数据挖掘在风力发电机组故障诊断中的应用

• 作 者: 刘旭
• 出 处: 中国地质大学(北京)
• 发表日期: 2016年期
• 关键词: 故障诊断 数据挖掘 数据预处理 K-means 神经网络

风能作为新能源之一,其装机量在逐年提高,是我国电力供给重要来源。风力发电机组的运行环境恶劣,维修成本高。传统响应式维护方案所带来的收益较低,预防式维护方案受限于技术压力,还需要重大突破。本文提出基于风力发电机组的风场大数据以及风机长期历史数据,运用数据挖掘相关技术和方法挖掘数据中的规律,建立和优化故障预测模型。相比于信号处理、数理统计等传统的故障诊断方法,数据挖掘运用在风力发电机组故障诊断中的优势是能较好地利用风力发电场大数据中的价值和规律,增强故障预测的及时性。只要风场数据量足够大,数据清洗质量较高,选择训练学习的算法匹配度较高,能较明显地提高故障诊断准确率。本文首先介绍了风力发电机组常见故障,分析故障产生原因,然后论述了数据挖掘运用在风力发电机组故障预测的流程,包括前期的风场大数据的集群并分析、数据清洗、数据预处理、特征选择、模型实现、模型评价,最后将该模型运用在实际的风力发电机的故障诊断中。以风力发电机齿轮箱温度为预测目标量,利用实际值与预测值的残差,结合统计分析特性判定故障点。文章的创新点是利用风力发电机组运行工况的特殊性,对输入数据运用K-means聚类法进行预处理,再选择优化的BP神经网络进行训练学习,对比直接运用传统神经网络进行训练学习再做预测,其齿轮箱轴承温度目标量预测的准确率提高3.5%,能有效提高故障点判定的准确率。将该模型应用于实际风场故障诊断中,确实能及时发现故障,相比于风场现有的响应式维护方案提前5-7天,大大降低维修成本,提高风场效益。