基于Box-Cox变换结合多种算法的风电机组数据预处理方法研究

由于弃风限电、环境干扰等因素的影响,SCADA系统采集的原始数据中会存在异常数据,对原始数据进行精确有效的数据预处理,是后续故障预警工作的基础;基于SCADA系统采集的数据,对风电机组运行数据的预处理方法进行改进和研究,提出了一种将Box-Cox变换与以正态分布为前提的异常值清洗算法相结合的方法,对原始数据进行预处理;运用Box-Cox变换分别与Bin算法、肖维勒准则、狄克逊准则和格拉布斯准则相结合的方法进行数据预处理,经过实例验证:肖维勒准则的算法简单且检测时间短,但是对于异常数据的清洗效果较差;狄克逊准则和格拉布斯准则对于异常数据的清洗效果较好,但是处理时间较长,对大型风电场海量数据,这种方法的实用性较差;相比于其他算法,Bin算法的优势较为明显。

车用空调系统中无位置传感器技术的应用

为了适应电动汽车的发展要求,同时解决汽车现有空调驱动系统效率低的问题,研究了一种适合汽车电动空调使用的驱动系统。该系统采用无位置传感器无刷直流电机技术,并已成功应用于电动汽车、工程车辆等多个领域。在驱动器设计中,使用了一种基于反电动势过零点检测的无位置传感器控制技术,对于因启动负载过大或者负载突变引起的转子位置检测误差等问题,提出了一种附加过零点异常情况判断的过零位置修正方法。研究结果表明,该驱动系统能够很好地满足车用空调运行要求,同时过零点位置修正方法的加入对于提高电机和压缩机启动时的成功率和正常运行时的稳定性是非常有益的。

高速内嵌式永磁电动机转子机械强度分析

转子的强度和应力分析是设计高速内嵌式永磁电机的一个重要环节。在电机高速运行时,隔磁桥作为IPM电动机转子结构最容易断裂的部分,主要承受离心力、电磁力以及永磁体吸引力三种力的作用。利用电磁和结构有限元计算,可以分析出隔磁桥和极靴部分的形变和应力分布。提出了一种高效的机械强度分析方法。与传统的有限元法相比,该方法无需进行物理场的切换,计算量大大减少。仿真和实验结果表明该方法实用有效。

基于BP神经网络的光伏发电设备故障检测方法研究

针对光伏发电设备工作过程中存在的故障检测低下问题,设计了集采样、稳压、采样保持和故障采集于一体的集成电路,并提出了故障检测方法。通过分布式测控网络,使系统能够实时、准确地获得光伏发电设备的运行状态。故障检测装置自带计算处理模块智能对比检测数据,为实现故障检测算法提供数据支撑。为了更好地识别光伏发电设备的故障,提出了基于反向传播(BP)神经网络引入可信度检测度量参数的故障监测算法。该算法不仅能够消除误差,并且有很强的抗干扰性。试验结果证明,在不同的干扰信噪比下,检测故障的时间仅在5 ms左右,能够自主地对光伏发电设备运行过程中产生的故障进行识别,极大地提高了光伏发电设备故障检测的工作效率。

基于深度学习算法的风电机组叶片开裂缺陷分析

为实现对风电机组叶片表面缺陷检测的智能化,该研究应用无人机技术、图像视觉技术和深度学习算法,建立风电机组叶片缺陷检测系统,提高了对叶片上开裂缺陷的检测精度;系统使用sobel算子计算图像横向和纵向的梯度,并对图像进行阈值分割和去噪处理;构建深度学习模型提取图像缺陷的特征信息,加入了SPP-Net网络进行卷积操作,增加了模型的输入数据尺度,得到特征图后在利用PRN网络筛选特征图;实验结果显示该研究系统能够去除大量无用的背景信息,开裂缺陷部位的特征信息保留完整,对验证集中的图像进行测试后,该研究系统识别出的开裂缺陷数最高可达到50个。

风力发电机组故障诊断与预测技术研究

风力发电行业保持高速发展态势,风力发电机组数量随之快速增加。不过,恶劣环境等影响,造成风力发电机组较易出现各种故障问题。基于故障诊断与预测技术,则可及时发现所产生的各种故障问题,避免事故问题严重化,为发电机组稳定安全运行提供可靠保障。文中以风力发电机组为中心,对故障诊断与预测技术进行分析探讨。

基于SCADA数据的风力发电机组振动监测分析

在风机的运行阶段,由于受到风的特性、制造安装误差等的干扰,经常存在振动超限报警问题,若情况严重,甚至会导致停机。鉴于此,在本文的研究中,主要围绕SCADA数据展开,对风力发电机组振动监测展开了深入分析,以期相关人员能够借鉴。