论文部分内容阅读
截至2015年底,中国风电并网装机总量为1.29亿千瓦,山西风电并网装机总量为669万千瓦,预计"十三五"末我国风电累计装机容量达到2.4亿千瓦,山西省达到1800万千瓦。随着风电装机容量增加,风电的安全、高效、经济运营越来越重要。风电机组由于长期运行在恶劣环境中,故障频繁发生,维护费用高。因此,开展风电场智能维护系统研究,对提高风电运营可靠性、降低维护费用、优化维护决策具有重要价值。本文从数据采集、故障特征提取、故障预测、智能维护决策和系统框架设计等方面展开研究,主要工作概括如下:在课题组已有的状态监测与故障诊断系统振动数据采集基础上,增加了电流、温度、视频、声频、烟雾、电网参数等信号的数据采集,为智能维护系统设计和开发提供基础。统计和分析了风电机组齿轮箱、发电机等关键部件的常见故障模式,给出振动信号的常规时域频域特征参数。针对现有特征提取方法难以定量描述设备故障程度问题,引入复杂度概念,利用复杂度度量方法可以综合度量出信号变化趋势,提出小波包结合包络分析以及样本熵快速算法提取故障特征值的新方法,通过风电机组故障模拟实验台数据和现场数据的分析,证明了该方法的正确性和有效性。在特征提取基础上,对故障预测模型和方法进行研究。针对传统灰色预测模型存在要求累加数据序列具有指数性质、多步预测精度低的缺陷,采用马尔可夫法和等维新息法对灰色模型改进,将改进后的灰色模型与Elman神经网络组合,提出改进灰色Elman神经网络的风电机组振动特征预测新方法;经过实例分析,该方法比单独使用灰色模型或Elman神经网络模型具有更高预测精度,满足工程上应用要求。然后,继续对单变量模型深入研究,针对传统单变量模型具有对单一特征依赖性大、利用信息匮乏、预测精度不高等缺点提出多变量故障预测模型;从多变量特征角度出发,研究多变量最小二乘支持向量机模型及参数优化方法,在研究部件退化状态评估的故障阈值设定方法与故障预测基本理论基础上,引入相关分析特征选择方法,提出基于PSO-MLSSVM的风电机组多变量故障预测新方法,通过仿真验证和实例应用证明了方法的可行性。基于以上研究成果,从某风电场实际需求出发,设计了风电场智能维护系统,建立了系统工作流程图,对系统各个模块进行功能划分和详细介绍,并设计了符合风电场实际、方便直观的维护系统界面。