论文部分内容阅读
随着科学技术的进步,风电行业得到了快速发展,成为了目前主要的发电方式之一。为了更好地提高风力发电的经济效益,对风力发电过程的安全、可靠运行有了更高的要求,风电机组的异常状态监测和故障预测已成为当前研究的热点。近年来,风电场均配有完善的监控与数据采集(Supervisory Control and Data Acquisition,SCADA)系统。SCADA系统记录了风电机组工作寿命内大量的运行状态数据,这些SCADA数据包含了机组的正常运行、停机、异常、故障等信息。有效的利用SCADA数据信息进行风电机组的状态监测和故障预测对风电场的正常运行和维护具有重要的现实意义。本文基于风电机组的SCADA数据,围绕风电机组异常状态监测与故障预测等问题,开展了如下几个方面的研究:(1)研究了基于SCADA数据的风电机组状态参数之间的相关关系的量化方法。首先对风电机组的SCADA数据进行预处理,剔除“脏数据”;然后通过风速与电流和有功功率的相关性,确定风速的工作区间,进而确定风电机组的SCADA数据;最后提出了基于Pearson、Spearman、Kendall相关系数的平均相关性指标,并通过平均相关性指标量化机组状态参数之间的相关程度。(2)研究了基于反向传播神经网络(Back-propagation Neural Network,BPNN)的风电机组状态参数的选择方法。首先通过设计BPNN的输入层、输出层和隐含层,确定BPNN模型结构;然后采用平均相关性指标降序排列状态参数对目标参数的影响程度;最后按平均相关性指标的顺序累加选择状态参数作为BPNN模型输入,并通过BPNN模型的精度有效筛选出可以表征目标参数变化情况的输入参数集。(3)研究了基于非负权重组合预测的风电机组状态参数异常分析方法。首先建立了小波神经网络(Wavelet Neural Network,WNN)、径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)三种单项预测模型;然后基于WNN、RBFNN、LS-SVM模型,建立以预测误差平方和最小为准则的组合预测模型,并定性和定量的对比分析各单项预测模型与组合预测模型的精度;最后提出了基于参数预测残差的均方根误差(Root Mean Square Error,RMSE)和近似熵的风电机组的状态参数异常评估方法,该方法被应用于华北某风电场的17号风电机组SCADA系统实时监测的状态参数异常分析实例中,并获得了准确的状态参数异常辨识结果。