基於多源數據融合的風電機組健康狀態評估及預測方法

《基於多源數據融合的風電機組健康狀態評估及預測方法》是依託北京航空航天大學,由錢政擔任項目負責人的面上項目。

基本介紹

  • 中文名:基於多源數據融合的風電機組健康狀態評估及預測方法
  • 依託單位:北京航空航天大學
  • 項目負責人:錢政
  • 項目類別:面上項目
項目摘要,結題摘要,

項目摘要

融合風電機組多參數檢測結果開展風機健康狀態評估及預測方法研究,對於及時準確地掌握風機狀態,保障其安全高效運行具有重要支撐作用。本申請以整機健康狀態評估為切入點,提取表征健康狀態的特徵向量並進行深入分析,旨在準確評估整機健康狀態,並突破整機故障時如何定位到關鍵部件的瓶頸,實現故障粗定位並進行故障趨勢分析;之後深入研究齒輪箱及發電機等關鍵部件間的故障傳遞規律及不同故障間的故障耦合作用,構建故障因果網路並進一步探索推理機制,研究成果有助於提升關鍵部件的故障分析水平;接下來以突破故障狀態下風功率的準確預測為目標,先建立單一故障狀態下的發電功率曲線,進而建立多故障並存時功率曲線融合的權值模型,從而實現風機短期風功率的準確預測;最後以發電機為代表,深入研究正常運行時發電機運行壽命特徵指標的提取及分析方法,建立故障情況下的發電機檢測參數與剩餘壽命間的模糊關係方程,利用模糊推理實現剩餘壽命的模糊綜合評判。

結題摘要

項目圍繞風電機組整機及其關鍵部件,針對風機整機健康狀態評估、關鍵部件故障識別、故障狀態下短期風功率預測以及發電機壽命預測等問題進行深入研究,完成了研究計畫,取得了一系列重要的學術成果。1、項目基於SCADA數據建立起風電機組整機狀態監測模型。利用自編碼算法建立整機狀態特徵提取模型,用於提取能夠綜合反映整機運行狀態的特徵參數。使用異常點算法確定正常狀態異常度閾值,通過比較當前運行數據特徵參數是否超出閾值判別風機故障與否。實測結果表明本研究所建立的模型能夠較為全面的反應風機運行狀態,可以套用於風電機組整機運行狀態線上監測當中。2、項目針對風電機組關鍵部件,包括變槳系統,偏航系統,齒輪箱以及變頻器進行研究,分別建立有效的故障診斷模型。一方面,充分挖掘風電機組監測數據,包括SCADA數據以及振動數據,另一方面從數據預處理,特徵提取及選擇,以及故障診斷模型的建立等多個方面進行分析最佳化,建立準確有效的故障診斷模型。實驗驗證了模型的有效性,實際風電場的套用結果表明,模型能夠提前預警,降低停機時間。3、項目建立基於EEMD的混合風功率預測模型,結合風功率曲線模型,實現故障狀態下的短期風功率預測。模型首先基於歷史數據,並考慮風機運行狀態以及數據源質量,對風速缺失數據進行了填補。之後使用EEMD分解算法以及遺傳算法等措施改善預測模型,有效地提高了預測精度。通過與其他方法的對比,最後驗證了提出的短期風功率預測方法具有較好的預測性能。4、項目建立了基於高斯過程的發電機軸承剩餘壽命預測模型。基於真實的風電機組狀態監測數據,該模型提取能夠反映軸承壽命退化特徵的健康指標。利用區間白化方法降低非平穩運行工況的干擾,提高預測精度。最後使用高斯過程建立剩餘壽命預測模型。實驗結果表明,該模型在安全準備時間能夠為風電場提供足夠的預測精度,對發電機軸承做出維護,更換等運維操作,從而降低停機時間。

相關詞條

熱門詞條

聯絡我們