论文部分内容阅读
风能作为清洁能源，正越来越受到世界各国的重视，在此背景下，风力发电在世界范围内迅猛发展，并在电力系统中的比例越来越大。现有的风电场一般都是通过定期维护和事后故障诊断来进行风电场的维修和维护的，这增加了风机的停机时间，降低了风电场的经济效益。提出基于预测的事前故障监测与诊断的状态检修方法，可以有效解决以上问题。 本文针对风机最重要的部件之一齿轮箱，建立了基于预测的风机齿轮箱状态监测模型。首先针对齿轮箱温度预测模型输入变量选择问题，将正交最小二乘法应用于输入变量的选择，并将其与相关系数法、经验选取法进行对比分析，证实了正交最小二乘法选择输入变量的有效性。在此基础上，提出了改进的BP神经网络齿轮箱温度预测模型，通过与传统的BP神经网络预测模型对比分析证明，该模型的预测误差更小，稳定性更强。最后，将遗传神经网络与残差统计分析方法相结合，通过编程形成了满足一定功能的基于预测的齿轮箱状态监测模型，分析了该模型的运行机理与运行过程，确定了运行过程中的重要参数，并介绍了该模型与SCADA系统融合的具体方法与流程及其在状态检修中的作用和基本任务。本文使用风电场机组数据采集与监视控制系统中的实测数据进行仿真，证明了正交最小二乘法以及遗传神经网络可以应用于齿轮箱状态监测，此外，通过SCADA系统中正常数据以及三种发生故障报警的监测数据对比，分析了不同情况下残差均值与残差标准差的趋势，仿真结果表明，基于预测的风机齿轮箱状态监测模型可以提前发现齿轮箱的故障隐患，证实了该模型的有效性。