论文部分内容阅读
摘要：在实际建立风电机组技术模型的过程当中，我们必须实现对风电场监控数据以及粒子群优化算法的科学使用。然后在此基础上实现对风速的科学推测，这也是其实现与风速仪实际测的风速进行对比的重要手段。最后再分析风速仪运行状态的过程当中必须。结合残差实现对风速与故障的准确界定。
关键词：风电机组；风速仪；粒子群算法；故障诊断
近些年来我国风电行业的发展速度较为迅猛，截至2015年我国风电的累计装机量已经高达1.45亿千瓦，在风电机组装机量不断增多的背景之下机组故障诊断问题也逐步得到社会各界的高度重视。现阶段风电机组风速仪故障诊断报道较少，为在真正意义上实现对上述现象的改善，我们必须实现对粒子群优化算法的风电机组风速仪故障诊断方法进行使用，这种方法可实现对风速仪运行状态的有效诊断，并保障其故障维护工作得以顺利开展。
一、风电机组模型
1.风电机组的Cp曲线
风能利用系数CP的物理意义是转换为风轮机械能的风能与通过风轮桨叶扫掠面的全部风能之比。按照贝茨理论，风电机组的理论最大风能利用系数CP为0.593。CP不是一个常数，它随风速、风电机组转速和风电机组叶片参数（如攻角、桨距角等）而变化。在风速、转速和叶片半径确定时就可以求得叶尖速比A值，有矶值和桨距角β值，就可以查CP值。
2.风电机组的传动效率η
为了求取风机的并网功率P。，必须知道风机的传动效率η。风机的传动效率主要包括轴承效率、风阻效率、齿轮箱效率、发电机效率和变流器效率等，由于效率影响因素较多，因此从理论角度很难精确计算。本文采用模型训练和粒子群算法寻优的方式来获取风机的真实传动效率η。
二、风电机组模型训练
风电机组模型训练的目的是通過数据建模的方式来搭建机组的基准模型，模型训练使用MathWorks公司的MATLAB软件。
1.数据集的采集
风电厂的监控系统是模拟训练数据的主要来源，在这一过程中我们所采集的实时数据主要是在风电场三十秒内所产生。带有时间标志、风向、风轮转速、有功功率、变桨角度以及环境温差等都是采集数据工作所必须涉及到的主要内容。但实际针对模型训练的数据进行采集工作的过程当中，我们必须借助必要措施与手段实现对风电机组风速仪工作正常开展的保障，从根本上避免训练模型不正确现象的出现。
2.数据集的预处理
我们在实际工作过程中必须针对采集到的数据进行一系列的预处理工作，这部分工作主要涉及到删除未发电状态下的数据以及低于启动风速，但仍有功率的数据，也就是说对存在明显奇异点的数据进行彻底的清除。如果功率落在某个风速段上的概率出现小于某个值的现象，我们就可以判定该数据为其一点并对其进行彻底的消除。
3.粒子群算法优化模型
计算机速度的传动效率是有效获得风电机组基础模型的基础与前提，同时为改善这一问题我们也可借助粒子群优化算法风电技术的传动效率，可在这一过程中作为例子实现对上网功率预测。估计可实现对预测功率与实测功率残差和的有效计算，同时也可对其结果进行保障。
4.基准模型
将模型训练数据按照功率进行分段是准确获得风电机组传动效率的有效手段。在这一过程中我们可将煤五十千瓦作为主要依据，同时也可实现风电机组传动效率曲线的值获取，在这一过程中我们必须严格遵守相关公式。最终促使风电机组的基础模型得到合理构建。
风杯风速仪的感应部分一般由三个或四个半球形或抛物锥形的空心杯壳组成，杯壳固定在互成120°的三叉型支架或互成90°的十字形支架上，杯的凹面顺着一个方向排列，整个横臂架则固定在一根垂直的旋转轴上，如图2所示。风速测量是利用一个低惯性的风杯部件作为感应部件，信号变换电路为霍尔集成电路。在水平风力的驱动下，风杯旋转，在霍尔磁敏元件中感应出脉冲信号，其频率随风速的增大而线性增加，测出频率就可计算出风速。
三、速预测诊断
随着风电机组发电技术的不断发展，对风向风速仪的技术要求越来越高。尤其是20世纪90年代变桨距风电机组的出现，为了更好地控制风电机组发电，要求必须准确及时地测出风速，并对风电机组进行相应的控制，从而获取最大发电功率并降低成本。而风能具有较高的不确定性，要想很好地控制风电机组发电，使之跟随风速的变化调节功率，就要求其具有灵敏、功耗低、可维护性好、寿命长等特点。
根据基准模型的计算公式可知，风速与气动功率和叶尖速比都有关联，所以无法直接从上述公式反推风速，为了开展风速预测计算，仍然采用PSO算法。此处PSO算法中的粒子群粒子为待预测的风速，优化目标为基于预测风速的功率和风电场实测的功率差值最小，预测功率的计算模型是基于基准风电机组模型的。粒子群优化算法的最终计算结果为预测的风速，将预测风速与实测风速做差值可得到风速的残差，通过对残差分布的分析，可判断风速仪的运行状态。
四、实例验证
为了验证风速仪故障诊断方法的有效性，从某2Mw风场采集了一批风电场的监控数据，其中包含了故障数据。利用上述计算模型得预测风速和实测风速的残差图。
从概率论角度出发，2月8日之前的风速仪应该为故障状态。经与风电场沟通交流，现场维修人员反映2月8日常规维修时发现风电机组的风速仪底座松动，之后对其进行了加固。这与分析的结果相吻合，证明了本文提出的风速仪故障诊断方法的有效性。
风速风向仪是风电机组最重要的传感元件，它的工作特性直接关系到风电机组的控制策略和发电效率。本文通过对风电机组机械式、传统超声波式和超声波共振式风速风向仪结构原理和优缺点的对比分析，超声波共振式风向风速仪因寿命长、实用性高、小而轻的结构及出色的灵敏度和准确性，必将在未来的发展竞争中逐步取代机械式和传统超声波式风向风速仪。
结语：
本文利用粒子群优化算法优化风电机组基准模型和风速预测，并依据预测风速和实测风速的残差判断风速仪的运行状态，经验证该故障诊断方法可有效地对风速仪进行故障诊断。若风电场的运行维护人员根据诊断结果及时对风速仪进行校正处理，便可有效保证风电机组稳定运行。
参考文献：
[1]申晓东，时连斌，刘洪海，等.风力发电机组防覆冰技术研究[J].电气技术，2013，14（6）：48-51.
[2]张坤婷，陈广华，南炳燊，等.基于最小二乘法的旋转风速仪误差校正研究[J].工业仪表与自动化装置，2017（1）：64-67.
关键词：风电机组；风速仪；粒子群算法；故障诊断
近些年来我国风电行业的发展速度较为迅猛，截至2015年我国风电的累计装机量已经高达1.45亿千瓦，在风电机组装机量不断增多的背景之下机组故障诊断问题也逐步得到社会各界的高度重视。现阶段风电机组风速仪故障诊断报道较少，为在真正意义上实现对上述现象的改善，我们必须实现对粒子群优化算法的风电机组风速仪故障诊断方法进行使用，这种方法可实现对风速仪运行状态的有效诊断，并保障其故障维护工作得以顺利开展。
一、风电机组模型
1.风电机组的Cp曲线
风能利用系数CP的物理意义是转换为风轮机械能的风能与通过风轮桨叶扫掠面的全部风能之比。按照贝茨理论，风电机组的理论最大风能利用系数CP为0.593。CP不是一个常数，它随风速、风电机组转速和风电机组叶片参数（如攻角、桨距角等）而变化。在风速、转速和叶片半径确定时就可以求得叶尖速比A值，有矶值和桨距角β值，就可以查CP值。
2.风电机组的传动效率η
为了求取风机的并网功率P。，必须知道风机的传动效率η。风机的传动效率主要包括轴承效率、风阻效率、齿轮箱效率、发电机效率和变流器效率等，由于效率影响因素较多，因此从理论角度很难精确计算。本文采用模型训练和粒子群算法寻优的方式来获取风机的真实传动效率η。
二、风电机组模型训练
风电机组模型训练的目的是通過数据建模的方式来搭建机组的基准模型，模型训练使用MathWorks公司的MATLAB软件。
1.数据集的采集
风电厂的监控系统是模拟训练数据的主要来源，在这一过程中我们所采集的实时数据主要是在风电场三十秒内所产生。带有时间标志、风向、风轮转速、有功功率、变桨角度以及环境温差等都是采集数据工作所必须涉及到的主要内容。但实际针对模型训练的数据进行采集工作的过程当中，我们必须借助必要措施与手段实现对风电机组风速仪工作正常开展的保障，从根本上避免训练模型不正确现象的出现。
2.数据集的预处理
我们在实际工作过程中必须针对采集到的数据进行一系列的预处理工作，这部分工作主要涉及到删除未发电状态下的数据以及低于启动风速，但仍有功率的数据，也就是说对存在明显奇异点的数据进行彻底的清除。如果功率落在某个风速段上的概率出现小于某个值的现象，我们就可以判定该数据为其一点并对其进行彻底的消除。
3.粒子群算法优化模型
计算机速度的传动效率是有效获得风电机组基础模型的基础与前提，同时为改善这一问题我们也可借助粒子群优化算法风电技术的传动效率，可在这一过程中作为例子实现对上网功率预测。估计可实现对预测功率与实测功率残差和的有效计算，同时也可对其结果进行保障。
4.基准模型
将模型训练数据按照功率进行分段是准确获得风电机组传动效率的有效手段。在这一过程中我们可将煤五十千瓦作为主要依据，同时也可实现风电机组传动效率曲线的值获取，在这一过程中我们必须严格遵守相关公式。最终促使风电机组的基础模型得到合理构建。
风杯风速仪的感应部分一般由三个或四个半球形或抛物锥形的空心杯壳组成，杯壳固定在互成120°的三叉型支架或互成90°的十字形支架上，杯的凹面顺着一个方向排列，整个横臂架则固定在一根垂直的旋转轴上，如图2所示。风速测量是利用一个低惯性的风杯部件作为感应部件，信号变换电路为霍尔集成电路。在水平风力的驱动下，风杯旋转，在霍尔磁敏元件中感应出脉冲信号，其频率随风速的增大而线性增加，测出频率就可计算出风速。
三、速预测诊断
随着风电机组发电技术的不断发展，对风向风速仪的技术要求越来越高。尤其是20世纪90年代变桨距风电机组的出现，为了更好地控制风电机组发电，要求必须准确及时地测出风速，并对风电机组进行相应的控制，从而获取最大发电功率并降低成本。而风能具有较高的不确定性，要想很好地控制风电机组发电，使之跟随风速的变化调节功率，就要求其具有灵敏、功耗低、可维护性好、寿命长等特点。
根据基准模型的计算公式可知，风速与气动功率和叶尖速比都有关联，所以无法直接从上述公式反推风速，为了开展风速预测计算，仍然采用PSO算法。此处PSO算法中的粒子群粒子为待预测的风速，优化目标为基于预测风速的功率和风电场实测的功率差值最小，预测功率的计算模型是基于基准风电机组模型的。粒子群优化算法的最终计算结果为预测的风速，将预测风速与实测风速做差值可得到风速的残差，通过对残差分布的分析，可判断风速仪的运行状态。
四、实例验证
为了验证风速仪故障诊断方法的有效性，从某2Mw风场采集了一批风电场的监控数据，其中包含了故障数据。利用上述计算模型得预测风速和实测风速的残差图。
从概率论角度出发，2月8日之前的风速仪应该为故障状态。经与风电场沟通交流，现场维修人员反映2月8日常规维修时发现风电机组的风速仪底座松动，之后对其进行了加固。这与分析的结果相吻合，证明了本文提出的风速仪故障诊断方法的有效性。
风速风向仪是风电机组最重要的传感元件，它的工作特性直接关系到风电机组的控制策略和发电效率。本文通过对风电机组机械式、传统超声波式和超声波共振式风速风向仪结构原理和优缺点的对比分析，超声波共振式风向风速仪因寿命长、实用性高、小而轻的结构及出色的灵敏度和准确性，必将在未来的发展竞争中逐步取代机械式和传统超声波式风向风速仪。
结语：
本文利用粒子群优化算法优化风电机组基准模型和风速预测，并依据预测风速和实测风速的残差判断风速仪的运行状态，经验证该故障诊断方法可有效地对风速仪进行故障诊断。若风电场的运行维护人员根据诊断结果及时对风速仪进行校正处理，便可有效保证风电机组稳定运行。
参考文献：
[1]申晓东，时连斌，刘洪海，等.风力发电机组防覆冰技术研究[J].电气技术，2013，14（6）：48-51.
[2]张坤婷，陈广华，南炳燊，等.基于最小二乘法的旋转风速仪误差校正研究[J].工业仪表与自动化装置，2017（1）：64-67.