论文部分内容阅读
风电机组的变桨系统因风速随机波动而经常在不同工况下切换,且其子系统间存在的强耦合性使其故障难以实时检测和精准定位,因此,实际运行中的SCADA系统对变桨故障的误报率较高。针对上述问题,本文提出变工况变桨系统异常状态在线监测与识别系统。首先,由于变桨系统特征参量在不同工况下对其状态的贡献率不同,本文基于熵优化邻域粗糙集(ENRS)对不同工况下的特征参量进行约简建模,提出全工况变桨系统状态特征参量挖掘策略。其次,以其约简数据集作为输入样本,提出以小世界粒子群(SWPSO)优化的熵加权学习向量量化(LVQ)为基础模型的SWPSO-熵加权LVQ多模型状态监测器,实现异常状态的精准定位。最后,基于实际风场数据对上述模型进行训练,仿真与测试结果表明,基于ENRS的SWPSO-熵加权LVQ模型能实时并准确反映变桨系统在变工况下的异常状态模式识别,具体研究如下:(1)基于SCADA数据的变桨系统特征参量挖掘方法研究。结合某风场实际数据,在分析电动变桨系统特征参量与故障关联模式的前提下,对其进行变工况特性分析。考虑风电SCADA数据结构特征及风速的随机波动影响,提出熵优化邻域粗糙集(ENRS)的变桨系统特征参量挖掘模型及全工况的变桨系统特征参量挖掘策略。测试结果表明,该策略能完成不同工况下电动变桨特征参量集的实时提取,并可将重要的特征参量先被筛选到约简集中。(2)建立基于LVQ(Learning Vector Quantization,学习向量量化)网络的变桨系统状态识别基础模型。对于模型在解决变桨系统状态识别研究中存在的问题,首先,根据不同工况下特征参量对其状态的贡献率设计了自适应权值距离在线调整算法,以解决该网络距离计算中放大变化微小变量的不足。其次,选用适用于高维求解且收敛速度快的小世界粒子群优化算法(SWPSO)解决其初始权值敏感问题,进一步提出改进的基于SWPSO-熵加权LVQ的变桨系统状态识别基础模型。(3)基于SCADA检测出的变桨系统异常状态模式,以多模型构造方式表征变桨系统的动态运行过程,即构建以SWPSO-熵加权LVQ为基础模型的多模型状态监测器,以解决特征参量数据差异小的精准异常状态识别问题。测试结果表明,基于ENRS的SWPSO-熵加权LVQ多模型状态监测器能够实现变工况下变桨系统各种运行状态的有效识别。(4)将本文提出的方法应用到实际电动变桨SCADA数据的测试中,并与基于SWGA-熵加权、SWPSO-SVM和SWPSO-SVM基础模型构成的状态监测器测试结果进行比较。对多种模型针对变工况和泛化能力的大量仿真测试表明,随着预测故障时间尺度t及数据集增加到一定程度后,基于SWPSO-熵加权LVQ监测器准确率均高于其它模型,反应出更高的状态识别灵敏度和泛化能力。