風(fēng)電機(jī)組狀態(tài)異常辨識廣義模型與運行風(fēng)險評估方法研究.pdf

1、受到惡劣自然環(huán)境與風(fēng)能隨機(jī)波動性的影響，風(fēng)電機(jī)組的運行工況動態(tài)變化。運行工況對風(fēng)電機(jī)組狀態(tài)參數(shù)具有顯著的影響，導(dǎo)致已有采用閾值法的風(fēng)電機(jī)組狀態(tài)監(jiān)測方法難以在實際應(yīng)用取得良好的效果。以提高風(fēng)電機(jī)組運行安全可靠性為目標(biāo)，作者對風(fēng)電機(jī)組狀態(tài)異常辨識與運行風(fēng)險評估方法進(jìn)行了系統(tǒng)的研究，論文主要包括以下內(nèi)容。
　　首先，研究了風(fēng)電機(jī)組狀態(tài)參數(shù)預(yù)測模型。對狀態(tài)參數(shù)與自然環(huán)境的相關(guān)性進(jìn)行分析，研究了狀態(tài)參數(shù)的分類方法；對與自然環(huán)境密切相關(guān)的狀態(tài)

2、參數(shù)，建立了基于反向傳播神經(jīng)網(wǎng)絡(luò)（Back-propagation neural network，簡稱為BPNN）的狀態(tài)參數(shù)預(yù)測模型，并與基于最小二乘支持向量機(jī)（Least squares support vectormachines，簡稱為LS-SVM）和非線性狀態(tài)估計（Nonlinear state estimate technique，簡稱為NSET）的預(yù)測模型進(jìn)行了對比分析；對比了分別采用本機(jī)近期數(shù)據(jù)、本機(jī)歷史數(shù)據(jù)與其他機(jī)組近期

3、數(shù)據(jù)建立的預(yù)測模型的預(yù)測精度；進(jìn)一步研究了樣本數(shù)據(jù)中目標(biāo)狀態(tài)參數(shù)分布相似程度的量化方法，揭示了目標(biāo)狀態(tài)參數(shù)分布對狀態(tài)參數(shù)預(yù)測精度的影響規(guī)律。
　　其次，開展了風(fēng)電機(jī)組狀態(tài)參數(shù)異常辨識廣義模型的研究。通過研究機(jī)組目標(biāo)狀態(tài)參數(shù)的統(tǒng)計分布特性，提出了風(fēng)電機(jī)組的聚類方法；采用平均絕對誤差（Meanabsolute error,簡稱為MAE）評估各預(yù)測模型異常辨識結(jié)果的有效性，針對以本機(jī)歷史數(shù)據(jù)和同聚類內(nèi)其他機(jī)組近期數(shù)據(jù)為訓(xùn)練樣本建立的預(yù)測

4、模型，提出了預(yù)測模型的快速選擇方法；建立了狀態(tài)參數(shù)預(yù)測殘差的核密度分布模型，通過統(tǒng)計預(yù)測殘差落入不同概率區(qū)間的個數(shù)，研究了狀態(tài)參數(shù)異常程度量化方法，在此基礎(chǔ)上采用模糊評判方法實現(xiàn)了狀態(tài)參數(shù)異常辨識。實例分析表明，本文建立的異常辨識廣義模型有效融合了多個預(yù)測模型的異常辨識結(jié)果，對風(fēng)電機(jī)組狀態(tài)異常實例具有良好的應(yīng)用效果。
　　第三，研究了風(fēng)電機(jī)組短期可靠性預(yù)測模型。以風(fēng)電機(jī)組狀態(tài)參數(shù)的異常辨識結(jié)果為依據(jù)，對風(fēng)電機(jī)組的運行狀態(tài)進(jìn)行劃分，

5、采用Markov過程描述風(fēng)電機(jī)組的狀態(tài)轉(zhuǎn)移過程，研究了機(jī)組時變狀態(tài)轉(zhuǎn)移概率的計算方法；對于與自然環(huán)境密切相關(guān)的狀態(tài)參數(shù)，提出了基于狀態(tài)參數(shù)概率預(yù)測的保護(hù)動作模型；對于具有保護(hù)動作整定時間的狀態(tài)參數(shù)，提出了基于越限時間的保護(hù)動作模型；通過分析風(fēng)速與風(fēng)電機(jī)組停運率的相關(guān)性，建立了風(fēng)速相依的風(fēng)電機(jī)組統(tǒng)計停運模型。實例分析表明，通過融合機(jī)組異常狀態(tài)信息、狀態(tài)參數(shù)越限信息和統(tǒng)計停運信息，本文建立的短期可靠性預(yù)測模型能準(zhǔn)確反映風(fēng)電機(jī)組的運行可靠性。

6、
　　最后，開展了風(fēng)電機(jī)組運行風(fēng)險評估方法研究。根據(jù)對風(fēng)電機(jī)組關(guān)鍵組件故障率與維修費用的分析，研究了風(fēng)電機(jī)組故障模式分類方法，在此基礎(chǔ)上對機(jī)組故障模式與狀態(tài)參數(shù)的相關(guān)性進(jìn)行了研究，建立了風(fēng)電機(jī)組的故障特征參量體系；以故障特征參量作為輸入?yún)?shù)，構(gòu)建了采用粒子群優(yōu)化（Particle swarm optimization，簡稱為PSO）LS-SVM的風(fēng)電機(jī)組故障預(yù)測模型，并與基于BPNN、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial basis

7、function neural network，簡稱為RBFNN）和SVM的故障預(yù)測模型進(jìn)行了對比驗證；根據(jù)風(fēng)電機(jī)組短期停運概率與故障預(yù)測結(jié)果，提出了計及工況的風(fēng)電機(jī)組運行風(fēng)險評估方法。實例分析表明，基于機(jī)組短期可靠性與故障預(yù)測模型的運行風(fēng)險評估方法，能夠合理反映風(fēng)電機(jī)組異常運行狀態(tài)停運風(fēng)險的影響，獲得了準(zhǔn)確的風(fēng)險量化結(jié)果。
　　上述工作是對風(fēng)電機(jī)組智能運維關(guān)鍵技術(shù)研究的積極探索，對提高風(fēng)電機(jī)組運行可靠性和降低風(fēng)電場運維成本具有良