论文部分内容阅读
风力发电凭借其诸多优点逐渐成为各国能源战略中至关重要的构成部分。随着越来越多风力发电场投资运营，风力发电机组运行可靠性低，维修成本高，风能利用率低等问题日趋严重。本文通过分析目前大型风力发电场主流机型的工作原理及各子系统运行机理，在SCADA数据的基础上对某风力发电机组故障预警方法进行了深入地调查分析和研究，主要有以下内容: ①目前大多数的风机子系统在进行故障预警及诊断多依据历史经验选择特征量，无法明确特征量与故障之间的关系。本文针对该情况，为实现特征参数的客观确定，提出Relief算法权重计算和相关性计算的特征参数选择方法进行结合，并深入研究了风机齿轮箱与其相关参数的关系，成功地提取出表征齿轮箱故障的特征量，高了特征参数的准确度。 ②鉴于传统BP神经网络在进行故障诊断学习时容易出现局部极小、误差振荡、收敛慢的缺点，提出了通过加入动量因子和学习率可变的改进BP神经网络进行齿轮箱故障诊断，成功地训练了以齿轮箱特征参数为输入的诊断网络，并在相当大的程度上提高了收敛速度与诊断准确度。 ③鉴于当前对风机参数提前预测的研究主要是集中在风速、转速、功率，本文提出采用序列相空间重构、主元分析、LM-BP神经网络相结合的方法对提取出的齿轮箱特征参数进行短时提前预测，这种方法极大地提高了各参数的提前预测精度。