论文部分内容阅读
发展低碳经济、开发和利用可再生能源,已成为全球能源战略与可持续发展的核心问题。凭借技术手段成熟、商业化程度高、开发规模大等优势,风力发电已成为全球增长速度最快的绿色能源。在风电装机容量的急速增加的同时,也带来了产能过剩以及逐渐凸显的质量问题。在风电机组运行环境恶劣,优质风资源的逐渐减少,风电行业偏向“重制造,轻管理”的现状下,风电机组关键部件故障频频发生,对机组的运行效益甚至电网的安全运行造成了严重影响。本文针对上述背景现状,运用数据挖掘技术,开展基于数据驱动的风电机组故障诊断方法研究,以解决风电机组部分组件的运行状态特征挖掘、异常状态检测、故障识别与故障概率分析等问题,为风电机组故障诊断系统的研发提供理论基础。本论文具体研究工作如下:(1)针对风电机组监测信号之间存在耦合性与动态相关性的问题,提出了基于互信息的风电机组动态特征挖掘方法。通过即时特征与延时特征构造增广特征矩阵,根据特征之间的互信息累计度量建立风电机组监测信号的动态特征矩阵,将动态特征矩阵中的特征参量作为风电机组组件故障检测模型的输入。通过对比不同特征处理方式对风电机组故障检测性能的影响,验证所提特征挖掘方法的有效性。该方法兼顾特征之间的关联性与趋势性关系,同时降低无关特征对模型输出的影响,避免由于特征过多造成的模型计算复杂问题。(2)针对风电机组复杂运行工况下的故障检测问题,提出一种基于动态特征矩阵的加权k近邻故障检测方法。所提方法以k近邻故障检测方法为框架,利用在线样本近邻距离判断运行状态异常,降低了复杂工况对检测模型精度的影响。采用特征间的累计互信息度量实现特征加权,提高对异常状态的分离能力。为减少状态突变引起的误报与漏报现象,提出基于近邻样本的动态阈值设定方法,将给定置信水平下的阈值与近邻距离均值综合计算得到故障检测的动态阈值。将所提方法应用于FAST仿真模型和变桨系统真实故障数据,验证了所提方法的有效性。(3)针对风电机组故障挖掘问题,提出一种基于智能优化的模糊规则挖掘方法。所提方法结合模糊C均值聚类与启发式学习生成初始规则集合,以避免噪声样本对初始规则的影响。通过多种群量子编码和混合进化策略提高种群的多样性与全局搜索能力,并提出矛盾规则重构方法以针对性的处理低质量规则。在通过标准数据集验证所提规则挖掘方法的搜索能力与噪声容忍性之后,将所提方法与ReliefF特征选择方法相结合,应用于风电机组的故障规则挖掘与故障类型识别中,验证了所提方法对风电机组故障知识挖掘的效果。(4)针对风电机组潜在故障分析问题,提出一种故障概率分析与异常变量回溯方法。所提方法采用近邻故障规则选择策略评估风电机组部分组件潜在故障程度,在此基础上分别通过潜在故障筛选、多规则竞争与概率计算获取潜在故障的综合概率排序。根据故障状态的近邻故障规则,通过变量筛选与模糊贡献评价等步骤识别关键异常变量。将所提方法应用于NREL-5MW风电机组故障根源分析,验证了所提方法的有效性。