论文部分内容阅读
风力发电技术的加速发展在减少二氧化碳排放的同时也实现了能源、经济可持续发展的重大意义。目前国内越来越多的风电设备处于亚健康运转状态,虽然人们对这些风力发电设备进行了实时监测但没有对监测到的设备状态信息采取有效的分析和预测。本文的工作包括对风电设备的监测数据的处理和对状态信息的预测。整项工作是一个对监测数据进行收集、处理和分析的过程,把监测数据在风电数据分析软件上进行处理并剔除可能会影响实验结果的干扰数据,再把筛选好的参数数据运用MATLAB软件工具进行实验仿真,对风电设备的一些运行状态信息进行预测。本文具体有如下内容:第一,对风力发电设备的物理特性以及发电原理进行了说明,在此基础上再根据风电设备中容易出现故障的机械和核心部件进行了简要分析,结合实际监测数据分析风电设备发电功率和风机产能与风速之间的关系。第二,设计了风电数据分析软件。该软件能够导入满足一定格式的风电机原始数据,对数据进行预处理,并且具备本文研究所需要的数据筛选功能。第三,本文实验结合BP神经网络模型这种能够解释复杂的传感器数据最有效的学习方法,运用MATLAB软件工具进行风电设备状态信息的短期预测,建模所选数据的时间间隔为10s,对数据进行简化的同时也降低了BP神经网络模型在对数据样本学习时的资源消耗,加快学习步骤。实验分为两类:实验一,以10s时间间隔的数据对机舱气象站风速、风机功率以及风机产能进行短期预测;实验二,采用不同时间间隔的数据对机舱气象站风速、风机功率以及风机产能进行短期预测,并对预测数据结果与实际值进行相关系数计算,计算出的系数取绝对值后,再对比相关系数的强弱。0.81-1为强相关,0.31-0.8为中等相关,0.1-0.3为弱相关。本实验10s和20s时间间隔的数据预测结果与实际值进行相关系数计算后,满足强相关关系,均为有效采样的时间间隔。并且时间间隔越小的数据,预测出的结果越接近实际数据。