论文部分内容阅读
21世纪之后,风电行业如雨后春笋般在我国得到了蓬勃发展,经过几十年的发展,风电的装机容量和发展速度在我国可谓空前。但是随着风电设备运行年限的增加,设备老化、故障频发、维修成本提高等一系列诟病也给我国风电行业的健康发展带来了诸多不便。故障频发是目前所有风力发电场所面临的共性问题,故障维修所带来的高额维修费用已屡见不鲜。为了提高风力发电机组运行效率、降低运维成本,本文利用风力发电机组的SCADA运行数据,对风力发电机组中电气部分的发电机、变流器、变桨系统的故障诊断以及预测展开了研究,内容安排如下:首先,为了消除风力发电机组SCADA运行数据间的量纲影响以及剔除非故障运行状态下的异常数据,针对性的提出了标准化法以及异常点剔除法两种处理方法。接着,以风力发电机组的SCADA运行数据为数据来源,建立了改进灰色神经网络的发电机轴承温度预测模型,通过温度的变化趋势预测发电机的故障。最后,利用MATLAB对双馈式发电机定转子侧的相间短路故障进行了仿真,获得了风力发电机组中双馈式发电机各相之间短路电流的变化和不同短路故障类型下各相之间短路电压的关系,验证了将电流量和电压量作为训练样本的可行性。并以实际的电流量和电压量作为BP神经网络的训练样本,得到了基于BP神经网络的风力发电机组双馈式发电机相间短路故障分类模型。以风力发电机组的SCADA运行数据为训练样本,建立了一种关于决策树的变流器IGBT故障分类模型。为了使决策树的变流器故障分类模型分类精度更高和分类规则更简易,选择了不同于ID3的C4.5算法。同时,为了提高决策树对变流器IGBT故障分类的处理速度,对决策树进行了剪枝处理,并在实例分析中达到了较好的分类效果。为了弥补传统变桨系统监测模型较为单一的缺点,创新性的建立了以风速为工况划分的变工况核主元风力发电机组变桨系统故障监测模型。其中风速工况的划分,主要引用了动态转稳态的微元思想,在很大程度上提高了对变桨系统进行故障监测的精度,也减少了错误预警的可能性。