论文部分内容阅读
风电机组高故障率等问题带来的高额维护成本影响了相关企业的经济效益,因此降低设备故障率和机组停机时长、提高风电场的发电效益成为研究热点。本文依据国内风电机组运行数据进行统计分析,获取关键特征量,建立风电机组健康状态评价模型,为风电机组的健康状态实时评价提供依据;同时,通过运行数据挖掘机组高频故障,对其进行故障诊断与预测,以达到提高设备可使用率的目的。本文主要工作如下:1、研究风电机组的功能单元与结构单元;分析风电机组设备常见故障及原因,分析国内外的风电机组高频故障;分析风电场SCADA系统运行数据,提取有效状态特征量作为风电机组设备健康状态评价的性能指标;利用关联规则算法分析SCADA系统报警点信息,提炼有效主导报警信息。2、研究风电机组的生产运行状态特征量,设计了基于灰色理论系统的变权模糊综合评价模型。本文遵循评价指标构建原则,对评价因素集里的因素进行归类,构建了风电机组健康状态评价指标体系,并在此基础上提出基于灰色系统理论的变权模糊综合评价算法,建立风电机组健康状态评价模型。通过实验验证,结果表明本文给出的风电机组健康状态评价模型能够提前监测到机组的亚健康状态,平均提前3.273小时。3、对风电机组的高频故障进行诊断与预测。变频器低温故障报警约占变频器报警的76%,挖掘变频器低温故障报警信息与机组运行数据的内在联系,发现变频器低温故障报警只发生在机组停机状态,并受环境温度、风速的影响较大。齿轮箱油温异常故障报警约占齿轮箱报警的55%,通过生产运行数据挖掘,发现齿轮箱油温异常故障受齿轮箱转速及其运转时间、环境温度的影响较大。以齿轮箱油温异常故障的三个影响因素为基础,建立齿轮箱油温异常故障预测模型,与现有的仅考虑环境温度这一个影响因素的预测模型对比,本文设计的预测模型考虑因素更全面,预测结果更准确。