基于数据挖掘方法的风电机组状态监测研究

风力发电作为一种具有大规模开发潜能的可再生能源,近年来在世界范围内受到了广泛关注,其中风力发电机组大型设备状态监测成为风电研究领域的重要组成部分。本文以风力发电为背景,基于数据挖掘方法研究风电机组状态监测方法。研究主要分为两个方向：一、故障之间的联系；二、故障与参数的联系。本课题研究的主要内容如下： 1、分析风电机组故障数据,研究数据挖掘中的关联规则及其算法并对算法加以改进。以桨距角不对称故障为研究案例,采用改进Apriori关联规则算法对变桨故障前后的大量连续报警信息进行深入分析,并结合机组和变桨系统的运行机理,发现了某些故障间的密切联系。过滤去除次要冗余信息,提炼出有效主导故障报警,大大减少了报警量,有效提高运行人员的工作效率。 2、在寻找故障与参数之间隐含联系时,参数维数过多会产生“维数灾难”,为此研究特征选择算法,建立ReliefF特征选择模型,同时结合相关度分析,对风电机组参数进行降维处理,从47个参数中提取了8个分类能力强的特征参数,剔除冗余信息,降低特征向量的维数,为分类工作打好坚实的基础。 3、为分析故障与参数之间的关系,研究各类分类算法的理论知识与基本步骤,同时建立了BP神经网络分类模型,以桨距角不对称故障为分析对象,利用特征选择算法提取的参数来辨别风机运行状态,以达到风电机组状态监测的目的。结合实际数据分析得到BP神经网络分类能够较好的对桨距角不对称故障进行分类,判断风机是否正常运行,较好地达到风电机组状态监测的目的。