随着风电产业迅速发展,风电机组逐渐趋于大兆瓦、体积大型化、结构复杂化,风电机组辐射的噪声也随之升高。风电机组产生的噪声不仅对风场附近居民的生活产生影响,其噪声辐射水平也成为机组型式认证和评价机组质量的一项重要指标。研究风电机组噪声信号的声学特性可以对机组运作状态作评估以及对机组减振降噪及故障诊断方面的研究提供参考。考虑到风电机组在噪声测试过程中,采样周期长、测试条件艰苦、受环境因素干扰大等问题,利用机组易测量的非声学信号对机组噪声信号进行预测,不仅可以节约测试人员重复性测试的经济成本,还克服了环境恶劣造成测试困难的问题。因此本文针对风电机组整机噪声信号声学特性分析和通过非声学信号对风机组进行噪声预测这两个问题展开研究。1.根据IEC61400-11风电机组整机噪声测试标准,本课题组在内蒙古锡林浩特市某风场搭建整机噪声测试平台,对该风场2.5MW、3.0MW、3.2MW三种功率的机型进行整机噪声信号采集,这为后续章节的研究内容提供了可靠的实验数据。2.针对风电机组噪声信号进行声学特征分析,结合小波包理论对风电机组不同转速下的噪声信号进行小波包能量特征提取。为识别噪声信号中能量占比大频谱区间的细微结构,对低频部分进行二次小波包分解重构,采用数字降采样对重构信号处理,结合傅里叶变换对降采样后的重构信号进行频谱分析,通过仿真分析,发现风电机组不同转速下噪声信号的频谱中存在一个频谱波峰值,该值与转速成线性正相关。3.针对风电机组噪声预测问题,首先采用多元线性回归对风电机组进行噪声预测,结合回归分析对风电机组变量之间进行显著性分析,通过共线性和异常值诊断,对回归模型进行优化。根据机组信号波动性和非连续性的特点,提出采用小波包变换将诊断后的风电机组样本进行分解重构得到不同频段的子序列,使用多元线性回归分别对这些频带子序列进行预测,将子序列预测结果通过组合预测进行叠加得到实际的预测模型。然后考虑在进行线性回归预测时,样本诊断方法的差异会导致所建立的模型预测结果产生误差,因此将集成学习的XGBoost算法应用到风电机组噪声预测上。最后为验证上述风电机组噪声预测模型的可行性,通过风场实测数据对模型进行验证,并将模型的预测效果进行对比分析。4.以本文研究的内容为基础,基于MATLAB GUI设计开发了对上述仿真计算和功能实现的分析软件,该软件包括用户管理、整机噪声信号特征分析、模型预测效果评估、非声学信号对声学信号预报、分析结果导出与保存等功能。