论文部分内容阅读
传统能源危机使各国都愈加重视风力发电这种无公害可再生能源的开发。为了更高效地获取风能,风力发电机也被越来越多地安装到风能资源丰富的高海拔地区或海面上,但高海拔地区更接近湿润云层、海面上的过高湿度等问题,让风力发电机叶片结冰这一故障出现得愈加频繁,且一直没有得到很好的解决。在中国这一问题也很明显,因为在现有风电产业最集中的北方地区,也正是最容易发生风力发电机叶片结冰故障的地区。本文基于真实风力发电机组的SCADA(Supervisory Control And Data Acquisition)监测数据,运用数据驱动的方法,对风力发电机叶片结冰进行诊断与预测。主要研究工作如下:(1)针对各类监测数据与风机叶片结冰的不同关联度,通过动态PCA算法从26类特征数据中选取贡献率最高的3类特征作为风机结冰故障诊断与预测的关键特征,并结合行业经验和数据可视化排除了关联度最低的8类特征,定量地分析了各类监测数据与风机叶片结冰故障之间的特性关系,得出一些与风机叶片结冰最相关的,且有利于后续分析的数据特征。(2)由于风力发电机SCADA监测数据量大且变化快,各种工况数据占比不平衡导致故障特征数据处理困难,针对合成少数类过采样技术SMOTE(Synthetic Minority Oversampling Technique)在平衡数据过程中未考虑边界情况的不足,提出了一种改进的过采样平衡化算法SC-SMOTE(Safe Circle-SMOTE),优化工况数据集。基于SC-SMOTE算法处理后的数据集,提出了一种基于k-NN(k-Nearest Neighbors)分类的风力发电机叶片结冰故障诊断方法。通过与SMOTE算法平衡数据的实验对比,验证了该方法对风机叶片结冰故障诊断的有效性以及对诊断准确率的提高作用。(3)针对风力发电机叶片结冰故障预测难的问题,提出了一种结合多种机器学习算法的风机叶片结冰故障预测方法。首先利用上文得到的多类与风机叶片结冰最相关的特征,通过Elman人工神经网络和支持向量机回归SVR(Support Vector Machines for Regression)进行对比预测实验,将预测出的各类特征在未来一段时间的特征值(趋势),输入用大量标签数据训练好的BP(Back Propagation)人工神经网络进行分类判断,预测在未来一段时间内是否会出现风机叶片结冰的故障。最后实验验证了通过Elman人工神经网络的预测误差更小和该方法的有效性。