论文部分内容阅读
随着风力发电技术的高速发展,风电机组的单机容量越来越大。然而,随着风电场的大规模建设,风力发电机组的运行维护费用高和故障率高等问题也凸显了出来,如何提高风电机组运行可靠性及利用率成为风力发电急需解决的问题。变桨系统是风电机组的重要组成部分,但由于其运行环境恶劣、组件繁多、启停频繁,导致故障频发,本文在分析风电机组及其变桨系统工作原理的基础上,利用风电机组历史运行数据信息及变桨系统故障信息,研究基于SCADA数据的风电机组运行工况辨识和变桨系统运行状态故障诊断方法,其研究内容主要包括:1)简述直驱风电机组及电动变桨系统以及SCADA系统的构成和工作原理,针对风电机组运行参数进行分析,并对SCADA监控系统所采集的历史数据进行数据预处理。采用基于信息熵的特征参数相关性分析对变桨系统运行参数进行分析。2)将风电机组运行参数能量控制模式和限功率标志作为分类特征参数,提出了基于自组织神经网络的混合属性聚类方法进行风电机组运行工况划分,该算法以自组织特征映射神经网络为框架,采用基于样本概率的异构值差度量风电机组运行参数混合属性数据的相异性。利用分类特征项在Voronoi集合中出现频率作为分类属性数据参考向量更新规则的基础,通过混合更新规则实现数值属性和分类属性数据规则的更新。在此基础上,在自组织神经网络的竞争层后增加一层输出层,使其变为有监督的分类学习网络,提出有监督的混合属性数据自组织映射分类模型,实现风电机组运行的工况辨识。3)针对风电机组电动变桨系统故障诊断问题,对风电变桨系统进行特征属性筛选,建立在不同工况下的风电变桨系统异常识别模型,该模型以主元分析为基础,将电动变桨系统运行数据投影到主元模型的主元子空间和残差子空间上,通过判断其对应的T2和SPE是否超出对应的控制限来进行异常识别;同时根据贡献图法找出异常的特征属性;最后通过故障子空间理论进行基于SPE的故障重构,实现风电变桨系统故障诊断。