论文部分内容阅读
风能作为一种无污染的可再生能源，近年来得到世界各国的大规模开发和利用，已成为解决资源和环境污染问题不可或缺的重要力量。然而，相比于传统电力设备，受恶劣运行环境的影响，风电机组故障率更高、维修难度更大。同时，受风能随机性的影响，风电机组运行工况变化特性复杂，现有基于状态参数阈值模型的风电机组异常辨识与状态评估方法难以有效地应用于实际。本文以提高风电机组运行可靠性为目标，对风电机组异常信息提取与运行状态评估方法进行了研究，主要包括以下内容: ①在掌握风电场数据采集与监视控制系统(Supervisory Control And DataAcquisition，简称SCADA)中监测参量组成的基础上，筛选出适用于风电机组运行状态分析的连续型状态参数。建立了风速与机组状态参数间的关联性曲线，定性分析了风速对状态参数关联关系的影响。进而采用灰色关联理论的关联度和关联序指标，对状态参数关联性程度进行了量化分析，揭示了风电机组状态参数间的关联性规律。 ②针对风速的波动性导致状态参数预测精度低的问题，根据状态参数间的关联关系，考虑训练方法、数据样本、输入参数三方面主要因素对预测模型精度的影响，建立了基于遗传算法优化BP神经网络（简称GABP）的状态参数预测模型。采用多种典型分布模型刻画状态参数预测误差，对比分析了各分布模型的应用效果，提出了风电机组状态参数预测误差的t location-scale分布（简称TLS）模型。研究了状态参数预测误差与风速区间、预测时间间隔的关系，建立了不同风速区间的TLS分布模型。在此基础上，划分状态参数预测误差的异常区间并采用残差异常指数量化残差异常程度，最终实现对机组异常信息的提取。通过实例分析，验证了本文方法的有效性。 ③在建立风电机组运行状态评估指标体系的基础上，确定了各指标的常权及变权的调整方法。分析了考虑工况信息的指标参量异常程度计算方法，在此基础上采用集对分析处理指标劣化度与状态等级之间的模糊性，对机组多个子系的运行状态信息进行证据融合，最终建立了风电机组运行状态评估模型。实例分析表明，采用状态参数残差异常指数作为模型的输入，评估结果更准确地反映了机组运行状态。融合集对分析和证据理论的评估方法较传统模糊综合分析法在模糊信息处理、评估决策上具有一定的优势。