风电机组状态参数异常辨识及运行状态评估方法研究

摘要

为了改善生态环境，缓解常规能源供应不足的问题，需要大力发展新能源，在各种新能源中，风能以清洁、环保、无污染、取之不尽、用之不竭的特点引起了各国的高度关注，风能也是目前最具技术可开发性的新能源，风电产业发展比较迅速，但是风电设备高昂的运行维护费用也制约着风电产业的发展，传统的维护方式是被动维修，在风电设备发生故障以后再进行维修，这种维护方式不可避免经济损失，目前风电设备维护方式的发展方向是预知性维修，预知性维修策略是在故障发生以前，提前发现设备的异常和劣化趋势，进行有针对性的维修，避免故障发生，从而避免经济损失，提高经济性和安全性。进行风电机组状态参数异常辨识及运行状态评估是预知性维修的前提条件，因此，本文围绕风电机组状态参数异常辨识及运行状态评估方法展开了研究。 （1）风电机组是一个复杂的非线性系统，各部件存在较强的耦合性，故障发生时不能准确定位故障发生位置，各部件工作状况指标关联关系复杂，因此，本文首先对风电机工作状况指标的相关性进行了研究，对相关性度量方式做了比较分析，并且结合Pearson、Kendall和Spearman相关系数的特点，提出了总体相关性指标，利用总体相关性指标对状态参数指标间的相关性进行度量。 （2）对风电机组状态参数异常辨识进行了研究。随着传感器技术的快速进步，对风电机组的状态监测将会更加全面，所用传感器的种类和数量将会更多，风电机组的状态参数将会更多，所以首先根据状态指标对目标参数指标的影响程度建立了参数指标选择子模型，在保证精度的基础上简化输入参数的个数。对最小二乘支持向量机（Least squares support vector machines，简称LS-SVM）算法、反向传播神经网络（Back-propagation neural network，简称BPNN）算法以及径向基函数神经网络（Radial basis function neural network，简称RBFNN）算法进行了研究，然后建立了基于三种算法的组合预测模型，结合预测残差的信息熵建立了参数异常判别子模型。两个子模型组成了工作状况指标异常辨识模型，最后对模型做了实例分析，验证了模型的准确性和有效性。 （3）对云模型进行了研究，基于云模型提出风电机组整体运行状态评估方法。首先建立机组运行状态的评价等级，确定用于评估机组的参数指标，并利用主客观赋权法确定权重，然后建立隶属度云模型，最后进行模糊综合评估。对某风电场的一台机组用提出的工作状况评价模型进行了评估，并且与其它两种评价方法做了对比分析，验证了所提模型的准确性和有效性。

目录

第1章 绪 论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.3 本课题主要研究内容

1.4 论文的整体结构

第2章 风电机组及其SCADA系统

2.1 风电机组概述

2.2 风电机组SCADA系统

2.3 本章小结

第3章 风电机组工作状况指标相关性研究

3.1 建立参数总体相关性指标

3.2 工作状况参数指标与风速和环境温度的相关性

3.3 同一部件工作状况参数指标间的相关性

3.4 不同部件的工作状况参数指标间相关性

3.5 本章小结

第4章 风电机组工作状况指标参数异常辨识模型

4.1 风电机组工作状况指标参数异常辨识模型的结构

4.2 风电机组工作状况参数指标选择子模型

4.3 工作状况指标异常判别子模型

4.4 验证与分析

4.5 本章小结

第5章 风电机组工作状况评价模型

5.1 风电机组工作状况评价指标体系的建立

5.2 风电机组工作状况评价指标权重的计算

5.3 风电机组工作状况等级划分

5.4 基于云模型的风电机组工作状况评估

5.5 实例分析

5.6 本章小结

结论

参考文献

攻读硕士学位期间发表的论文及其它成果

声明

致谢