基于多源数据融合的风电机组健康状态评估及预测方法

The accurate evaluation for wind turbine (WT) health condition is crucial for the operation safety and efficiency of wind farms. Hence it is essential to develop wind turbine health condition evaluation and prediction method based on multi-source data. In this project, the turbine level health condition is firstly evaluated by extracting and analyzing the feature vector related to the WT condition. The component level fault positioning method and fault trend analysis model are also studied to determine the fault component and to predict the fault trend. After that, the fault causal network and inference scheme are built and analyzed for WT gearbox and generator by deeply studying the fault transfer scheme and coupling scheme of different kinds of WT fault, which would improve the fault diagnosis level for key components of WT significantly. Next, the short term wind power forecasting method for the faulty WTs is studied to improve the forecasting accuracy of faulty WTs. The power curve models of WT with single fault are built by using data mining method. And the power curve models of WT when multi-faults exist are then obtained by utilizing a weight model based on artificial neural network. Finally, WT remaining useful life (RUL) character extracting and analyzing method is deeply studied to estimate the RUL of the generator with normal condition. Fuzzy equation between the measurements and RUL of faulty generator is then built. The fuzzy inference could be utilized to estimate the RUL of faulty generator at last.

融合风电机组多参数检测结果开展风机健康状态评估及预测方法研究，对于及时准确地掌握风机状态，保障其安全高效运行具有重要支撑作用。本申请以整机健康状态评估为切入点，提取表征健康状态的特征向量并进行深入分析，旨在准确评估整机健康状态，并突破整机故障时如何定位到关键部件的瓶颈，实现故障粗定位并进行故障趋势分析；之后深入研究齿轮箱及发电机等关键部件间的故障传递规律及不同故障间的故障耦合作用，构建故障因果网络并进一步探索推理机制，研究成果有助于提升关键部件的故障分析水平；接下来以突破故障状态下风功率的准确预测为目标，先建立单一故障状态下的发电功率曲线，进而建立多故障并存时功率曲线融合的权值模型，从而实现风机短期风功率的准确预测；最后以发电机为代表，深入研究正常运行时发电机运行寿命特征指标的提取及分析方法，建立故障情况下的发电机检测参数与剩余寿命间的模糊关系方程，利用模糊推理实现剩余寿命的模糊综合评判。

项目围绕风电机组整机及其关键部件，针对风机整机健康状态评估、关键部件故障识别、故障状态下短期风功率预测以及发电机寿命预测等问题进行深入研究，完成了研究计划，取得了一系列重要的学术成果。.1）项目基于SCADA数据建立起风电机组整机状态监测模型。利用自编码算法建立整机状态特征提取模型，用于提取能够综合反映整机运行状态的特征参数。使用异常点算法确定正常状态异常度阈值，通过比较当前运行数据特征参数是否超出阈值判别风机故障与否。实测结果表明本研究所建立的模型能够较为全面的反应风机运行状态，可以应用于风电机组整机运行状态在线监测当中。.2）项目针对风电机组关键部件，包括变桨系统，偏航系统，齿轮箱以及变频器进行研究，分别建立有效的故障诊断模型。一方面，充分挖掘风电机组监测数据，包括SCADA数据以及振动数据，另一方面从数据预处理，特征提取及选择，以及故障诊断模型的建立等多个方面进行分析优化，建立准确有效的故障诊断模型。实验验证了模型的有效性，实际风电场的应用结果表明，模型能够提前预警，降低停机时间。.3）项目建立基于EEMD的混合风功率预测模型，结合风功率曲线模型，实现故障状态下的短期风功率预测。模型首先基于历史数据，并考虑风机运行状态以及数据源质量，对风速缺失数据进行了填补。之后使用EEMD分解算法以及遗传算法等措施改善预测模型，有效地提高了预测精度。通过与其他方法的对比，最后验证了提出的短期风功率预测方法具有较好的预测性能。.4）项目建立了基于高斯过程的发电机轴承剩余寿命预测模型。基于真实的风电机组状态监测数据，该模型提取能够反映轴承寿命退化特征的健康指标。利用区间白化方法降低非平稳运行工况的干扰，提高预测精度。最后使用高斯过程建立剩余寿命预测模型。实验结果表明，该模型在安全准备时间能够为风电场提供足够的预测精度，对发电机轴承做出维护，更换等运维操作，从而降低停机时间。

内容获取失败，请点击重试