基于数据挖掘的风电机组状态预测及变桨系统异常识别

风力发电技术迅速发展，风电机组单机容量越来越大，控制系统更加复杂；风电场的建设从内陆逐步向近海甚至深海领域发展。然而，随着大规模风电场的建设及并网运行，风电机组故障率高，运行维护费用高的问题凸显出来，如何提高风电机组运行可靠性及利用率成为风力发电亟需解决的迫切问题。本文在掌握并网风电机组工作原理基础上，充分利用风电机组运行数据及故障信息，开展基于数据驱动的风电机组状态参数预测和变桨系统运行状态异常识别的研究，主要工作有： ①在掌握并网风电机组的基本构成和工作原理的基础上，重点阐述风电机组控制系统及其所监测运行参数的特点，并对机组故障率较高的子系统的故障模式、故障原因等进行分析。 ②考虑不同时间间隔段的历史数据所反映机组运行状态发展趋势和变化规律的差别，对不同监测数据抽取多组非等间隔时间序列；引入平均弱化缓冲算子和关联度概念，基于非等间隔灰色GM(1,1)预测方法建立不同风电机组运行状态参数的统一预测模型；分别利用850kW和2MW不同风电机组的监测数据进行状态参数的趋势预测，并将预测结果和BP神经网络和支持向量机理论的预测结果进行比较和验证。 ③挖掘反映机组运行状态的故障特征参数是有效实现风电机组状态评估和异常识别的基础。本文以高故障率的风电机组子系统——电动变桨系统为例，利用风电机组在线监测数据和故障信息，分别建立了变桨系统正常运行和故障时的数据样本集，基于Relief方法对变桨系统运行状态的故障特征参数进行挖掘，并通过BP神经网络分类器的计算结果，对所选择的故障特征参数的有效性进行验证。 ④基于风电机组变桨系统故障特征参数的挖掘结果，论文在考虑单一特征参数约束的基础上，提出了变桨系统基于距离的异常识别方法。首先，构建变桨系统正常运行状态下的观测向量；其次，利用支持向量机回归理论，以风速为输入量，建立其观测向量的回归模型；然后，考虑单一特征参数约束，通过分析回归模型计算的观测向量和实际运行状态下的观测向量之间的距离，对变桨系统异常运行状态进行识别；最后，对2MW风电机组变桨系统运行数据和故障信息进行验证。 论文的研究成果可应用于风电机组控制系统和风电场SCADA系统开发中，为实现风电机组准确的状态评估、故障预测奠定理论基础和技术支撑。