论文部分内容阅读
近年来,我国风电产业得到了迅速发展,风能等清洁能源得到了国家的大力支持。风能作为一种清洁高效且资源丰富的可再生能源,在世界范围内得到广泛的重视和提倡。我国风电机组装机量大增,但与之相匹配的状态监测装置却相对滞后,因机组故障而造成的高额维护费用,造成了风电场的大量经济效益损失。齿轮箱是风电机组故障频发部件,具有检修难度大、维护费用高的特点。风电机组数据采集与监视控制系统(Supervisory Control and Data Acquisition,SCADA)中包含大量的温度参数信息,传统的传感器监测具有成本高、易损坏的劣势,基于SCADA数据的风电机组状态监测和预警将是未来发展的需要,应用SCADA数据进行风电机组齿轮箱故障预警,尽可能提前发现机组故障,从而减轻和避免设备向更恶劣的损坏程度发展。本文基于风电机组SCADA运行数据建立风电机组齿轮箱故障预警模型并监测风电机组齿轮箱运行状态,具体包含以下几个方面。1、介绍风电机组SCADA系统结构并分析其功能。统计风电机组齿轮箱故障分类并分析故障发生原因。2、提出了基于BootStrap置信度计算的风电机组齿轮箱温度预警方法。大型风电机组运行工况和状态信息复杂,应用单一阈值作为故障预警的评价标准存在漏报和误报问题,该方法选择合适的工况划分参数和划分间隔尺度实现二维工况空间划分,充分考虑了风电机组故障预警普遍存在的误报警问题及环境温度对齿轮箱温度的影响。为了规避状态监测和预警方法在工程应用中普遍存在的误报警问题,使用BootStrap构造超限点置信度计算方法,克服了传统状态监测单一阈值误报警问题。3、提出了基于XGBoost建模和Change-Point残差处理的风电机组齿轮箱温度预警方法。基于SCADA数据的风电机组齿轮箱故障预警普遍存在预测精度和计算效率低,资源占用高的问题。极限梯度提升(eXtreme Gradient Boosting,XGBoost)算法本身结合多线程、数据压缩、分片的形式,其在处理大数据量样本时仍具有较高的通用性。采用XGBoost算法建立齿轮箱正常工作状态的温度模型。为提高齿轮箱故障预警的可靠性,解决故障监测存在的时间不确定度问题,构建了新的Change-Point算法,利用Change-Point技术进行XGBoost模型预测残差序列分析,可定位齿轮箱状态劣化时间点,回溯状态劣化原因。