發(fā)布時間：2020-05-05 07:15

【摘要】：風電機組的變槳系統(tǒng)因風速隨機波動而經常在不同工況下切換,且其子系統(tǒng)間存在的強耦合性使其故障難以實時檢測和精準定位,因此,實際運行中的SCADA系統(tǒng)對變槳故障的誤報率較高。針對上述問題,本文提出變工況變槳系統(tǒng)異常狀態(tài)在線監(jiān)測與識別系統(tǒng)。首先,由于變槳系統(tǒng)特征參量在不同工況下對其狀態(tài)的貢獻率不同,本文基于熵優(yōu)化鄰域粗糙集(ENRS)對不同工況下的特征參量進行約簡建模,提出全工況變槳系統(tǒng)狀態(tài)特征參量挖掘策略。其次,以其約簡數(shù)據集作為輸入樣本,提出以小世界粒子群(SWPSO)優(yōu)化的熵加權學習向量量化(LVQ)為基礎模型的SWPSO-熵加權LVQ多模型狀態(tài)監(jiān)測器,實現(xiàn)異常狀態(tài)的精準定位。最后,基于實際風場數(shù)據對上述模型進行訓練,仿真與測試結果表明,基于ENRS的SWPSO-熵加權LVQ模型能實時并準確反映變槳系統(tǒng)在變工況下的異常狀態(tài)模式識別,具體研究如下:(1)基于SCADA數(shù)據的變槳系統(tǒng)特征參量挖掘方法研究。結合某風場實際數(shù)據,在分析電動變槳系統(tǒng)特征參量與故障關聯(lián)模式的前提下,對其進行變工況特性分析。考慮風電SCADA數(shù)據結構特征及風速的隨機波動影響,提出熵優(yōu)化鄰域粗糙集(ENRS)的變槳系統(tǒng)特征參量挖掘模型及全工況的變槳系統(tǒng)特征參量挖掘策略。測試結果表明,該策略能完成不同工況下電動變槳特征參量集的實時提取,并可將重要的特征參量先被篩選到約簡集中。(2)建立基于LVQ(Learning Vector Quantization,學習向量量化)網絡的變槳系統(tǒng)狀態(tài)識別基礎模型。對于模型在解決變槳系統(tǒng)狀態(tài)識別研究中存在的問題,首先,根據不同工況下特征參量對其狀態(tài)的貢獻率設計了自適應權值距離在線調整算法,以解決該網絡距離計算中放大變化微小變量的不足。其次,選用適用于高維求解且收斂速度快的小世界粒子群優(yōu)化算法(SWPSO)解決其初始權值敏感問題,進一步提出改進的基于SWPSO-熵加權LVQ的變槳系統(tǒng)狀態(tài)識別基礎模型。(3)基于SCADA檢測出的變槳系統(tǒng)異常狀態(tài)模式,以多模型構造方式表征變槳系統(tǒng)的動態(tài)運行過程,即構建以SWPSO-熵加權LVQ為基礎模型的多模型狀態(tài)監(jiān)測器,以解決特征參量數(shù)據差異小的精準異常狀態(tài)識別問題。測試結果表明,基于ENRS的SWPSO-熵加權LVQ多模型狀態(tài)監(jiān)測器能夠實現(xiàn)變工況下變槳系統(tǒng)各種運行狀態(tài)的有效識別。(4)將本文提出的方法應用到實際電動變槳SCADA數(shù)據的測試中,并與基于SWGA-熵加權、SWPSO-SVM和SWPSO-SVM基礎模型構成的狀態(tài)監(jiān)測器測試結果進行比較。對多種模型針對變工況和泛化能力的大量仿真測試表明,隨著預測故障時間尺度t及數(shù)據集增加到一定程度后,基于SWPSO-熵加權LVQ監(jiān)測器準確率均高于其它模型,反應出更高的狀態(tài)識別靈敏度和泛化能力。
【圖文】：

ｒ－ｌ逡逑ｗ邋■邐—＾ｚｉｒ＾＾逡逑■觀逡逑圖１－２大唐風機著火逡逑Ｆｉｇ．邋１－２邋Ｄａｔａｎｇ邋ｗｉｎｄ邋ｔｕｒｂｉｎｅ邋ｆｉｒｅ逡逑Ｍｉｌ邋ｗｂｉｉｌｋｉ逡逑圖１－３某風場風機倒塌逡逑Ｆｉｇ．邋１－３邋Ｗｉｎｄ邋ｔｕｒｂｉｎｅ邋ｃｏｌｌａｐｓｅ逡逑通過對沈陽某風場風電機組各系統(tǒng)發(fā)生故障率進行統(tǒng)計，得到變槳系統(tǒng)在整逡逑個風電機組中出現(xiàn)的故障率高達１５％。一方面因為變槳系統(tǒng)是風電機組的實時控逡逑制核心子系統(tǒng)，在一定程度控制風電機組的運行狀態(tài)；另一方面是因為變槳系統(tǒng)逡逑集電氣和機械為一體，各組件之間耦合性強。在變槳系統(tǒng)發(fā)生的故障中，絕大多逡逑數(shù)故障都是可以通過ＳＣＡＤＡ系統(tǒng)監(jiān)測并診斷到的。逡逑故障發(fā)生前變槳系統(tǒng)的運行狀態(tài)總能出現(xiàn)一些變化，如果能對這個狀態(tài)期間逡逑的內容進行研[�，确定其发生异常状态的X�蚁姠及时进行维护等操做崿是肪i緇�辶x獻楣收銜�护烦C嫻慕�步。经过葰志统计，通过对肪i緇�组进袃创态监拆h際鹺�，辶x廈扛齜緄緋∶磕甓雜詵緇�的维修费用可綑n停玻擔�？�擔埃�，由釉徥障引发的停机时间辶x峽杉跎伲罰擔，

本文編號：2649743