工学硕士毕业论文基于神经网络的风力发电机组状态监测的研究23481.doc

上传人:仙人指路1688 文档编号:3942524 上传时间:2023-03-28 格式:DOC 页数:59 大小:1.63MB
返回 下载 相关 举报
工学硕士毕业论文基于神经网络的风力发电机组状态监测的研究23481.doc_第1页
第1页 / 共59页
工学硕士毕业论文基于神经网络的风力发电机组状态监测的研究23481.doc_第2页
第2页 / 共59页
工学硕士毕业论文基于神经网络的风力发电机组状态监测的研究23481.doc_第3页
第3页 / 共59页
工学硕士毕业论文基于神经网络的风力发电机组状态监测的研究23481.doc_第4页
第4页 / 共59页
工学硕士毕业论文基于神经网络的风力发电机组状态监测的研究23481.doc_第5页
第5页 / 共59页
点击查看更多>>
资源描述

《工学硕士毕业论文基于神经网络的风力发电机组状态监测的研究23481.doc》由会员分享,可在线阅读,更多相关《工学硕士毕业论文基于神经网络的风力发电机组状态监测的研究23481.doc(59页珍藏版)》请在三一办公上搜索。

1、工学硕士学位论文基于神经网络的风力发电机组状态监测的研究宋谷月年月图书分类号:U.D.C.:工学硕士学位论文基于神经网络的风力发电机组状态监测的研究硕士研究生:导 师:副 导 师:申请学位级别:学 科、专 业:所 在 单 位:答 辩 日 期:授予学位单位:东北电力大学Classified Index:U.D.C.Dissertation for the Masters Degree in Engineering( or in Management)Study on the Simulation and Broadcasting of Urban Air QualityCandidate:Don

2、g XiangyuanSupervisor:Prof. Li ShaohuaAssociate Supervisor:Prof. Li MingdeAcademic Degree Applied for:Master of Engineering(or Management)Speciality:Thermal Power EngineeringAffiliation:School of Energy Resource and Mechanical EngineeringDate of Oral Examination:Mar. 2007University:Northeast Dianli

3、University摘 要风力发电作为一种清洁的可再生能源利用方式,近年来在世界范围内获得了飞速的发展,其中风力发电机组大型设备状态监测成为风电研究领域的重要组成部分。发电机是风电机组的重要部件之一,其发生故障后维修成本高,过程复杂。根据运行数据建立发电机温度模型对其进行预测并分析预测残差变化,可以及早发现其早期故障隐患。本课题详细分析了风力发电机组状态监测的现状。根据变量测量位置和作用的不同,对SCADA数据进行分析及分类,深入研究SCADA数据。针对预测模型输入的属性选择问题,首先采用改进的贪心算法将连续属性进行离散化处理,约简掉部分对预测量不发生影响的属性。然后将遗传算法与粗糙集理论相结

4、合进行属性约简,得到对预测量影响较大的属性集。再利用得到的属性集作为输入建立风电机组发电机温度的BP状态监测模型。在风力发电机组非参数预测模型的残差统计方法中,合适的滑动窗口能够消除由于测量误差,机组启停等偶然因素造成的孤立的较大残差的影响。本文详细分析了滑动窗口残差统计的方法及原理,指出了滑动窗口具有能够抑制孤立异常残差的作用,并利用BP预测模型加以验证。关键词:发电机、状态监测、粗糙集、BP模型、滑动窗口AbstractAs a clean and renewable utilize way, the wind power has been developed worldwide in r

5、ecent years, and the condition monitoring of the large equipment of the wind power units has become the important part. Generator is one important component for wind turbine. Its failure will result in high maintenance cost. With constructing generator temperature model and analyzing the residuals o

6、f the model prediction, incipient generator failure could be detected.We analysis the current situation of the condition monitoring on the wind power unit in details. According to the difference of the variables measure position and role, to analyse and classify the SCADA data, and study the SCADA d

7、ata furtherly. As to the variable selection problem in model construction, firstly uses the greedy algorithm to discrete the attributes. Then rough set theory and genetic algorithm are combined together to reduce the attributes. And finally, the attributes that have great influences on generator tem

8、perature were founded. We use the attributes as input of the BP forcase models.In the statistical methods of residual regarding non-parameter forecase models of the wind power units, the suitable of the slipping windows can eliminate the impacts caused by measure errors and occasional reasons, for e

9、xample the shut down of the units. The article analysis the mothed and principle of the slipping windows in details, it indicates the suppression fuction on the abnormal residual by using the slipping windows, then, confirms it by using the BP forcase models.Keywords: wind turbine generator, conditi

10、on monitoring, rough set, BP models, slipping windows目录第1章 绪论- 1 -1.1 风力发电的背景及意义- 1 -1.2 风力发电机组状态监测技术- 2 -1.2.1 风力发电机组状态监测的必要- 3 -1.2.2 国内外研究现状- 4 -1.3 本课题研究意义及内容- 6 -1.3.1 研究意义- 6 -1.3.2 研究内容- 7 -第2章 风电机组发电机结构及SCADA监测参数- 8 -2.1 风力发电机组发电机结构- 8 -2.2风电场的SCADA系统- 8 -2.3 SCADA系统数据的分类- 10 -2.4 本章小结- 12 -

11、第3章 采用粗糙集和遗传算法选取模型变量- 13 -3.1连续属性离散化- 13 -3.1.1离散化问题描述- 13 -3.1.2基于改进贪心算法的离散化方法- 13 -3.2遗传粗糙集属性约简- 15 -3.2.1 粗糙集理论基本概念- 15 -3.2.2遗传粗糙集约简算法- 17 -3.3 模型变量选取过程- 19 -3.3.1 实验数据集及实验工具- 19 -3.3.2决策属性离散化- 20 -3.3.3条件属性离散化- 22 -3.3约简结果- 25 -3.4 本章小结- 26 -第4章 基于BP神经网络的风机状态监测实例研究- 27 -4.1 BP神经网络基本原理- 27 -4.2

12、BP神经网络算法实现步骤- 28 -4.3 发电机温度建模与预测- 30 -4.3.1神经网络训练样本的选择- 30 -4.3.2神经网络的训练及验证过程- 33 -4.4 发电机温度模型预测残差的统计分析- 35 -4.4.1滑动窗口残差均值与标准差统计- 35 -4.4.2发电机工作异常时温度残差统计特性分析- 36 -4.4.3预测残差分析- 37 -4.5 本章小结- 39 -第5章 总结与展望- 41 -参考文献- 43 -第1章 绪论1.1 风力发电的背景及意义在现代社会中,全世界各国都在全力发展和研究风力发电及其相关技术,是因为风力发电在优化能源结构、改善生态环境、促进社会经济可

13、持续发展等方面的突出作用。风能很早就被利用,主要用来风车抽水、风车磨面等,风能是一种清洁的可再生能源,其蕴藏的能量巨大,每年来自于燃烧煤的能量是全球的风能的三分之一,而当今世界上水能可以利用开发的总量也仅仅是全球风能资源的十分之一,全世界约有2.74亿MW的风能,当中2百万MW可以得到利用;我国每年依靠煤发电占了80%,产生了大量的温室气体,大力发展风力发电实现了低碳环保;风能不需要成本,也不造成辐射或空气污染,可带来巨大的经济效益;我国的风力资源是相当雄厚的,也为风能来源提供充足的保障。我国的风力发电产业在可再生能源法及配套制度的不断完善下取得了很大的进步。凭借18.93GW的新增风电装机容

14、量,我国在2010年继续位列全世界新增装机容量的第一位1-2。风力发电的累积装机容量超过美国居于全球第一位,为44.73GW。下图1-1为至2010年我国风电装机容量统计图。图1-1 国风电装机容量统计(数据来源:中国风能协会)2011年,中国内陆一整年的风电装机容量大增,据有关部门统计,有17.63GW,风电在中国不仅打开了市场,而且进入了快速、稳定的发展期。中国累计的风机装机容量达到62.36GW,在全球风电装机容量中继续保持第一的地位。截止到2011年底,中国已有30个省、市、自治区(不含港、澳、台)建立了自己的风电场。其中,风电累计装机容量超过1GW的省份超过10个,超过2GW的省份有

15、9个。装机容量最大的仍是内蒙古自治区,其累计装机达到17.59GW,紧随其后的是河北、甘肃和辽宁,累计装机容量都超过5GW。2012年国内风电市场发展趋势与2011年相同,新增的装机将维持在1518GW,有望达到18GW左右。到2015年,风电装机有望达到100GW。分布式风电的比重会进一步提高,其比例最高可达到30%,但仍然以规模化的开发和陆上风电的开发为主近年来,可能我们大家都会注意到,电网消纳风电的能力范围越来越大,风电输送也逐渐开始大规模地跨地区,多个风电网点开始合并,这一切,都得利于电网公司某些基础建设的提升,比如智能电网、特高压输电线路等风电制造业的成本逐渐升高,行业内部的竞争也逐

16、渐加剧,市场也更加成熟,所以风电制造企业面临着更多的市场考验。与传统能源相比,风电由于产业成熟度高和成本低而具有较大的竞争力。它在中国的能源结构中的比例逐渐增大,已成为实力强大的新能源技术。另一方面,我国风电发展迅猛,速度令人吃惊,但即使这样,风电累计装机容量也仅仅为2020年预测目标的10%,风电发展甚至可以说是刚刚开始,并且基本局限于陆地;2010年第一个海上风电场-上海东海大桥10万KW风电场,它的成功并网运行,迈出了中国海上风电发展的第一步3。2010年,随着首批启动的海上风电特许权招标项目即为江苏100万kW的海上风电之后,我国将要尽快启动第二批海上风力发电特许权的招标项目。开发并建

17、设海上风电,为发展可再生能源做出了巨大贡献。目前,我国风力发电的发电量在电网中所占的比例不断增长,所以对风电场安全生产水平的需要也迫在眉睫。因此,风电机组的运行维护和状态监测成为迫切需要深入研究的课题。1.2 风力发电机组状态监测技术在风电发展迅猛的同时,风电机组高额的运行和维护成本将会影响风场的经济效益。风场一般建在偏远、环境恶劣的地方,而且机舱通常位于5080m以上的高空,对机组的维护与维修造成了很大的困难,而且增加了风电机组的运行和维护成本。以工作寿命为20年的风电机组为例,其运行维护成本将占风场收入的10%15%;对于海上风场,风电机组运行和维护的成本则高达风场收入的20%25%4。高

18、额的运行和维护费用大大增加了风场的运营成本,降低了风场的经济效益。大型的MW级风电机组现阶段大多采用预防式维护(Preventive Maintenance, PM),定期检查和维护机组的重要部件。这种PM维护也存在一些问题。首先定期维护的成本较高且有些维护是介入式的,对设备本身的状态有一定不利影响。其次,机组的运行状态只能在定期维护时得到较为全面的了解,而在两次定期维护之间,机组的运行状态仍是未知的。所以,无论是从降低风力发电机组的运行风险的角度,还是从减少运作成本的角度考虑,都需要大力发展风电机组的状态监测和故障诊断技术。实时了解风电机组各部件的运行状态,及时发现其异常情况和故障隐患,具有

19、重要意义。及早发现机组运行异常和故障隐患,能够为运行人员提供更充裕的决策时间,通过调整运行方式或及时停机,减轻或避免对设备造成的严重损坏,能够提前确定维修方案和时间,准备备件,从而缩短维护时间,大幅降低了维护成本,提高风电机组运行的经济性,争取早日实现真正的视情维护(Condition-based Maintenance, CBM)。1.2.1 风力发电机组状态监测的必要当前,以化石能源作为主要燃料的国家,一方面面临严重的环境污染危机,另一方面,化石燃料的储量不断减少,双重危机导致的能源问题日益加深,促使新能源的使用成为世界能源利用的主要组成部分。风能作为一种可持续发展的清洁型新能源,越来越被

20、世界认为是一种能替代化石燃料发电的经济型能源。但是,在世界各国大力发展风电产业的同时,风电机组较高的运维费用使风电投资成本大幅增加。地理位置的偏远,机组工作条件的恶劣,机舱布置较高等因素,使得风场检修运维费用庞大。据研究,如果机组使用年限超过20年,其检修、运维费用将达到总收入的十分之一以上。而对于建造在海上的风场,其检修、运维费用将会达到总收入的五分之一以上5。风力发电厂检修、运维费用的增加,使得风场总体收入下滑,直接影响了世界各国对风力发电行业的投资比例。因此,实时了解风电机组各部件的运行状态,及时发现各部件的异常情况和故障隐患具有重要意义。及早发现机组运行异常和故障隐患,能够为运行人员提

21、供更充裕的决策时间,通过调整运行方式或及时停机来减少设备的破损,要想降低故障检修成本,就必须做到提前把具体维修方案制定出来,把备件都准备好。对风电机组进行状态监测,一方面可以预知机组故障,另一方面,使机组发电功率达到最优化。因此,大力发展风电机组状态监测技术显得尤为重要。1.2.2 国内外研究现状由于风电机组状态监测对于提高机组的可用率,避免重大设备故障,降低风电场维护费用具有重要意义,成为国内外风电领域研究的热点。风电机组由多个部件组成,如叶轮、齿轮箱、发电机、偏航系统等,各个部件的特性差异很大,不同部件需要采用不同的监测方法。目前国内外对风电机组状态监测的研究根据监测方法分类综述如下。(1

22、)振动分析。振动分析是状态监测的重要方法,特别是对于旋转设备。对于风电机组,振动分析可以用来监视如齿轮箱齿轮和各级轴承、传动链上主轴承和发电机轴承的状态6。文献7用谱分析来分析某250KW风电机组的齿轮箱振动信号,计算边频带的能量谱分布。当齿轮的某个齿出现问题时,其边频带能量会明显增大。文献8-9采用倒谱分析来检测齿轮箱振动的异常变化,由于行星轮某个齿轮表面出现划痕,振动谐波增强,在倒谱分析中表现为一个突出的尖峰。文献10提出采用包络分析对发电机轴承进行监测,部件故障产生的低频激励会对高频振动进行调制,通过包络分析能够更清晰的反映出发电机轴承的故障信息。由于发电机轴承内环表面有蚀点,滚珠通过该

23、蚀点时发出周期脉冲信号。文献11-14建立了发电机和齿轮箱的硬件实验平台,采用小波分析的方法来处理高速采集的振动信号,然而这与齿轮箱实际的运行状态有较大差别。在现场,由于安装在风电机组传动链系统上的振动传感器数量有限而且仅用来进行振动幅值的阈值报警,所以振动信号的采集速度往往很难满足高频振动分析的需要。(2)油液分析。油液分析通常应用于风电机组齿轮箱的状态监测中。齿轮箱需要润滑油对其进行润滑和降温。油液分析可以监测润滑油中金属微粒和水分的状态。文献15采用磁场来检测铁质和非铁质的微粒数。铁质和非铁质微粒是齿轮轴承等运行状态的反映。当齿轮箱轴承运行正常时,微粒数的增长速度较慢。当齿轮轴承出现异常

24、时,油液中的微粒数会急剧增加。目前齿轮箱油液分析的主流形式分为online和inline两种形式。Online方式为在线监测部分油液中的微粒数量;Inline方式为对齿轮箱全部油液进行在线微粒计数和分析。文献16给出油液分析的另外一种方法即采用激光对油液进行扫描,分析计算油液中的微粒数,并根据ISO 4406标准给出润滑油的清洁程度,作为齿轮箱运行状态的重要依据。英国E.On公司部分风电场的机组已安装了磁场微粒技术装置,能够对50-800um直径的铁质微粒和150-1600um的非铁质金属微粒进行计数。(3)应力测量与监测。应力测量对于风电机组部件的安全和寿命预测至关重要,特别是对于叶轮叶片。

25、文献17尝试采用光栅光纤传感器(Fiber Bragg Grating, FBG)来监测叶片的疲劳和状态。和传统的应变片相比,光栅光纤传感器不宜脱胶、蠕变和疲劳,同时能够防雷击且不受电磁干扰的影响。当叶片所受应力变化时,FBG的反射光波长被调制,从而可以反映长叶片不同位置的应力分布和异常变化。但由于FBG的调制光波长需要专用仪器来分析和解读,同时FBG本身造价较高,此监测方法目前还在实验室研究阶段。文献18提出采用热应力分析方法监测叶片疲劳和早期故障。该方法采用敏感红外测温装置监测叶片展向的温度分布。当叶片某些位置出现异常应力增大时,在叶片温度分布图上这些位置会表现为温度明显升高的“热点”。(

26、4)性能监测。风电机组的整体运行性能可以通过机组的功率曲线进行监测。文献19监测机组功率曲线特性的变化。对5分钟间隔的风速和功率数据对以0.5m/s的间隔进行分区和平均,得到从切入风速到切出风速间以0.5m/s为间隔的平均风速和功率对,将这些平均风速和功率对连接起来,得到反映机组运行状态的功率曲线。当叶轮出现如叶片开裂、粗糙度增大等问题时,新的5分钟平均风速功率数据对会偏离功率曲线。文献19给出当连续3个平均风速数据对偏离功率曲线时,给出叶轮异常的报警信号。同时,变桨、偏航、控制子系统的故障也会反映为平均风速功率数据对偏离正常功率曲线。(5)人工智能监测方法。人工智能在风电机组的状态监测中也有

27、较多应用。文献20采用BP神经网络对发电机定子线圈温度进行建模并预测。当发电机定子测量温度偏离模型预测值较大时,发出运行异常报警信号。文献21建立了基于模糊理论的风电机组故障诊断专家系统模型,对风力机故障征兆与引起原因的不确定性进行诊断,可以较为准确的找到故障原因。但由于模糊故障诊断的隶属度的确定带有经验性和主观性,给实际应用带来一定困难。1.3 本课题研究意义及内容1.3.1 研究意义风电机组的运行条件较为恶劣,如外界温差变化大,风速变化随机等。这些不确定的外界因素导致风电机组的故障率高,使风电场后期运行维护成本居高不下。作为风电机组重要部件之一的发电机,一旦发生故障,其维修过程复杂,特别是

28、对于海上风机,维护过程需要船舶、吊车等专用设备以及合适的天气。由于机组运行过程中SCADA系统(机组数据采集与监视控制系(supervisory control and data acquisition,SCADA))记录机组的参数较多,具体哪些因素影响发电机温度并不明显,因此,寻找一种高效的属性约简方法来降低属性空间的维数,找到那些对发电机温度影响较大的因素成为本文要解决的重要问题。对风电机组进行状态监测,必须要建立其正常运行时的动态特性模型,并以此模型为依据检测机组各部件运行异常的早期征兆。由于风电机组运行中风速变化随机、外界环境变量(如温度)变化大、不同机组的特性存在很大差异、机组各部分

29、机械电气耦合关系严重等原因,基于机组各部件物理特性的物理建模方法面临很多难题。为建立机组各部件的物理参数模型,通常会提出很多对实际对象的假设和简化,因此建立的物理参数模型在反映机组真实运行特性方面存在一定局限性。由于风力发电机组输入能量的随机性,导致反映机组工作状态的测量参数表现出规律性差,变化随机性强的特点。因此,选择的神经网络建模方法能够很好地从具有上述特点的SCADA数据中建立相应的模型。当机组运行异常时,这些动态模型可以及时检测出运行的轻微异常变化,从而达到状态监测的目的。拟采用的此新状态监测理论和方法在具有通用性的基础上,同时具有自适应能力,对不同的机组以及同一机组的时变运行状态具有

30、较好的建模能力,完成状态监测的任务。预期的新状态监测方法能够对机组的SCADA数据进行在线分析和信息提取,不需要对现有的风电机组进行硬件改造,成本低,适用范围广,便于工程实现,能够对不同重要部件的不同运行异常状态进行早期监测,是运行人员了解掌握机组运行状态的得力助手。在欧洲,尤其是英国,通过对SCADA数据的分析和处理进行风电机组特别是海上风电机组的状态监测是非常有潜力的研究方向,且刚刚起步。本课题采用神经网络方法对风力发电机组关键部件进行建模及状态监测,具有较大的实用价值。风电机组的状态监测是一个复杂的系统工程,工作量巨大,需要很多细致具体工作的积累才能体现出应用效果。本课题的研究能够为该积

31、累过程做一部分工作。1.3.2 研究内容针对预测模型输入的属性选择问题,本文首先采用相关数据挖掘方法得到对预测量影响较大的属性集。然后将得到的属性集作为输入,采用温度趋势分析的方法进行发电机状态的监测。本文研究的主要内容如下:(1)详细分析了风力发电机组状态监测的现状。根据变量测量位置和作用的不同,对SCADA数据进行分析及分类,深入研究SCADA数据。(2)由于在建立机组各部件重要测量参数的预测模型时,该测量参数预测模型的输入变量集的确定,是建立其准确模型的关键,因此,预测模型输入变量集的确定是影响预测模型精度的重要因素。本文首先采用改进的贪心算法将连续属性进行离散化处理,在离散化的过程中,

32、可以约简掉部分对预测量不发生影响的属性。然后再利用遗传算法与粗糙集理论相结合的方法进行属性约简,最终得到对预测量影响较大的属性集。(3)采用BP神经网络模型来对发电机的温度进行预测,并利用滑动窗口对残差进行分析。在风力发电机组非参数预测模型的残差统计方法中,合适的滑动窗口能够消除由于测量误差,机组启停等偶然因素造成的孤立的较大残差的影响。本文详细分析了滑动窗口残差统计的方法及原理,指出了滑动窗口具有能够抑制孤立异常残差的作用,并利用BP预测模型加以验证。第2章 风电机组发电机结构及SCADA监测参数2.1 风力发电机组发电机结构本文研究的风电机组发电机的额定功率,额定电压,额定电流。切入风速为

33、3m/s,额定风速为12m/s。发电机采用空气冷却形式。冷却器由很多铜制无缝管和强制通风机组成,置于整个机组的顶部,如图2-1所示。发电机内部热空气在两端轴流风扇的驱使下,形成左右两个冷却回路,机内热风经冷却器冷却后再送入发电机定转子中进行冷却,从而实现闭式循环。机组采用两支预埋式的Pt100热电阻测量定子绕组温度,采用一只Pt100热电阻测量冷却空气温度。图2-1 空冷风力发电机结构2.2风电场的SCADA系统大型风电场都安装有各风机供应商提供的SCADA系统,主要功能是在中央控制室的监控计算机中按固定时间间隔(一般为10秒和10分钟)记录风电场中各风机的大量原始数据,基本数据有输出能量、状

34、态和报警信息、故障信息和传感器数据记录等22。SCADA(缩写)是以计算机技术为基础的用于对现场设备实时监控的调度自动化系统,可以对生产过程中的数据进行采样、量测、发出指令。该系统在风力发电场中每10min记录一次机组的运行监测参数和运行状态信息,其中运行监测参数包含时间标签、有功功率、无功功率、齿轮箱轴承温度、齿轮箱油箱温度、故障码、液压油温度、环境温度、定子三相电压、定子三相电流、发电机转速等47个监测参数;每十分钟记录该机组的运行状态信息,其中包括变桨系统故障、发电机系统故障、变频器系统故障、发电机超温和齿轮箱系统故障等。SCADA数据的数量非常巨大,单台风机的单月记录可以达到几百兆。在

35、海量的SCADA数据中蕴藏着丰富的信息,风电机组的运行状态和动态特性在SCADA数据中均有体现。然而,目前风电场对SCADA数据的利用只是局限于数据监试、报表生成和故障后的事故追忆23。海量的SCADA数据存储在计算机中,然后定期备份到光盘上,几乎没有进行数据整理和分析,这样就造成了海量数据的浪费,对风电机组SCADA系统中的数据未进行深入分析和利用的原因主要有以下四个方面:(1)SCADA系统存在海量数据以记录时间较短的10秒钟间隔记录为例,一天中,单台机组的SCADA记录文件大小一般会超过10兆字节。对于大型风电场,机组台数可能会达到上百台。如果没有高效自动的SCADA有用信息提取方法,如

36、此海量的数据难以利用。(2)风电机组运行数据的特殊性由于风力发电的能量来源为风能,风速变化的随机性很强。随着输入能量的随机变化,SCADA记录的各重要参数,如风轮转速、振动加速度、发电功率、齿轮箱温度等都会随之变化24。这些数据变化范围大,随机性强,给信息提取带来困难。另外,传感器等的测量误差也会混杂在SCADA数据中,导致SCADA数据的质量下降,分析困难。(3)缺少有效提取其中有用信息的理论和方法由于风电机组监测参数的相关性强,又参数相关性强,缺少有效提取其中有用信息的理论和方法,使得SCADA系统中记录的机组关键参数数量较多,孤立的观察每个参数的变化,其变化的规律性较差,无法提供更多机组

37、的运行状态信息。(4)不同风电机组的特性存在很大差异由于制造、安装、运行和所处安装位置的不同,在同一风场中,即使型号相同的机组的特性也存在很大差异。例如,对于传动链的振动信号,某台机组的振动幅值可能很大,但根据运行人员经验,可能是能够接受的。但对型号相同的另外一台机组,较小的振动幅值可能意味着异常发生。因此,对于风电机组的SCADA数据的分析是个性化的,从而导致SCADA数据分析的工作量大25。2.3 SCADA系统数据的分类此部分工作是以张家口某风电场多台1.5兆瓦GE公司生产的变速恒频风力发电机组2006-2008年的SCADA数据为基础。下文中的SCADA系统特性和机组特性的部分描述是以

38、上述机组为参考的,但监测理论和监测方法本身具有通用性。以该风电场为例,SCADA系统以10秒和10分钟记录的单台机组的重要参数如表2-1所示:表2-1 风电机组SCADA系统典型参数表1.Power9.Current Phase B-N17.gearbox speed25. n-set 133.Temp. generator 241.Temp. shaft bearing2.Tower defection10.Current Phase C-N18.wind deviation 1 sec.26. n-set234.Temp. bearing A42.High speed running nu

39、mber3.Power factor11.Generator speed19.Blade 2, actual value27.Torque, actual value35. Temp. bearing B43.Digital 14.Reactive power12.Rotor speed20.Blade 3, actual value28.Torque, set value36.Temp. gearbox44.Digital 25.Voltage Phase A-N13.Blade1, actual value21. Blade 1, set value29.Operating state37

40、.Temp. outside45.Cicuit breaker cut-ins6.Voltage Phase B-N14.Wind speed22. Blade 2, set value30.state fault38.Temp nacelle46.Tower acceleration X7.Voltage Phase C-N15.Nacelle position23. Blade 3, set value31.wind deviation 10 sec.39.Temp. generator cooling air47.Tower acceleration Y8.Current Phase A

41、-N16.Nacelle revolution24.Power factor,set value32.Temp. generator 140.Temp. gearbox bearing48.Drive train acceleration这些测量变量根据测量位置和作用的不同,可以分为以下几类:(1)风况和环境变量Wind speed(风速), wind deviation 1 sec.(1秒钟风),Wind deviation 10 sec.(10秒钟平均风向),Temp outside(外界环境温度),Temp nacelle(机舱温度)(2)反映风电机组总体运行性能的变量Power(有功功

42、率),power factor(功率因数),reactive power(无功功率)(3)反映叶轮部分特性的变量Rotor speed(叶轮转速),Blade 1-2-3 actual value(桨叶1-2-3的实际桨距角), Tower acceleration(塔架振动加速度) (4)反映传动链部分特性的变量Drive train acceleration(传动链振动加速度),Temp. shaft bearing(主轴轴承温度),Temp. gearbox(齿轮箱温度),Temp. gearbox bearing(齿轮箱轴承温度),Temp. Gen. Bearing A(发电机轴承A

43、温度),Temp. Gen. Bearing B(发电机轴承B温度,Gearbox speed(齿轮箱转速)(5)反映发电机状态的变量Temp. generator 1-2(发电机定子线圈温度1-2),Temp. generator cooling air(发电机冷却空气温度),Voltage Phase A-B-C(发电机A-B-C三项电压),Current Phase A-B-C(发电机A-B-C三相电流)(6)控制变量Blade 1-2-3 set value(桨叶1-2-3桨距角设定值),Power factor set value(功率因数设定值),n-set 1-2(发电机转速设定

44、值1-2)由表2-1可见,风电机组SCADA中记录的测量变量包含了风电机组整体和各个部件的运行信息。不同厂家的风电机组SCADA数据监测变量在细节上可能有不同,但大都包含以上测量变量。但目前对于这些观测变量的应用仅限于简单地将其与预先设定的报警阈值比较,产生报警信息。由于SCADA数据的随机变化特性以及传感器的测量误差,经常会使这种简单的阈值比较方法产生大量的误报警,干扰机组的正常运行,降低SCADA数据的利用价值。因此,本课题拟研究的随机模型状态监测方法能够根据SCADA数据建立风电机组重要部件的动态模型,并根据该模型判断机组的运行状态。这种由SCADA数据驱动的监测方法能够更加准确的反映机

45、组运行的随机性和真实状态,降低误报警的几率,及时检测出机组的异常变化。2.4 本章小结大量的SCADA数据存储在计算机中,随后备份到光盘上,几乎没有人对这些数据进行整理和分析。本章对SCADA数据利用的问题进行分析,提出新的实用的状态监测理论和方法。并对SCADA数据进行分类,为本课题发电机温度的建模与监测奠定了基础。第3章 基于粗糙集和遗传算法的属性约简3.1连续属性离散化连续属性的离散化是知识获取中数据预处理的一项重要内容26-28。粗糙集理论处理的对象必须是离散的,如车的重量分为超重、中等、轻,可以分别用三个值或符号来表示,它不能直接处理连续属性,如浮点型数据。连续属性离散化的根本出发点

46、是在保证离散化前后决策信息未丢失的前提下,用尽可能少的断点将属性空间划分成尽可能少的子空间,这也是离散化算法追求的目标。3.1.1离散化问题描述是一个决策表,代表所有属性,其中是条件属性集,是决策属性集,是论域,是一个有限的对象集合。决策属性有个。一个在属性值域上的断点被记为,其中,是实数。值域上任意一个断点集合被定义为,断点集合代表了值域上的一个分类, (3-1) (3-2) (3-3)因此,一个新的决策表,就由定义了,如下: (3-4)对于,,如上所示,原来的决策表在离散化以后被一个新的决策表所取代。3.1.2基于改进贪心算法的离散化方法事实上,对于不同的数据类型,采用不同的离散化方法的效

47、果是不同的,在求取断点时,通常情况下,我们都希望求得的断点集数目越少越好,但是,最小数目断点集的求取是NP难问题29,因此我们只能近似地求取最小断点集,所采用的算法也是近似最优算法。Nguyen H.S和Skowron采用贪心算法30来近似求得最小数目的断点集。具体算法如下所示:1) 构造。2) 。3) 表示属性的第个断点。对于任意,若,则,否则。贪心算法可以用如下四步来表示:第一步:把原始信息表按3.1.2节中提到的方法构造出信息表。第二步:令最佳断点集合。第三步:把信息表中所有列中的1加和,选取和最大的列的断点加入到中,把该断点所在的列删除,并删除掉在此断点上值为的所有行;第四步:若不是空,就返回到第三步,否则停止。这时里的断点集就是最终结果。为了求得最小的断点集,贪心算法每次取重要性最高的断点,而断点的重要性是以各列中的数目来衡量的,的个数多,则断点的重要性高。但是当多个列中含的个数相同时,贪心算法无法进行。针对上述缺陷,文献31提出了改进方法,在新得到的信息表中,如果把每行中的数目累计增加到一个新的列中,就可以得到另

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 办公文档 > 其他范文


备案号:宁ICP备20000045号-2

经营许可证:宁B2-20210002

宁公网安备 64010402000987号