基于深度学习方法的风电机组驱动链故障预测研究

摘要

随着环境污染与能源危机的日益凸显，风能作为一种清洁、可再生的绿色能源，近年来得到了快速发展。风电在装机容量快速增长的同时，由于风电机组在复杂多变的环境下运行极易发生故障，风电机组故障问题也变得备受关注，成为了亟待解决的问题。尤其作为风电机组的关键部件，主轴承、齿轮箱和发电机的故障是造成风电机组长时间停机的主要故障原因。因此研究齿轮箱、主轴承和发电机的故障特征，实现故障预测对提高风电机组驱动链的可靠性和可利用率，降低损失具有重要意义，并且可以为风电场数据中心的风电机组健康管理提供新的思路。 为了实现风电机组驱动链部件的故障预测分析，本文提出了一种基于风电机组部件运行数据(supervisory control and data acquisition，SCADA)的深度自编码网络(Deep Auto-Encoders，DAE)的深度学习方法。该方法首先将多个受限玻尔兹曼机连接构成深度自编码网络，选取正常状态下风电机组部件SCADA状态数据训练网络，使其分别逐层智能提取主轴承、齿轮箱和发电机SCADA参数间的内含的关系，构建部件的深度自编码学习模型。依据 DAE 网络输入与输出的关系和故障状态下各部件动态参数发生不稳定变化这一特征，利用风电机组部件深度学习网络的输入与其重构值计算重构误差(Re)，并将其定义为反映驱动链部件整体状态的监测指标。 结合主轴承、齿轮箱和发电机的SCADA 参数分别建立了 DAE 网络模型。通过对Re变化特点的不断深入分析，分别设定了不同的阈值对其变化趋势进行检测，最终发现重构误差具有非平稳性和极值的特点。因此，采用极值理论设定自适应阈值监测重构误差的趋势变化，最终作为状态异常预警的判定准则，从而减少了误报警和Re极值的影响。通过对实际风电场中风电机组主轴承、齿轮箱和发电机故障前后记录数据进行验证分析，结果验证了该方法能够提前发现故障特征，达到了利用深度自编码网络方法对风电机组驱动链部件故障预测的目的。在风电机组部件出现异常告警之后，根据各变量的实际值与深度学习网络的重构值的残差趋势和物理规律分析出可能的故障原因，分析结果与实际故障信息对比相一致。

目录

第一个书签之前

摘要

Abstract

第1章 绪论

1.1 课题研究背景和意义

1.2 风电机组故障诊断技术国内外研究现状

1.2.1 风电机组驱动链部件典型故障

1.2.2 风电机组驱动链部件的研究现状

1.3 本文主要工作

第2章 深度学习网络

2.1 深度自编码网络

2.1.1 预训练

2.1.2 参数调优

2.2 风电机组驱动链深度学习网络的改善

2.2.1 基于数据学习批次的模型改善

2.2.2 基于数据的在线学习的模型改善

2.2.3 基于数据量与异常数据剔除的模型改善

2.2.4 基于参数调优迭代周期的模型改善

2.3 本章小结

第3章 风电机组驱动链故障预测方法

3.1 引言

3.2 风电机组驱动链部件的异常检测指标

3.3 风电机组驱动链部件故障识别方法

3.4 风电机组驱动链的故障预测分析过程

3.5 本章小结

第4章 基于深度学习的风电机组驱动链故障预测分析

4.1 风电机组驱动链部件的数据选择与描述

4.2 基于深度学习网络的主轴承故障预测分析

4.2.1 基于指数加权移动平均值的阈值设定

4.2.2 正常状态下的主轴承DAE模型测试

4.2.3 故障状态下的主轴承DAE模型测试

4.3 基于深度学习的风电机组齿轮箱故障预测分析

4.3.1 自适应阈值设定

4.3.2 正常状态下的齿轮箱DAE模型测试

4.3.3 故障状态下的齿轮箱DAE模型测试

4.3.4 基于极值理论的自适应阈值设定

4.3.5 基于极值理论阈值的风电机组齿轮箱故障预测分析

4.4 基于深度学习的风电机组发电机故障预测分析

4.5 本章小结

第5章 结论与展望

5.1 结论

5.2 展望

参考文献

攻读硕士学位期间发表的论文

攻读硕士学位期间参加的科研工作

致谢