大型風(fēng)電場(chǎng)智能維護(hù)系統(tǒng)研究.pdf

1、截至2015年底，中國(guó)風(fēng)電并網(wǎng)裝機(jī)總量為1.29億千瓦，山西風(fēng)電并網(wǎng)裝機(jī)總量為669萬千瓦，預(yù)計(jì)“十三五”末我國(guó)風(fēng)電累計(jì)裝機(jī)容量達(dá)到2.4億千瓦，山西省達(dá)到1800萬千瓦。隨著風(fēng)電裝機(jī)容量增加，風(fēng)電的安全、高效、經(jīng)濟(jì)運(yùn)營(yíng)越來越重要。風(fēng)電機(jī)組由于長(zhǎng)期運(yùn)行在惡劣環(huán)境中，故障頻繁發(fā)生，維護(hù)費(fèi)用高。因此，開展風(fēng)電場(chǎng)智能維護(hù)系統(tǒng)研究，對(duì)提高風(fēng)電運(yùn)營(yíng)可靠性、降低維護(hù)費(fèi)用、優(yōu)化維護(hù)決策具有重要價(jià)值。本文從數(shù)據(jù)采集、故障特征提取、故障預(yù)測(cè)、智能維護(hù)決策

2、和系統(tǒng)框架設(shè)計(jì)等方面展開研究，主要工作概括如下：
　　在課題組已有的狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)振動(dòng)數(shù)據(jù)采集基礎(chǔ)上，增加了電流、溫度、視頻、聲頻、煙霧、電網(wǎng)參數(shù)等信號(hào)的數(shù)據(jù)采集，為智能維護(hù)系統(tǒng)設(shè)計(jì)和開發(fā)提供基礎(chǔ)。
　　統(tǒng)計(jì)和分析了風(fēng)電機(jī)組齒輪箱、發(fā)電機(jī)等關(guān)鍵部件的常見故障模式，給出振動(dòng)信號(hào)的常規(guī)時(shí)域頻域特征參數(shù)。針對(duì)現(xiàn)有特征提取方法難以定量描述設(shè)備故障程度問題，引入復(fù)雜度概念，利用復(fù)雜度度量方法可以綜合度量出信號(hào)變化趨勢(shì)，提出小波

3、包結(jié)合包絡(luò)分析以及樣本熵快速算法提取故障特征值的新方法，通過風(fēng)電機(jī)組故障模擬實(shí)驗(yàn)臺(tái)數(shù)據(jù)和現(xiàn)場(chǎng)數(shù)據(jù)的分析，證明了該方法的正確性和有效性。
　　在特征提取基礎(chǔ)上，對(duì)故障預(yù)測(cè)模型和方法進(jìn)行研究。針對(duì)傳統(tǒng)灰色預(yù)測(cè)模型存在要求累加數(shù)據(jù)序列具有指數(shù)性質(zhì)、多步預(yù)測(cè)精度低的缺陷，采用馬爾可夫法和等維新息法對(duì)灰色模型改進(jìn)，將改進(jìn)后的灰色模型與Elman神經(jīng)網(wǎng)絡(luò)組合，提出改進(jìn)灰色Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組振動(dòng)特征預(yù)測(cè)新方法；經(jīng)過實(shí)例分析，該方法比單

4、獨(dú)使用灰色模型或Elman神經(jīng)網(wǎng)絡(luò)模型具有更高預(yù)測(cè)精度，滿足工程上應(yīng)用要求。然后，繼續(xù)對(duì)單變量模型深入研究，針對(duì)傳統(tǒng)單變量模型具有對(duì)單一特征依賴性大、利用信息匱乏、預(yù)測(cè)精度不高等缺點(diǎn)提出多變量故障預(yù)測(cè)模型；從多變量特征角度出發(fā)，研究多變量最小二乘支持向量機(jī)模型及參數(shù)優(yōu)化方法，在研究部件退化狀態(tài)評(píng)估的故障閾值設(shè)定方法與故障預(yù)測(cè)基本理論基礎(chǔ)上，引入相關(guān)分析特征選擇方法，提出基于PSO-MLSSVM的風(fēng)電機(jī)組多變量故障預(yù)測(cè)新方法，通過仿真驗(yàn)證