风电机组状态监测与故障预测方法研究

摘要

随着科学技术的发展，发电行业发生了巨大变化，发电模式也随之发生改变，已经由传统的火电向核电、风电、水电及太阳能发电延伸。风电的发展势头是喜人的，但是随之而来的是风机的稳定运行和设备状态监测检修的问题。因为风电场大多建在环境恶劣的边远地带，温差大、风速不稳定等很多因素会导致机组的故障率特别高，尤其是当故障发生在齿轮箱、发电机等一些大部件上时，由于处理难度大、时间长，所以会损失很多的电量。另外，由于风电的特殊性，不能像火电或水电等能够便利的进行设备巡检，因此如何通过其他方式实现风机设备状态的实时动态监测和故障预警就显得尤为重要。
　　本文首先对某风电公司所建设的风电场进行全面的调研工作，统计风机故障数据，分析风机故障发生情况；对从风电场的SCADA(Supervisory Control and Data Acquisition)系统中采集到的风机数据进行分析和数据处理，然后分别采用多变量状态估计(Multivariate State Estimation Technique,MSET)方法和神经网络方法进行建模和故障预警研究。
　　MSET方法是利用设备正常工作状态时的数据构成过程记忆矩阵，然后通过建模得到齿轮箱轴承温度的估计值，计算出估计值与实际值之间的残差，选择合适的滑动窗口，就会得到滑动窗口残差均值曲线，通过实时监测均值曲线的变化趋势，就可以判断齿轮箱轴承温度的变化是否异常。如果残差均值曲线超过阈值，系统就会预警。
　　小波BP神经网络的时间序列方法是对齿轮箱轴承温度进行监测和估计，当齿轮箱工作正常时，小波BP神经网络模型能够很好的覆盖设备正常运行的所有状态，此时模型的估计精度很高。当齿轮箱工作异常时，它的动态特性就会发生改变，与它相关的输入层的几个变量之间的关系发生异常，偏离正常工作状态空间，此时的齿轮箱轴承温度的预测残差增大并且残差分布和正常工作状态时会有显著的区别，从而达到预警目的。
　　通过对MSET方法和小波BP神经网络方法的验证和分析，发现MSET方法训练过程简单，物理意义较明确，预警精度也很高。而神经网络方法训练耗时比较长，不适合在线预测，而且容易陷入局部极小，预测精度大大降低。另外，SCADA系统的报警模式大多采用越限报警，这种报警模式的报警阀值通常设置较宽泛，只有在故障恶化到一定程度时才能进行故障预警，这就造成了无法及时、准确地定位故障隐患并追踪其发展趋势。而基于MSET模型和小波BP神经网络的方法，能实时跟踪风电机组的运行状态，及时发现机组的潜在故障，做到故障早期的预警。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题背景和研究意义

1.2 风电的发展现状

1.3 本文研究工作

第2章 风电机组故障情况统计及分析

2.1 风电场的SCADA系统

2.2 风电机组介绍

2.3 本章小结

第3章 基于MSET的状态监测方法

3.1 MSET建模原理

3.2滑动窗口残差统计方法

3.3相关性分析

3.4齿轮箱轴承温度建模

3.5 本章小结

第4章基于小波BP神经网络的状态监测方法

4.1 神经网络介绍

4.2 BP神经网络介绍

4.3 小波BP神经网络介绍

4.4齿轮箱温度模型预测残差统计分析

4.5齿轮箱温度估计

4.6本章小结

第5章 结论和展望

5.1 主要工作及结论

5.2 展望

参考文献

在学期间发表的学术论文和参加科研情况

致谢