论文部分内容阅读
随着世界各国对风能开发利用的高度重视,风电场和风电机组的数量迅速增加。然而风电机组的安装位置偏远且环境恶劣,使得风电机组的部件老化严重并且各子系统的故障频发。为了降低机组的故障发生率并提高机组可靠性,本文针对不同风电场的监督控制和数据采集系统(Supervisory Control and Data Acquisition,SCADA)数据,将开发有效的风电机组故障检测方法和老化评估技术作为本文的研究内容。首先,通过研究现有文献,本文分析了风力发电的现状,并对研究对象双馈异步风电机组的内部结构、运行原理、机组分类以及常见的故障表现形式进行了深入的探讨。描述了SCADA系统的功能、作用、内部结构和发展现状,根据风电场中的历史数据详细列举了SCADA系统的状态参量。其次,针对风电机组关键部件故障频发的问题,本文提出了一种基于诱导有序加权平均(Induced Ordered Weighted Averaging,IOWA)算子组合预测模型的故障检测方法。根据灰色关联度选出与故障检测相关的参数,将IOWA算子引入到建立反向传播神经网络(Back Propagation Netural Netork,BPNN)和非线性状态估计(Nonlinear State Estimate Technology,NSET)的组合模型中,利用误差最优化问题建立最终预测模型,改进了基本窗口技术,并将其应用在阈值法判断机组故障中,解决了预测温度误差的阈值设定问题。本文将发电机的前轴承温度作为目标参量,通过对比单项模型、传统组合模型和基于IOWA算子组合模型的预测误差值和评价指标体现了IOWA算子组合模型的优越性,并选取了风电场中四组实际数据验证模型可靠性,结果表明基于IOWA算子的预测模型能实现对机组设备故障提前预警的效果。最后,针对老化导致的风电机组性能退化问题提出了一种基于信息融合的风电机组整体老化评估方法。根据相关系数法选取SCADA数据中的输出功率、机舱振动、主轴承温度、发电机后轴承温度、齿轮箱转速和机舱温度作为老化评估标准,通过神经网络求取各评估准则的权重,将评估标准的信息进行融合,建立了整体老化评估模型。选取多组老化程度不同的风电机组数据验证该模型的可行性,结果表明老化评估模型简单有效、可靠性高,为后续风电机组健康状态的研究提供了新思路。