基于NSET和DBN的风机叶轮故障监测与预测研究.pdfVIP

山东建筑大学硕士学位论文 摘 要 近年来随着能源危机的加剧以及人们环保意识的增强，风能作为一种分布广泛、储 备丰富的清洁可再生能源逐渐受到国际社会的广泛关注，风力发电也因此成为一种重要 的能源供应方式。但是，由于受恶劣运行环境的影响，风力发电系统故障发生频率高、 故障发生后停机时间长、维修成本大，因此风电系统运维建设成为未来发展的重要着力 点。风电机组作为风力发电过程的主要组成部分，通常由叶轮、发电机和塔筒三部分组 成。叶轮作为风电机组能量转换过程的重要部分，其运行状态的优劣对于整个风电机组 的发电效率具有决定性影响。统计表明，叶轮故障是导致风机停机和降低风电场发电效 率的重要影响因素，对风机叶轮运行状态的监测与预测等运维方法进行研究具有重要的 经济价值和工程应用需求。 （1）基于非线性状态估计技术 (Nonlinear State Estimate Technology, NSET) 对风电 机组叶轮故障监测方法进行研究，形成风电机组叶轮故障监测改进的NSET 模型。针对 传统NSET 模型中基于固定步距确定记忆矩阵方法存在的问题，提出一种改进的NSET 监测模型。首先对历史最优工况数据采用 DBSCAN (Density Based Spatial Clustering of Application with Noise) 算法进行聚类，然后对每一类数据进行基于马氏距离的选取，最 后将每一类的选取结果合并作为最终的记忆矩阵。基于统计过程控制 (Statistical Process Control, SPC) 原理确定报警和警告的上下限以及异常判定准则。实验结果表明，改进后 的监测模型所构建的记忆矩阵较小、故障监测精度较高。 （2 ）将深度信念网络 (Deep Belief Network, DBN) 引入风电机组叶轮故障预测， 提出DBN 与反向传播 (Back Propagation, BP) 神经网络组合的故障预测新方法。利用 DBN 在高维数据特征提取方面能力较强的优势，对风机叶轮劣化数据属性之间的内在 联系进行抽象建模，得到高维数据特征的低维内在表示；基于BP 神经网络在时间序列 预测方面的优势，将其作为DBN 的顶层决策层对风机叶片转速 (BLASPE1) 的变化趋 势进行预测。实验结果表明，与传统预测模型相比，论文提出的新模型的预测精度较 高。 （3 ）为了论文所研究的风电机组叶轮故障监测和预测模型未来能够进行工程化应 用，对原型系统进行了设计和开发。原型系统主要包括系统配置、数据管理、模型管理、 故障监测、故障预测等模块。系统配置模块主要实现各功能子系统的初始化，数据管理 模块主要实现对风机叶轮SCADA (Supervisory Control and Data Acquisition) 监测数据的 I 山东建筑大学硕士学位论文 获取和预处理，模型管理模块主要实现故障监测与预测模型的构建、更新和保存，故障 监测模块主要实现对风机叶轮SCADA 数据的实时监测分析，故障预测模块主要实现对 监测得到的风机叶轮劣化数据中BLASPE1 的变化趋势进行预测。 关键词：故障监测，故障预测，风机叶轮，非线性状态估计技术，深度信念网络 II 山东建筑大学硕士学位论文 Research on Wind Turbine Impeller Fault Monitoring and Prediction Based on NSET and DBN Zhang Xin (Computer Application Technology) Directed by Xu Zunyi ABSTRACT In recent years, with the