基于數據挖掘的風電機組狀態(tài)預測及變槳系統(tǒng)異常識別.pdf

1、風力發(fā)電技術迅速發(fā)展，風電機組單機容量越來越大，控制系統(tǒng)更加復雜；風電場的建設從內陸逐步向近海甚至深海領域發(fā)展。然而，隨著大規(guī)模風電場的建設及并網運行，風電機組故障率高，運行維護費用高的問題凸顯出來，如何提高風電機組運行可靠性及利用率成為風力發(fā)電亟需解決的迫切問題。本文在掌握并網風電機組工作原理基礎上，充分利用風電機組運行數據及故障信息，開展基于數據驅動的風電機組狀態(tài)參數預測和變槳系統(tǒng)運行狀態(tài)異常識別的研究，主要工作有：
　　

2、①在掌握并網風電機組的基本構成和工作原理的基礎上，重點闡述風電機組控制系統(tǒng)及其所監(jiān)測運行參數的特點，并對機組故障率較高的子系統(tǒng)的故障模式、故障原因等進行分析。
　　 ②考慮不同時間間隔段的歷史數據所反映機組運行狀態(tài)發(fā)展趨勢和變化規(guī)律的差別，對不同監(jiān)測數據抽取多組非等間隔時間序列；引入平均弱化緩沖算子和關聯度概念，基于非等間隔灰色GM(1，1)預測方法建立不同風電機組運行狀態(tài)參數的統(tǒng)一預測模型；分別利用850kW和2MW不同風電機

3、組的監(jiān)測數據進行狀態(tài)參數的趨勢預測，并將預測結果和BP神經網絡和支持向量機理論的預測結果進行比較和驗證。
　　 ③挖掘反映機組運行狀態(tài)的故障特征參數是有效實現風電機組狀態(tài)評估和異常識別的基礎。本文以高故障率的風電機組子系統(tǒng)一一電動變槳系統(tǒng)為例，利用風電機組在線監(jiān)測數據和故障信息，分別建立了變槳系統(tǒng)正常運行和故障時的數據樣本集，基于Relief方法對變槳系統(tǒng)運行狀態(tài)的故障特征參數進行挖掘，并通過BP神經網絡分類器的計算結果，對所選

4、擇的故障特征參數的有效性進行驗證。
　　 ④基于風電機組變槳系統(tǒng)故障特征參數的挖掘結果，論文在考慮單一特征參數約束的基礎上，提出了變槳系統(tǒng)基于距離的異常識別方法。首先，構建變槳系統(tǒng)正常運行狀態(tài)下的觀測向量；其次，利用支持向量機回歸理論，以風速為輸入量，建立其觀測向量的回歸模型；然后，考慮單一特征參數約束，通過分析回歸模型計算的觀測向量和實際運行狀態(tài)下的觀測向量之間的距離，對變槳系統(tǒng)異常運行狀態(tài)進行識別；最后，對2MW風電機組變槳