论文部分内容阅读
目前风电行业,随着风电机组运行年限增加,大量的风电机组超出质保期,其安全隐患不断增加、造成运维的成本不断升高,使得风电场的经济效益严重下降。因此,为保证风电机组健康安全运行和降低风场运维成本等方面考虑,研发基于大数据分析的大型风电机组运行状态评估及故障诊断技术已成为风电行业亟待解决的课题,论文主要从以下几个方面展开:首先,对国内外风电行业从基于大数据应用分析、风机运行状态评估、故障诊断三个方面研究现状进行综述并分析其不足。同时,本文从大数据的来源和分析方法展开了详细介绍。分别从SCADA系统数据、振动监测系统数据类型进行了阐述,分析了相关性和最小二乘支持向量机的理论方法,引入Pearson、Kendall、Spearman的相关系数特点、对有关数据进行相关性分析,为下章的在线评估建模提供了前期工作研究。其次,对SCADA数据和振动传感器采集的机械数据预处理分析,建立风电机组运行状态评估系统:一方面根据风电机组出力的相关性建立在线状态评估模型,另一方面在SCADA系统中筛选出主要连续参数建立基于PSOLSSVM的滚动回归预测模型,计算预测值与实际值的残差RMSE、信息熵等指标对机组运行状态评估。应用某风场的实际运行数据对该评估系统进行验证并取得良好的效果。第三,对评估结果为异常的机组进入故障诊断系统进行分析。本文以某风场的实际运行风电机组的传动系统故障实例,对所提出的基于EEMD和能量分离的故障诊断方法进行了验证,并成功诊断出风电机组的齿轮箱行星齿轮发生故障,表明该方法在风电场的实际工程当中具有良好的应用价值。最后,在风电机组监测与诊断工程技术研究中心已有的大型风电场智能维护系统基础上,开发了风电机组在线状态评估与故障诊断应用模块,实现对风电机组整体运行状态评估、早期预警、故障定位及分析等于一体的应用服务系统,并将其成功应用于多个风电场。