基于SCADA数据的风电机组变桨系统运行状态评估与预测研究

摘要

风能作为一种洁净、无污染的绿色能源，已成为可再生能源利用的主力军。然而，高达25％～30％的运行和维护成本严重制约着风电行业的发展。同时，随着中国近10年风电技术的迅速发展，大型风场的SCADA(Supervisory Control And Data Acquisition，数据采集与监视控制)系统积累了大量历史数据，且运行中的风电机组也每时每刻都在产生实时数据。这些数据蕴含着与风机运行和设备状态有关的丰富信息。如何利用这些闲置的SCADA数据进行风机运行状态的评估与预测，无疑具有重要的现实意义和学术价值。因此，本文针对这一问题展开如下研究:
　　1.基于SCADA数据的变桨系统状态特征参数提取方法研究。在深入研究变桨系统结构和故障机理的基础上，结合某风场级综合监测系统，采用ReliefF算法和互信息技术挖掘其SCADA数据中与变桨系统运行状态相关的特征参数。定性和定量仿真测试表明，ReliefF算法与采用互信息技术及不进行数据预处理方法（即将所有故障参数都作为模型输入）相比，训练速度更快，故障分类准确率更高。
　　2.基于ReliefF算法提取的变桨系统预处理数据，探讨支持向量回归预测(SVR)模型参数寻优及应用于变桨系统的状态评估及预测问题。首先采用交叉验证法和网格搜索法(CV)进行SVR模型参数的寻优。然后，将功率输出作为SVR模型的决策参数，建立SVR回归预测模型。针对随机干扰因素，采用滑动窗口残差估计方法分析预测模型的残差趋势，进而评估变桨系统运行状态。与神经网络的对比实验表明，本文所建SVR模型具有较好的状态评估与预测能力。
　　3.基于小世界邻域粒子群优化支持向量机(SWPSO-SVR)的变桨系统状态评估与预测模型研究。由于CV参数寻优方法存在计算量大，效率和精度低的缺点，在数据量大的情况下，所建SVR模型不利于实际应用。因此本文进一步探讨SVR参数寻优问题，提出SWPSO-SVR改进算法。对比CV-SVR算法可知，SWPSO-SVR算法具有精度高、收敛速度快、不易陷入局部极小值等优点。结合某风场SCADA数据测试分析，验证了改进模型用于变桨系统状态评估与预测的有效性和实用性。
　　4.变桨系统运行状态监测方法工程应用系统研究。应用Matlab软件中的GUI开发可与综合监控系统连接的交互式平台，以拓展综合监控系统变桨系统故障预测与报警的功能，为变桨系统的安全运行维护提供决策支持。
　　综上，风场SCADA数据蕴含着丰富的运行状态信息，通过分析其数据变化规律，可评估和预测变桨系统的健康运行状态。本文研究具有一定的经济性和实用性，可实现变桨系统在线早期故障预警的目的。

目录

声明

致谢

摘要

1．1．1 课题来源

1．1．2 课题研究意义

1．2 国内外研究现状

1．2．1 状态监测技术研究

1．2．2 故障诊断方法研究

1．3 研究现状分析与总结

1．4 本文主要工作

1．4．1 技术路线

1．4．2 研究内容

2．1 引言

2．2 风电机组基础理论

2．3 变桨系统工作原理

2．3．1 变桨系统基本结构

2．3．2 变桨系统工作原理

2．3．3 变桨系统典型故障分析

2．4 风电场级综合监控系统的设计与实现

2．4．1 风电场级综合监控系统

2．4．2 SCADA系统

2．5 基于SCADA数据的风电机组运行状态研究

2．5．1 机组运行状态分析

2．5．2 机组故障状态分析

2．5．3 机组风电功率的特性分析

2．6 本章小结

3 基于SCADA数据的变桨系统状态特征提取方法研究

3．1 引言

3．2 SCADA数据整合

3．2．1 SCADA数据来源

3．2．2 SCADA数据预处理

3．2．3 SCADA状态特征样本构造

3．3 互信息技术研究

3．3．2 互信息特征选择

3．4 ReliefF算法研究

3．4．1 基本算法

3．4．2 ReliefF特征选择

3．5 算法择优

3．5．1 特征评价标准

3．5．2 对比分析

3．6 本章小结

4 基于SVR的变桨系统运行状态评估与预测

4．1 引言

4．2 支持向量回归预测算法原理

4．2．1 SVM算法原理

4．2．2 SVR回归预测原理

4．2．3 SVR算法流程

4．3 基于SVR的变桨系统运行状态建模

4．3．1 模型输入量和输出量

4．3．2 数据归一化

4．3．3 核函数选择

4．3．4 参数寻优

4．3．5 训练与回归预测

4．3．6 与BP神经网络方法对比

4．4 模型验证

4．4．1 滑动窗口残差统计

4．4．2 异常状态数据测试

4．5 本章小结

5 基于SWPSO-SVR的变桨系统运行状态评估与预测

5．1 引言

5．2 基于小世界邻域的粒子群优化算法

5．2．1 粒子群优化算法

5．2．2 小世界邻域的粒子群算法原理

5．2．3 算法仿真研究

5．3 基于SWPSO-SVR的变桨系统运行状态建模

5．3．1 SWPSO-SVR建模流程

5．3．2 参数设置

5．3．3 预测模型

5．3．4 方法对比

5．4 模型有效验证

5．4．1 滑动窗口残差估计

5．4．2 异常运行数据测试

5．5 变桨系统运行状态监测方法工程应用系统设计

5．5．1 系统开发目的

5．5．2 平台开发语言选择

5．5．3 系统功能设计

5．5．4 操作员操作步骤

5．6 本章小结

6．1 论文总结

6．2 展望

参考文献

作者简历及攻读硕士／博士学位期间取得的研究成果

学位论文数据集