究工作开展较少,首先构建基于风电机组输出功率为索引的风电机组实际运行数据清洗方法与流程,然后基于Copula函数理论建立风电机组间风速相关性计算方法,最后基于张北地区某风电场风电机组运行数据进行案例应用分析。案例分析结果表明,提出的数据清洗整定方法可有效消除异常数据,提高风速相关性分析基础数据的质量;不同的时间尺度、风速、风向下的相同风电机组间的风速相关系数差异较大,案例中相同两台风电机组不同条件下风速运行数据相关性最大可达0.96,最小则降为0.55,风电机组间的风速相关系数表现出的时变性和差异性对基于风速相关性的风电场等值建模、风速/风功率预测精度影响较大。     

风速波动情况下并网风电场内风电机组分组方法

以风电机组的分组方法为研究对象,采用风电机组间尾流模型并考虑风向变化对尾流效应的影响,研究了风电机组输入风速的计算方法,提出了风电机组的分组方法。考虑风速、风向随机波动的特点,提出利用三维相关系数矩阵对大型风电场风电机组分组的方法。通过研究表明:在根据风电机组的输入风速是否相同对风电机组分组时,风电场的输入风向是决定风电机组分组的主导因素;利用三维相关系数矩阵可方便查询风速和风向变化时风电机组分组情况,为建立风电场的随机模型,研究风电场的特性打下基础。     

风电机组无线监控系统的构建方法

从节点部署和路由协议2个方面对风电机组无线监控系统进行构建。考虑到风电机组典型故障的分布具有一定的空间性,提出了一种空间正四面体节点部署方案,以最大限度地减少所需部署的传感器节点数目。所提节点部署方案将正四面体理论运用到监控系统的节点部署中,着重对机舱的齿轮箱、发电机与传动轴进行监控部署;在此基础上,通过对经典LEACH路由协议的簇头选取方式进行改进,提出了适用于风电机组监控系统的路由算法。该算法综合考虑了节点剩余能量和节点之间的几何距离,最大限度地提高了监控系统的信息传输能力并均衡利用节点能量、延长监控系统的使用寿命。仿真结果表明,所提空间节点部署方案拓展了监控系统的监控能力,所提改进路由算法使监控系统的最佳工作时间延长了31.35%。