基于大数据分析风电机组塔架振动仿真研究.docVIP

基于大数据分析风电机组塔架振动仿真研究 　　风电机组常年在复杂工况下连续运行，机组对设备的可靠性等方面有很高的要求，对机组塔架振动信号的建模和分析可以实现对机组重要部件如叶片、传动链、塔架等的状态监测及故障预警工作。文章采用非线性状态估计技术（Nonlinear State Estimate Technology，NSET）作为建模方法，在对风电机组塔架振动特性及其影响因素进行细致分析的基础上，利用大数据平台采集的机组塔架相关数据建立了塔架振动模型。该模型反应了机组正常工况下塔架振动情况。利用残差统计方法对机组塔架振动估计值和实际值的残差进行分析，残差均值能显示出塔架振动的异常状态，为后续开展的风电机组叶片开裂等早期故障诊断打下了良好的基础，同时为风电机组振动分析提供了新的思路。 　　【关键词】风电机组 大数据分析 NSET 塔架振动 　　风电新能源发电具有数量大、种类多、设备分散等特点，设备在生产过程全寿命周期产生了海量的数据。这些数据蕴含着企业运营、设备运行维护等大量的信息，“数据”已成为企业生产运营的重要资源。通过对于这些数据的挖掘，分析其中的规律，对机组故障预警与故障诊断等问题提供了新的思路。 　　近年来，在大数据的基础上，对风电机组部件运行特性进行深入的分析和研究，采用机器学习和数据挖掘方法对风电机组、关键部件进行状态监测是一种新的技术发展趋势。 　　本文以某风电场的SCADA 运行数据为基础，在定性分析系统运行趋势的基础上，采用NSET方法建立风电机组塔架振动模型。该模型能够反映出系统正常工况下机组塔架振动值，利用实测值与模型输出值之间的残差进行分析，得出残差均值的变化趋势，接着根据现场工作人员的经验，若残差均值曲线超出阈值区间，则表明机组塔架振动运行异常，工作人员需对进行检查，并提前确定维护方案和维护时间，避免和减轻严重的设备损坏，降低维护成本，提高风电机组运行的经济性。 　　1 塔架振动监测分析 　　在风电机组状态监测中，塔架振动传感器安装在机舱和塔架连接处的塔筒内壁上，测量塔架顶端振动加速度。塔架振动信号是反映机组各旋转部件（如齿轮箱、传动链、叶轮）和塔架运行状态的重要参数。 　　通过对风电机组运行数据的分析，塔架振动加速度信号与风速、风向、有功功率、无功功率、电压、电流、发电机转速、叶轮转速、电网频率等多个参数具有密切关系，这些参数量为机组塔架振动加速度信号识别的激励源。机组塔架振动模型是利用机组正常运行的SCADA数据建立模型，该模型描述了正常状态下机组塔架模型与激励源之间的多参量隐形关系。当机组发生叶片类或传动链类故障异常时，分析该模型输出与机组正常模型输出之间的残差，进而识别塔架异常的工作状态，达到发现早期故障隐患的目的。 　　本文主要是采用NSET 方法对塔架振动加速度信号进行状态估计，其中应用神经网络算法对NSET 方法中的权值参数进行修正，得到最佳估计值，然后利用残差统计方法对估计值和实际值的残差进行分析，得出残差均值的变化趋势。 　　2 非线性状态估计下的机组塔筒振动分析 　　NSET 是由Singer 等提出的一种多变量状态估计技术，已在核电传感器校验、设备监测、电子产品寿命预测等方面有成功的应用。某一工业过程中有n个相关向量，即某一时刻i观测到的n个值即为观测向量 　　D为过程记忆矩阵，过程记忆矩阵中每一列观测量代表设备的一种正常工作状态，经过合理选择过程记忆矩阵就可代表该设备正常运行的整个动态过程。 　　当机组正常运行时，NSET 的输入观测向量位于过程记忆矩阵D 所代表的正常工作空间内，与D 矩阵中的某些历史观测向量距离较近，相应的NSET 模型的估计向量Xest和观测向量Xobs较接近，此时Xest具有很高的精度。当设备运行异常时，通过过程记忆矩阵D 中的历史观测向量的组合将无法构造其对应的精确估计值，导致估计向量Xest和观测向量Xobs之间的偏差较大。残差K的阀值大小由现场运行经验确定。 　　3 人工神经网络算法确定非线性状态估计下权值系数 　　人工神经网络是在现代神经科学的基础上提出的，通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。BP神经网络是一个多层人工神经网络，BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer），各层神经元向下一层神经元输出激活信号。 　　（1）神经网络初始化，所有连接权值初值的确定，设定误差精度最大学习次数等。 　　（2）随机选取数据样本及对应的期望输出。 　　（3）计算隐层各神经元的输入输出。 　　（4）利用实际输出和期望输出计算误差函数对输出层个神经元的偏导数。 　　（5）利用隐含层到输出层的连接权值、输出层的偏导数以及隐含层的输出计算误