發(fā)布時(shí)間：2020-05-05 07:15

【摘要】：風(fēng)電機(jī)組的變槳系統(tǒng)因風(fēng)速隨機(jī)波動(dòng)而經(jīng)常在不同工況下切換,且其子系統(tǒng)間存在的強(qiáng)耦合性使其故障難以實(shí)時(shí)檢測(cè)和精準(zhǔn)定位,因此,實(shí)際運(yùn)行中的SCADA系統(tǒng)對(duì)變槳故障的誤報(bào)率較高。針對(duì)上述問題,本文提出變工況變槳系統(tǒng)異常狀態(tài)在線監(jiān)測(cè)與識(shí)別系統(tǒng)。首先,由于變槳系統(tǒng)特征參量在不同工況下對(duì)其狀態(tài)的貢獻(xiàn)率不同,本文基于熵優(yōu)化鄰域粗糙集(ENRS)對(duì)不同工況下的特征參量進(jìn)行約簡建模,提出全工況變槳系統(tǒng)狀態(tài)特征參量挖掘策略。其次,以其約簡數(shù)據(jù)集作為輸入樣本,提出以小世界粒子群(SWPSO)優(yōu)化的熵加權(quán)學(xué)習(xí)向量量化(LVQ)為基礎(chǔ)模型的SWPSO-熵加權(quán)LVQ多模型狀態(tài)監(jiān)測(cè)器,實(shí)現(xiàn)異常狀態(tài)的精準(zhǔn)定位。最后,基于實(shí)際風(fēng)場(chǎng)數(shù)據(jù)對(duì)上述模型進(jìn)行訓(xùn)練,仿真與測(cè)試結(jié)果表明,基于ENRS的SWPSO-熵加權(quán)LVQ模型能實(shí)時(shí)并準(zhǔn)確反映變槳系統(tǒng)在變工況下的異常狀態(tài)模式識(shí)別,具體研究如下:(1)基于SCADA數(shù)據(jù)的變槳系統(tǒng)特征參量挖掘方法研究。結(jié)合某風(fēng)場(chǎng)實(shí)際數(shù)據(jù),在分析電動(dòng)變槳系統(tǒng)特征參量與故障關(guān)聯(lián)模式的前提下,對(duì)其進(jìn)行變工況特性分析�？紤]風(fēng)電SCADA數(shù)據(jù)結(jié)構(gòu)特征及風(fēng)速的隨機(jī)波動(dòng)影響,提出熵優(yōu)化鄰域粗糙集(ENRS)的變槳系統(tǒng)特征參量挖掘模型及全工況的變槳系統(tǒng)特征參量挖掘策略。測(cè)試結(jié)果表明,該策略能完成不同工況下電動(dòng)變槳特征參量集的實(shí)時(shí)提取,并可將重要的特征參量先被篩選到約簡集中。(2)建立基于LVQ(Learning Vector Quantization,學(xué)習(xí)向量量化)網(wǎng)絡(luò)的變槳系統(tǒng)狀態(tài)識(shí)別基礎(chǔ)模型。對(duì)于模型在解決變槳系統(tǒng)狀態(tài)識(shí)別研究中存在的問題,首先,根據(jù)不同工況下特征參量對(duì)其狀態(tài)的貢獻(xiàn)率設(shè)計(jì)了自適應(yīng)權(quán)值距離在線調(diào)整算法,以解決該網(wǎng)絡(luò)距離計(jì)算中放大變化微小變量的不足。其次,選用適用于高維求解且收斂速度快的小世界粒子群優(yōu)化算法(SWPSO)解決其初始權(quán)值敏感問題,進(jìn)一步提出改進(jìn)的基于SWPSO-熵加權(quán)LVQ的變槳系統(tǒng)狀態(tài)識(shí)別基礎(chǔ)模型。(3)基于SCADA檢測(cè)出的變槳系統(tǒng)異常狀態(tài)模式,以多模型構(gòu)造方式表征變槳系統(tǒng)的動(dòng)態(tài)運(yùn)行過程,即構(gòu)建以SWPSO-熵加權(quán)LVQ為基礎(chǔ)模型的多模型狀態(tài)監(jiān)測(cè)器,以解決特征參量數(shù)據(jù)差異小的精準(zhǔn)異常狀態(tài)識(shí)別問題。測(cè)試結(jié)果表明,基于ENRS的SWPSO-熵加權(quán)LVQ多模型狀態(tài)監(jiān)測(cè)器能夠?qū)崿F(xiàn)變工況下變槳系統(tǒng)各種運(yùn)行狀態(tài)的有效識(shí)別。(4)將本文提出的方法應(yīng)用到實(shí)際電動(dòng)變槳SCADA數(shù)據(jù)的測(cè)試中,并與基于SWGA-熵加權(quán)、SWPSO-SVM和SWPSO-SVM基礎(chǔ)模型構(gòu)成的狀態(tài)監(jiān)測(cè)器測(cè)試結(jié)果進(jìn)行比較。對(duì)多種模型針對(duì)變工況和泛化能力的大量仿真測(cè)試表明,隨著預(yù)測(cè)故障時(shí)間尺度t及數(shù)據(jù)集增加到一定程度后,基于SWPSO-熵加權(quán)LVQ監(jiān)測(cè)器準(zhǔn)確率均高于其它模型,反應(yīng)出更高的狀態(tài)識(shí)別靈敏度和泛化能力。
【圖文】：

ｒ－ｌ逡逑ｗ邋■邐—＾ｚｉｒ＾＾逡逑■觀逡逑圖１－２大唐風(fēng)機(jī)著火逡逑Ｆｉｇ．邋１－２邋Ｄａｔａｎｇ邋ｗｉｎｄ邋ｔｕｒｂｉｎｅ邋ｆｉｒｅ逡逑Ｍｉｌ邋ｗｂｉｉｌｋｉ逡逑圖１－３某風(fēng)場(chǎng)風(fēng)機(jī)倒塌逡逑Ｆｉｇ．邋１－３邋Ｗｉｎｄ邋ｔｕｒｂｉｎｅ邋ｃｏｌｌａｐｓｅ逡逑通過對(duì)沈陽某風(fēng)場(chǎng)風(fēng)電機(jī)組各系統(tǒng)發(fā)生故障率進(jìn)行統(tǒng)計(jì)，得到變槳系統(tǒng)在整逡逑個(gè)風(fēng)電機(jī)組中出現(xiàn)的故障率高達(dá)１５％。一方面因?yàn)樽儤�系統(tǒng)是風(fēng)電機(jī)組的實(shí)時(shí)控逡逑制核心子系統(tǒng)，在一定程度控制風(fēng)電機(jī)組的運(yùn)行狀態(tài)；另一方面是因?yàn)樽儤�系統(tǒng)逡逑集電氣和機(jī)械為一體，各組件之間耦合性強(qiáng)。在變槳系統(tǒng)發(fā)生的故障中，絕大多逡逑數(shù)故障都是可以通過ＳＣＡＤＡ系統(tǒng)監(jiān)測(cè)并診斷到的。逡逑故障發(fā)生前變槳系統(tǒng)的運(yùn)行狀態(tài)總能出現(xiàn)一些變化，如果能對(duì)這個(gè)狀態(tài)期間逡逑的內(nèi)容進(jìn)行研[�，确定其发生异常状态的X�蚁姠及时进行维护等操做崿是肪i緇�辶x獻(xiàn)楣收銜�护烦C嫻慕�步。经过葰志统计，通过对肪i緇�组进袃创态监拆h際鹺�，辶x廈扛齜緄緋∶磕甓雜詵緇�的维修费用可綑n停玻擔(dān)�？�擔(dān)埃�，由釉徥障引发的�；�时间辶x峽杉跎伲罰擔(dān)，

本文編號(hào)：2649743