论文部分内容阅读
随着工业技术的不断发展,传统能源日趋枯竭。以风能、光伏为代表的可再生能源日益发展。风力发电具有清洁、可再生、环境友好、基建周期短、装机灵活等特点,已成为清洁能源的典型代表。风力发电机组有着随机性以及间歇性,其有功出力根据风速进行变化,风电机组有功潮流变化幅度较大,导致系统产生较大幅度的电压变化以及无功损耗。正由于复杂的工况,导致风机故障率居高不下。同时,风电场通常位于比较偏远的地区,其环境较为恶劣,重要组成部件均位于塔顶,这对于运维人员的运维任务是巨大的挑战。而传统运维培训是根据考试来测定运维人员能力的,具有一定片面性,不能准确测量运维人员的认知能力。而且,运维任务均是分组进行,对特定风电故障没有针对性,往往效率低下。从而提高了运维成本,降低了发电量。基于此,本文主要工作如下:(1)根据湘电风能有限公司故障监测系统提出一种基于信息物理系统(Cyber-Physical-Systems,CPS)的风电运维人机智能方法,通过对风电故障监测CPS异常数据进行分析,以故障推理的方式(EBR仿真)找出故障,以匝间短路故障为例,通过Maxwell进行故障建模以及故障分析;(2)引入知识库结构,将故障分析及具体操作等节点进行连接,通过NEO4J自动生成认知诊断模型;(3)研究了认知诊断模型先验概率以及条件概率的确定,通过Netica进行认知诊断模型建模仿真;(4)对模糊规则“IF-THEN”进行研究,构建运维匹配模型,通过MATLAB进行仿真,输入运维人员数据进行模型分析。以上述技术为基础,本文通过三个步骤来实现风电运维人机智能的研究。首先是基于CPS的故障诊断,故障诊断过程会为搭建认知诊断模型提供基础;然后是构建认知诊断模型,认知诊断模型输出结果为运维人员能力图谱,该图谱作为运维匹配模型的输入;最后构建运维匹配模型。三个步骤互相关联,形成整体,对运维人员的培训,减少风电机组故障,提高运维效率以及提高发电量具有重要作用。本文具体创新如下:(1)提出了风电领域基于贝叶斯网络的风电运维认知诊断模型,打破了传统风电培训中通过考试进行认知诊断的形式;(2)根据电气分析关联度的方式来设计条件概率,提高认知诊断模型准确性;(3)提出了风电故障运维匹配模型,以及抢单式运维派遣机制,打破了传统分组派遣的机制。