论文部分内容阅读
随着能源危机的加剧以及人类环保意识的增强,风能以其技术成熟度、基础设施建设以及成本方面的综合优势而日益受到重视。然而,高达10%~15%的运行和维护成本严重制约着风力发电行业的发展。因此,从降低风电机组运行风险和减少风力发电的运行维护成本等方面考虑,大型风电机组在线状态评估及故障诊断技术已成为风力发电亟待解决的课题。风电机组配备的SCADA系统通常利用数值越限报警,报警模式单一,不具备预防故障恶化的功能,而大量的SCADA监测数据中隐含了风电机组各部件或子系统之间的相互作用和影响关系。因此,本文利用数据挖掘技术,提出了一个风电机组在线状态评估方法。该方法是在原有的SCADA报警系统上集成一个基于支持向量回归(Support Vector Regression, SVR)算法的回归预测模型。监控人员可通过SCADA系统的报警信息和回归模型的预测值与实际监测值的偏差及其趋势对风电机组的运行状态进行评估,不仅提高了状态评估的精度,还可以追踪故障的发展趋势,为降低风电机组运行风险、优化维修策略、减少运行维护成本提供了坚实的技术支持。本文基于“社团匹配”的思路,从风电机组各子系统的运行和控制机理入手,将SCADA系统的监测项目划分为6个与子系统相对应的可重叠社团,并详细分析了判定各监测项目采样数据是否异常的准则。当某些监测项目采样数据发生异常时,将该监测项目匹配到其社团所对应的风电机组子系统,从而达到故障定位的目的。该方法将监测数据与风电机组的运行和控制机理有机结合,克服了以往人工智能方法过分依赖监测数据的缺点,具有较强推广性能。总之,本文所提出的在线状态评估和故障定位方法为风电机组长周期的安全运行提供了保障,为维护人员的知情决策提供了技术支持,为降低风力发电运行和维护成本铺平了道路。