基于SCADA系统的风电变桨故障预测方法研究

被引：36

作者：

肖成 ^{[1
,2
]}

刘作军 ^{[1
]}

张磊 ^{[1
]}

机构：

[1] 河北工业大学控制科学与工程学院

[2] 北华航天工业学院电子与控制工程学院

来源：

可再生能源 | 2017年 / 02期

关键词：

变桨系统; 故障预测; 多元线性回归分析; BP神经网络; SCADA系统;

D O I：

暂无

中图分类号：

TM614 [风能发电];

学科分类号：

080811 [新能源发电与电能存储];

摘要：

风电机组变桨系统故障是目前造成机组停机的第一原因。文章对未来30 min的风电机组变桨故障进行预测,通过分析变桨系统潜在故障,制定维护保养计划;针对兆瓦级风电机组,分析SCADA系统的数据,提取变桨距系统故障特征;从风速、风向、桨距角和电机转速的输入、输出关系出发,应用多元线性回归分析和BP神经网络分别对变桨系统进行模型训练,对比两种算法的预测能力。通过分析故障预测模型性能指标、误差指标和输出数据图形可知,BP神经网络在风电变桨系统中的故障预测效果优于多元线性回归预测。

引用

页码：278 / 284

页数：7

共 10 条

[1]

基于状态监测的风电机组变桨系统故障诊断 [J].

姚万业 ;

李新丽 .

可再生能源, 2016, 34 (03) :437-440

[2]

基于果蝇算法优化BP神经网络的齿轮箱故障诊断 [J].

祁丽婉 ;

梁庚 ;

童国炜 .

电网与清洁能源, 2014, 30 (09) :31-36+42

[3]

基于改进共轭梯度优化BP神经网络的风电机组变桨距控制 [J].

邢作霞 ;

肖泽亮 ;

王雅光 ;

李旭锋 .

可再生能源, 2014, 32 (06) :798-804

[4]

风电场风机变桨系统故障分析[J] 甘槐樟;周鑫盛; 湖南电力 2012, 06

[5]

风电机组齿轮箱温度趋势状态监测及分析方法 [J].

郭鹏 ;

David Infield ;

杨锡运 .

中国电机工程学报, 2011, 31 (32) :129-136

[6]

风力发电机组控制系统故障诊断研究 [D].

乔淑娟 .

北方工业大学,

2014

[7]

基于回归分析的风机主要部件的故障预测方法研究 [D].

张小田 .

华北电力大学,

2013

[8]

Application of multi-class fuzzy support vector machine classifier for fault diagnosis of wind turbine[J] Jun Hang;Jianzhong Zhang;Ming Cheng Fuzzy Sets and Systems 2016,

[9]

Wind turbine condition monitoring by the approach of SCADA data analysis[J] Wenxian Yang;Richard Court;Jiesheng Jiang Renewable Energy 2013,

[10]

Condition monitoring and fault detection of wind turbines and related algorithms: A review[J] Z. Hameed;Y.S. Hong;Y.M. Cho;S.H. Ahn;C.K. Song Renewable and Sustainable Energy Reviews 2007,

← 1 →