论文部分内容阅读
风力发电技术作为清洁能源发电技术的一种主要形式,近年来在我国经济持续高速发展、资源逐渐短缺、环境问题日益严重的背景下迅速发展。然而,由于风电机组运行的环境过于恶劣,导致机组故障频发,降低了风能利用率,增加了运维成本。因此,风力发电机组的运行状态监测越来越受到人们的重视,对风电机组的故障进行提前、准确的预测也显得尤为重要。目前来说,风电机组状态监测系统(CMS)监测到的变工况轴承故障特征信号十分微弱,传统的信号诊断处理方法无法清晰提取出轴承故障特征,因此,对轴承早期运行状态监测也就难以实现。风电机组数据采集与监视控制(SCADA)系统监测到的SCADA数据变化范围较大,随机性强,给信息提取带来困难,并且也缺少有效提取其中有用信息的理论和方法,导致这些数据不能准确对设备运行状态进行监测,无法预防设备故障的恶化,未得到有效利用。为了有效判断风电机组的运行状况,本文以风电场提供的SCADA数据以及试验台提供的模拟风电场轴承振动数据为对象,提出了基于长短时记忆(LSTM)神经网络的健康状态评估分析方法。LSTM神经网络是处理时间序列数据的一种方法,通过学习历史数据,可以找出时间序列之间的关系以及发现其中的内在规律,进而对风电机组当前的运行状态做出早期预测。本文针对上述风电机组早期运行状态监测中存在的一些问题进行了以下几个方面的研究:(1)针对风电机组轴承故障特征信号弱,故障特征难以提取的问题,本文提出基于LSTM神经网络的风电机组健康状态评估方法。该方法是将试验台提供的模拟风电场轴承垂直方向振动数据直接输入到搭建好的LSTM网络中,再将LSTM预测数据通过指数加权移动平均(EWMA)平滑处理。结果说明该方法对轴承的运行状况具有一定的评估作用。(2)针对风电机组SCADA数据量大、参数众多以及信息提取困难的问题,本文提出基于LSTM神经网络的风电机组健康状态评估方法。该方法首先对SCADA数据进行预处理,其次,对预处理后的数据通过单调性和相关性度量进行特征提取,然后将特征提取后的数据输入到搭建好的LSTM网络中,最后将LSTM预测数据通过EWMA平滑处理。通过将最终的输出结果与风电机组现场检测的结果相比较,证明了该方法的可行性和有效性。