風電機組運行狀態(tài)評估與短期可靠性預測方法研究.pdf

1、受到惡劣自然環(huán)境與風能隨機波動性的影響，風電機組的運行工況具有復雜的變化特性。運行工況對風電機組狀態(tài)參數(shù)具有顯著的影響，導致已有采用閾值法的風電機組運行狀態(tài)評估方法難以在實際應用取得良好的效果。以提高風電機組運行安全可靠性為目標，作者對風電機組運行狀態(tài)評估與短期可靠性預測方法進行了系統(tǒng)的研究，論文主要包括以下內(nèi)容。
　　首先，對風電機組狀態(tài)參數(shù)的相關(guān)性進行了研究。根據(jù)對風電機組數(shù)據(jù)采集與監(jiān)視控制（Supervisory contr

2、ol and data acquisition，簡稱為SCADA）系統(tǒng)數(shù)據(jù)在風速區(qū)間的分布規(guī)律的分析，研究了SCADA數(shù)據(jù)的選擇方法；進一步對比分析了風電機組狀態(tài)參數(shù)之間的Pearson、Kendall與Spearman相關(guān)系數(shù)，在此基礎(chǔ)上對風電機組狀態(tài)參數(shù)的綜合相關(guān)性指標進行了研究，并采用綜合相關(guān)指標對風電機組實例數(shù)據(jù)進行了分析，揭示了風電機組狀態(tài)參數(shù)之間的相關(guān)規(guī)律。
　　其次，開展了風電機組狀態(tài)參數(shù)異常辨識模型的研究。對輸入?yún)?/p>

3、數(shù)對目標參數(shù)的影響程度進行了量化分析，研究了狀態(tài)參數(shù)預測模型的自動參數(shù)選擇方法，建立了基于反向傳播神經(jīng)網(wǎng)絡（Back-propagation neural network，簡稱為BPNN）的參數(shù)自動選擇子模型；通過對基于最小二乘支持向量機（Least squares support vector machines，簡稱為LS-SVM）、徑向基函數(shù)神經(jīng)網(wǎng)絡（Radial basis function neural network，簡稱為R

4、BFNN）和BPNN的狀態(tài)參數(shù)組合預測方法的研究，建立了基于參數(shù)預測殘差信息熵的狀態(tài)參數(shù)異常分析子模型。由參數(shù)自動選擇與參數(shù)異常分析子模型構(gòu)成的廣義模型，對風電機組狀態(tài)異常實例具有良好的應用效果，獲得了準確的狀態(tài)參數(shù)異常辨識結(jié)果。
　　第三，研究了計及工況的風電機組運行狀態(tài)評估模型。在對風電機組狀態(tài)參數(shù)劣化度計算方法研究的基礎(chǔ)上，研究了采用狀態(tài)參數(shù)劣化度和工況參數(shù)作為輸入?yún)?shù)的風電機組運行狀態(tài)BPNN評估模型，同時對BPNN模型的

5、結(jié)構(gòu)進行優(yōu)化設計，并與RBFNN和LS-SVM模型的評估結(jié)果進行了對比分析。實例分析表明，采用狀態(tài)參數(shù)劣化度作為輸入?yún)?shù)與BPNN結(jié)合，評估結(jié)果較好地反映了風電機組的運行狀態(tài)，優(yōu)化BPNN比兩種對照評估模型具有更高的準確率與更短的計算時間。
　　最后，開展了風電機組短期可靠性預測模型的研究。對風電機組的初始停運概率模型進行了研究，分析了數(shù)據(jù)采樣率和狀態(tài)轉(zhuǎn)移概率的統(tǒng)計區(qū)間對停運概率的影響；通過分析風電機組實時狀態(tài)對停運概率的影響，研