基于KECA-GRNN的风电机组齿轮箱状态监测与健康评估

为及时准确地评价风电机组齿轮箱的健康程度,提出一种基于KECA-GRNN的性能监测与评估方法。该方法分为状态监测、故障预测、健康评估3个阶段。在状态监测阶段,将KECA算法应用到风电机组的性能监测中,并采用SPE统计量监测齿轮箱状态。在故障预测阶段,将KECA算法提取的主元数据作为GRNN模型输入,建立KECA-GRNN预测模型,并采用预测残差的变化趋势定义报警限,实现故障的早期预警。在健康评估阶段,将多变量预测残差进行融合,增强评估的可靠性。最后,将该方法应用于某风场一台1.5 WM风电机组在故障前近2个月的部分SCADA数据中,结果表明可提前2周获知齿轮箱发生异常,实现了对风电机组齿轮箱健康状态的准确评估。

基于多维度SCADA参数的风电机组异常辨识

风电机组所处环境恶劣,导致风电机组易出现故障。利用数据采集与监控(supervisory control and data acquisition, SCADA)数据预测与评估风电机组整体性能,对风电机组维修与维护具有重要意义。因此,通过分析风电场SCADA系统的海量数据,提取表征机组退化信息的特征参数,通过自适应核主元分析(kernel principal component analysis, KPCA)算法建立基于多维度SCADA参数的风电机组状态监测与异常辨识模型。为了避免复杂工况对评估结果的影响,该模型引入一种工况划分方法。最后,通过某风电场SCADA数据对该模型进行实验验证,并与未进行工况划分的KPCA模型、进行工况划分的PCA模型进行对比。实验结果表明,该模型不但能够准确辨识风电机组的异常状态,且辨识结果更具可靠性。