大型風電場智能維護系統(tǒng)研究.pdf

1、截至2015年底，中國風電并網(wǎng)裝機總量為1.29億千瓦，山西風電并網(wǎng)裝機總量為669萬千瓦，預計“十三五”末我國風電累計裝機容量達到2.4億千瓦，山西省達到1800萬千瓦。隨著風電裝機容量增加，風電的安全、高效、經(jīng)濟運營越來越重要。風電機組由于長期運行在惡劣環(huán)境中，故障頻繁發(fā)生，維護費用高。因此，開展風電場智能維護系統(tǒng)研究，對提高風電運營可靠性、降低維護費用、優(yōu)化維護決策具有重要價值。本文從數(shù)據(jù)采集、故障特征提取、故障預測、智能維護決策

2、和系統(tǒng)框架設計等方面展開研究，主要工作概括如下：
　　在課題組已有的狀態(tài)監(jiān)測與故障診斷系統(tǒng)振動數(shù)據(jù)采集基礎上，增加了電流、溫度、視頻、聲頻、煙霧、電網(wǎng)參數(shù)等信號的數(shù)據(jù)采集，為智能維護系統(tǒng)設計和開發(fā)提供基礎。
　　統(tǒng)計和分析了風電機組齒輪箱、發(fā)電機等關鍵部件的常見故障模式，給出振動信號的常規(guī)時域頻域特征參數(shù)。針對現(xiàn)有特征提取方法難以定量描述設備故障程度問題，引入復雜度概念，利用復雜度度量方法可以綜合度量出信號變化趨勢，提出小波

3、包結(jié)合包絡分析以及樣本熵快速算法提取故障特征值的新方法，通過風電機組故障模擬實驗臺數(shù)據(jù)和現(xiàn)場數(shù)據(jù)的分析，證明了該方法的正確性和有效性。
　　在特征提取基礎上，對故障預測模型和方法進行研究。針對傳統(tǒng)灰色預測模型存在要求累加數(shù)據(jù)序列具有指數(shù)性質(zhì)、多步預測精度低的缺陷，采用馬爾可夫法和等維新息法對灰色模型改進，將改進后的灰色模型與Elman神經(jīng)網(wǎng)絡組合，提出改進灰色Elman神經(jīng)網(wǎng)絡的風電機組振動特征預測新方法；經(jīng)過實例分析，該方法比單

4、獨使用灰色模型或Elman神經(jīng)網(wǎng)絡模型具有更高預測精度，滿足工程上應用要求。然后，繼續(xù)對單變量模型深入研究，針對傳統(tǒng)單變量模型具有對單一特征依賴性大、利用信息匱乏、預測精度不高等缺點提出多變量故障預測模型；從多變量特征角度出發(fā)，研究多變量最小二乘支持向量機模型及參數(shù)優(yōu)化方法，在研究部件退化狀態(tài)評估的故障閾值設定方法與故障預測基本理論基礎上，引入相關分析特征選擇方法，提出基于PSO-MLSSVM的風電機組多變量故障預測新方法，通過仿真驗證