论文部分内容阅读
恶劣的气候及环境等多种因素导致风力发电机容易出现部件损坏以及状态劣化等问题,齿轮箱作为风电机组的关键部件,更是容易发生损坏,对电力系统的安全稳定运行带来了挑战。齿轮箱的预防维修正是解决这问题的关键。传统的“定期维修”方法存在“维修不足”及“过度维修”等问题,不利于降低维修成本,提高可靠性。为了保障风电机组齿轮箱的安全稳定运行,本文以SCADA监测系统中的齿轮箱数据和相关性分析为切入点,建立监测指标的相对劣化度模型,避免异常数据干扰;进一步建立齿轮箱劣化度评估及预测模型,实现对齿轮箱异常状态的识别及变化趋势预测。具体内容如下:本文以风电机组齿轮箱作为研究对象,考虑外部环境对内部各项参数的影响,通过Spearman系数及互信息理论计算SCADA监测系统中外部环境指标(如风速、功率、环温)与风机内部监测指标(温度、转速、气压等)的相关系数,线性相关性和非线性相关性相结合选取相关度高的某几类环境变量采用K均值聚类(K-means clustering,K-means)的方法将各监测指标划分工况,并依据工况及箱型图分析法建立相对劣化度模型;在上述相对劣化度模型建立的基础上,通过主元分析的方法将同一部件的各项指标进行降维,最终得出齿轮箱的劣化度;为了进一步对齿轮箱之后的状态进行预测以提供运行参考依据,利用NAR神经网络对劣化度进行预测,得出劣化度模型。研究结果表明,采用箱型图建立劣化度模型可以减少异常值的干扰,具有一定的鲁棒性;同时,采用PCA对各项数据进行降维,可以对齿轮箱有一个较好的整体评估,且也减少了之后的预测模型结构及预测时间;而对于时间序列数据,NAR神经网络模型具有一定的优势,其精度相比广泛使用的BP网络及传统时间序列模型要更高,而且运行速度也有很大提升,能够早期发现齿轮箱的劣化度并提醒工作人员,具有很好的实用性。此外,采取PCA评价的方法将各项参数统一整合,并进行一次预测,减少了由于多项参数进行预测所带来的损耗时间。