论文部分内容阅读
在追求环境保护的大环境下,利用风能进行发电一种很好的可再生能源发电方式,其具有成熟的技术和较好的商业化的特点,因此受到了全世界的关注。近年来,国家大力发展风电市场,我国风电产业规模延续爆发式增长态势,大型/超大型风力发电机组占比逐年提高。随着风力发电机组的占比逐年提高,如何制定风力发电机组的运维决策计划是确保风力发电机可靠运行的关键。因此需要对风力发电机系统进行状态监测与健康状态进行研究。本文利用FAST系统仿真得出的风力发电机的运行数据及其故障数据,进行基于FAST系统数据的风力发电机系统的状态监测与健康的研究。其研究内容主要包括:1)本文首先对风力发电机的基本原理进行了简述,并介绍了双馈风力发电机的特点及其工作原理,并对风力发电机的运行特性与工况进行了介绍。介绍了FAST系统基础理论并通过FAST系统的风力发电机的模型仿真,从中得到风力发电机组的状态参数数据。2)针对要处理分类变量的问题,本文提出运用混合输入模糊神经网络来解决这一问题,介绍了混合输入模糊神经网络的模型结构、模型结构辨识和其训练算法。进行数值仿真对比实验,通过对比基于T-S模糊神经网络与混合模糊神经网络输入模型来证明混合输入模糊神经网络模型在处理分类变量具有较好的效果。3)以往对风电力发电机多个参数的监测通常通过建立多个状态监测模型实现,易造成模型繁多、误报率高等问题。同时考虑到风力发电机系统的不同运行工况,本文提出基于混合输入模糊神经网络对风力发电机正常运行下的状态参数模型。该模型可以把分类变量引入模型中,解决了风力发电机系统的不同运行工况状态参数之间具有不同映射关系这一问题。并建立风力发电机组状态参数的多输入多输出模型,同时解决了以往模型繁多等问题。4)对风力发电机的状态监测与健康状态的目的是为了判断风电发电机是否处于异常状态。本文运用多元高斯函数模型对风力发电机进行异常识别。运用多元高斯函数建立风力发电机正常状态参数模型下的残差模型。并通过梯度下降的方法选择阈值,并通过是否超过阈值来进行判断风力发电机是否处于异常状态。