基于小波BP神经网络的风电机组变桨系统故障预测

被引：62

作者：

肖成 ^{[1
,2
]}

焦智 ^{[2
]}

孙介涛 ^{[3
]}

张磊 ^{[1
]}

宋玉彬 ^{[2
]}

石莹 ^{[2
]}

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

[3] 厦门大学自动化系

来源：

可再生能源 | 2017年 / 35卷 / 06期

关键词：

风电机组; 变桨系统; 故障预测; BP神经网络; 小波BP神经网络;

D O I：

暂无

中图分类号：

TM315 [风力发电机];

学科分类号：

080802 [电力系统及其自动化];

摘要：

变桨故障是风电机组重要的停机故障之一,对变桨系统进行故障预测并提高预测精度,是风电开发的关键技术,不但保证电网安全运行而且减少运维成本。分析处理SCADA系统数据,提取相关联参数,即输出功率、风速、桨距角和转子转速。采用BP神经网络对系统进行模型训练,考虑到风电机组参数具有波动性、不确定性等,同时采用小波BP神经网络进行模型训练。建立变桨故障预测模型,预测未来15 d的变桨系统运行情况,用于制定合理的运维方案。通过MATLAB系统仿真研究,对比分析了预测模型性能指标、误差指标和输出数据图形,小波BP神经网络训练预测模型诊断精度比BP神经网络提高了17%,可信率提高了18%,诊断能力提高了15.4%,诊断误报率降低了17%。

引用

页码：893 / 899

页数：7

共 12 条

[1]

基于模型的风电机组变桨距系统故障预测的研究 [D].

连莎莎 .

华北电力大学,

2015

[2]

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

[3]

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,

[4]

A review of combined approaches for prediction of short-term wind speed and power.[J].A. Tascikaraoglu;M. Uzunoglu.Renewable and Sustainable Energy Reviews.2014,

[5]

Application of spectral kurtosis for detection of a tooth crack in the planetary gear of a wind turbine.[J].Tomasz Barszcz;Robert B. Randall.Mechanical Systems and Signal Processing.2008, 4

[6]

基于果蝇算法优化BP神经网络的齿轮箱故障诊断 [J].