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。     

永磁同步风电机组发电机定子温度建模方法

针对山地风电场大型永磁同步风电机组发电机定子温度的变化特点及传热过程进行分析,提出一种基于风电机组SCADA数据的发电机定子温度建模方法。首先,分析风电机组在实际运行过程中定子温度的变化情况;然后,根据永磁同步发电机内部的传热过程,对发电机定子温度建模;最后,采用风电机组正常运行时的SCADA数据求解模型参数。实例分析表明,风电机组状态正常时,定子温度估计的平均误差绝对值为0.59 ℃,模型精度较高;风电机组状态异常时,模型温度估计的平均误差绝对值为5.17 ℃,精度显著降低。     

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。     

XGBoost算法在风电机组发电机故障监测预警中的应用研究

发电机作为整个风电机组的核心部件之一,其能否正常运行将严重影响风电机组的持续发电.利用集成机器学习算法中的梯度提升算法XGBoost对风电机组发电机故障监测预警进行研究.首先,提取数据采集与监控(SCADA)系统数据库中风电机组在并网状态下的正常运行大数据,对缺失、异常数据进行预处理后,结合运维专家经验利用XGBoos...     

多信号融合的风电齿轮箱异常状态检测

基于大数据技术能够有效提升风电机组的可靠性状态预测和故障诊断.针对目前的研究对某种单一信号,如电信号等在故障检测中的作用以及信号融合对检测准确性影响还不深入的问题,该文基于BP神经网络,将电信号与振动信号、温度信号融合作为输入层参数,开展基于多信号融合的风电齿轮箱状态预测和故障定位,结合某风场2 MW风力发电机的实际数...     

基于工况辨识的风电机组齿轮箱状态监测

针对大型风电机组复杂多变的运行工况,采用单一固定阈值来评价风电机组运行状态误报警率高的问题,采用标准模糊C均值聚类进行运行工况识别;在各个子工况空间下,利用非线性状态估计方法建立齿轮箱正常工作状态下温度模型进行轴承温度估计;采用滑动窗口残差统计方法对残差进行分析,建立残差均值报警阈值。最后以某风电机组SCADA(数据采集与监视控制系统)数据进行应用研究。结果表明:基于工况辨识的模型可以准确估计齿轮箱温度并能够降低误报警率,可以实时在线监测齿轮箱运行状态。     

一种基于非线性偏最小二乘的风电机组齿轮箱状态监测方法北大核心CSCD

风电机组状态监测是提升机组运行水平和经济效益的重要手段。文章提出了一种基于非线性偏最小二乘(PLS)的风电机组齿轮箱状态监测方法,利用数据采集与监控系统(SCADA)数据对齿轮箱油温进行建模和监测。首先,基于无监督聚类对SCADA数据进行预处理,利用相关性分析选取与齿轮箱油温相关的输入变量;然后,构建用于表征非线性关系的输入变量,建立正常运行工况下齿轮箱油温的非线性PLS模型;最后,根据模型输出结果与齿轮箱油温的残差分布,设置合理阈值,用于齿轮箱状态监测。应用该模型对某大型风电机组齿轮箱进行状态监测。监测结果表明,相比于BP神经网络模型,该模型具有更高的拟合优度和预测精度。