基于DBN的风电机组变桨系统可靠性动态评估

为了对风电机组变桨系统的潜在风险进行可靠的动态预测,针对变桨系统部件种类多、系统复杂、故障特征提取困难的问题,文章首先对变桨系统故障点和故障传递过程进行归纳分析,建立故障树;然后将其转化为融合Leaky Noisy-Or节点的动态贝叶斯网络(DBN),保证了模型精度并具备了动态预测能力;最后采用5折交叉验证的方式对模型进行寻优并验证。测试结果表明,该方法在对变桨系统进行风险预测、故障致因分析、风险动态演化过程分析方面准确率较高,可指导变桨系统进行预防性维护,在保证风电机组整体安全方面具有工程应用价值。

基于LMD-SECNN的风机变桨系统故障检测

风机变桨系统控制较为复杂,且易发生机械故障。针对振动信号比较复杂,直接利用神经网络进行学习会影响特征的提取,提出了一种以将局部均值方法及注意力机制相结合的故障诊断模型,即LMD-SECNN模型。首先利用局部均值分解法对数据进行预处理,减少噪声干扰,并最大限度保存原始信号里的故障特征;其次经过LMD处理后产生多个PF分量;最后以神经网络模型Inception v1架构为基础进行改进,增加通道注意力SEnet模块。实验结果表明:LMD-SECNN模型的准确率达到99.42%,远高于对比模型的准确率,验证了所提方法的有效性和优越性。

风电机组变桨系统故障诊断方法研究

以风电机组作为主要研究对象,分析变桨系统在实际使用过程中的故障诊断方法,针对不同类型的系统故障,对风电机组输出功率和安全制动的核心控制部件进行合理设定,确保风电机组可以在各种情况下保证自身稳定工作状态,同时对变桨系统采取针对性维修措施,降低维护成本。

基于机会维修策略的风电机组变桨系统维修优化分析

风电机组通常在偏远的户外安装和运行,环境较为恶劣,容易受到多方面因素的影响,出现较多故障类型。在风电机组出现故障问题的情况下,维护人员和设备需要较长时间到达故障现场,同时消耗较多运输成本。因此,文章主要对机会维修策略进行阐述,并提出风电机组变桨系统维修优化的措施,以期为相关人员提供有效参考。

变桨系统故障下风机极限载荷控制算法仿真设计与分析

以风力发电机组变桨系统故障下单个叶片卡死无法调节变桨角度工况为研究对象,提出一种变桨故障下风机极限载荷控制算法,通过分析该工况下机组的不平衡载荷关系,根据坐标转换关系将面外弯矩转换为轮毂系统和偏航系统的极限载荷,通过载荷变化计算出最优的变桨角度进而降低风力发电机组各部件的极限载荷峰值。仿真结果表明,采用极限载荷控制算法可以明显降低风力发电机组在变桨系统故障下的极限载荷,进而保证机组运行的安全性,降低风机各子系统部件在该工况下的极限载荷。

基于AHP的风电机组变桨系统权重分析

在风电场远程监控系统中,能够实现风电场中风电机组的故障诊断与预测,对于风电机组的安全、稳定、经济运行具有重要意义。在风电场监控系统中只是对风电机组单个参数进行实时监控,当监控系统某一参数超过阈值范围时,无法确定风电机组中某个具体部件存在问题。因此分析风电机组远程监控系统中实时参数对风电机组中设备的权重影响变得极为重要。本文旨在对风电机组中故障率频发的变桨系统进行深入探究,针对影响变桨系统故障的各项因素,运用APH方法进行权重评估,得出各个因素对变桨系统的影响程度,从而更加准确地判断出变桨系统的故障原因。

风力发电机组变桨系统控制技术研究

本文探讨了风力发电机组变桨系统控制技术的发展现状及面临的挑战,并提出了相应的优化方案。在分析了环境不确定性、控制系统响应速度与精度、运行状态监测与故障诊断、跨学科集成与系统优化等关键问题后,文章提出了智能化控制策略的应用、多模式控制策略的设计、先进传感器技术的应用以及实时运行状态监测与预测等优化方案。这些技术的应用将有助于提高风力发电机组的性能和可靠性,推动风能行业的可持续发展。

基于数据驱动的风电机组变桨系统故障诊断与健康状态预测研究

文中首先聚焦于风电机组桨叶零位偏移故障,利用GH-Bladed风机仿真软件仿真不同工况下的桨叶零位偏移,研究零位偏差对运行机组叶轮转速、叶根弯矩的影响,并采用风电机组轴向加速度1P谐波幅值和3P谐波幅值之比拟合桨叶零位偏差判定曲线图,构建桨叶零位偏差判定模型。再基于神经网络技术,分析机组实际运行数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)历史数据,完成变桨故障特征提取和数据分析处理,训练添加注意力机制的长短期记忆神经网络(Long Short-term Memory Neural Network,LSTM)模型,构建AT-LSTM变桨健康状态预测模型,并从多个分类模型指标,将AT-LSTM与循环神经网络(RNN)和长短期记忆神经网络(LSTM)进行对比,证明了添加注意力机制对于神经网络带来的提升。

数字孪生驱动的风电机组变桨系统故障诊断

数字孪生作为连接物理世界和数字世界的纽带,其融合机理与数据的建模方式在时效性和准确性等方面有着超出以往模型的潜力。文中首先针对风电机组变桨系统故障诊断问题,结合多体动力学提出了一种风电机组数字孪生模型的建立方法;其次,利用机组运行信息与机理先验知识,并通过历史数据进行风电机组控制逻辑反演;再次,以上述模型对风电机组历史监测数据进行仿真分析,将仿真结果与历史监测数据进行对比,迭代修正数字孪生模型,并验证所建立的数字孪生模型的准确性;最后,在所建立模型的基础上构建仿真结果与实际监测数据的残差值,使用该残差值作为故障特征变量对该风电机组变桨系统故障进行诊断分析,其结果验证了上述方法的有效性和可行性。

风电机组变桨轴承滑移仿真及变桨系统振动分析

针对风力发电机变桨系统在小风发电情况下出现的变桨轴承滑移现象以及桨距角能量集中,提出一种变桨轴承最小静摩擦力矩仿真分析方法。在机组设计阶段依据IEC标准,利用正常发电DLC1.2工况对机组进行仿真,统计变桨轴承在小风不变桨时的最小静摩擦力矩要求,对比变桨轴承的静摩擦力矩来判断变桨轴承是否存在滑移风险,通过调整控制策略降载或者通过变桨轴承选型来规避变桨轴承滑移风险。同时对变桨系统进行模态分析,分析变桨系统一阶模态频率和叶轮1P频率的关系来判断变桨系统是否存在共振风险,通过改变额定转速或根据等效刚度和等效惯量匹配相应变桨驱动等方式,在机组设计阶段避免风机变桨系统在运行过程中存在的共振风险。

一种变桨系统的后备电源技改及检测方法

本文针对早期变桨系统的后备电源故障率高、安全性差的问题,提出了一种变桨系统的后备电源改造及检测方法。该方案通过软硬件设计,将变桨系统后备电源由放置于风电机组机舱的铅酸电池改造为放置于轮毂的超级电容模组,并且可以在线进行超级电容各模组电压均压检测和超级电容能量检测,大大提高了变桨系统后备电源的安全性和可靠性。

基于机器学习的风力发电变桨系统自适应容错控制方法

针对风力发电变桨系统自动控制误差计算错误、不能自动容错而导致停止运行的问题,研究基于机器学习的风力发电变桨系统自适应容错控制方法。简化向量矩阵的计算过程,保证计算控制器跟踪误差的计算准确率,设计控制器补偿信号的模型结构,定义风力发电系统的真实控制率,基于机器学习优化容错算法,建立风力发电变桨系统容错控制自适应逼近模型。实验结果表明,在15组重复性实验中,实验组功率超出临界值的次数共有74次,远小于对照组,表明该方法能够更好地保证机组的正常运行,从而提高机组的稳定性和可靠性。

风机变桨系统典型故障及处理方法分析

随着市场经济的不断发展,尽管给我国带来了许多机遇,但也带来了一些问题,尤其是大气污染、能源浪费等,加之我国能源资源长期处于相对短缺状态,所以,我国相关部门也加大了对清洁能源的研发力度,风力发电便是其中一项重要工作。然而,由于风电场的设备通常都较为复杂,技术难度也较高,这就导致了风电场中各类设备的损坏,尤其是在风电场风机变桨系统中,出现故障的几率也较高,本文将分析风电场风机变桨系统的常见故障,并提出相应的改进措施。

风力发电机电动变桨系统故障诊断研究进展

由于变桨系统的连接较为紧密,因此当出现故障时会产生比较严重的后果,本文主要就风力发电机电动变桨系统故障诊断研究进展进行分析,以供同行参考。

风力发电机变桨系统后备电源改造方案研究与实践

变桨系统是实现风力发电机风能转换最核心的控制系统之一,其后备电源是确保风力发电机在紧急故障情况下及时完成收桨操作的最后一道防线。某风电场2009年安装投产的55台海装风电H56-850风力发电机组,由于运行时间长,变桨系统后备电源采用电池供电,电池电压故障、充电故障频发,严重威胁发电机组的安全。经研究确定工作电压范围、充电方式、电容监测方法以及安全系数,选用裕量足够大的超级电容组,在电网故障低电压穿越以及紧急停机顺桨时,可提供更加可靠的后备动力电源。

双驱电动变桨系统关键技术研究

我国海上风电正向着机组大型化的方向发展,随着功率等级的不断提高,叶根载荷也相应增大,对变桨系统的输出功率、驱动能力提出更高要求。采用2个电机驱动叶片进行调桨的电动双驱变桨方案可以有效减小对变桨轴承的冲击,延长轴承寿命,大幅度提高变桨系统可靠性和整机性能。

东汽1.5MW风力发电机组电气变桨系统与应用分析

随着全球对环境保护和可持续发展的日益关注,清洁能源的开发和利用成为了全球能源领域的重要课题。风能作为一种重要的可再生能源之一,具有分布广泛、永无穷尽的特点,在全球范围内受到了广泛关注。东汽1.5MW风力发电机组电气变桨系统作为风能发电的关键技术之一,其应用优势、故障分析和应用对于推动风能发电产业发展、实现能源转型和可持续发展具有重要意义。因此,本论文将对该系统进行深入探讨,以期为风能发电领域的发展贡献一份力量。

风机电动变桨系统状态特征参量挖掘及异常识别

为了提高风电机组电动变桨系统运行状态评估的准确性,提出电动变桨系统状态重要参量挖掘及其异常识别方法的研究。论文在阐述风电机组电动变桨系统的结构及控制原理和监测参数特点的基础上,基于特征参数选择的Relief方法,建立变桨系统特征参量挖掘的数学模型,获取了叶片桨距角、发电机转速及变桨电机驱动电流及其IGBT温度的特征参量,并对其故障状态的漏检率指标进行分析。提出基于多特征参量距离的变桨系统运行状态异常识别方法,建立基于风速输入的变桨系统特征参量的支持向量机回归模型,并对距离阈值进行探讨。最后,对实际变桨系统故障状态的异常识别进行实例验证。实验证明,建立的电动变桨系统状态特征参量挖掘模型的有效性,相比单参数绝对阈值评估方法,基于多特征参量距离的电动变桨系统异常识别方法更能及时、准确地识别其异常状态。

基于小波BP神经网络的风电机组变桨系统故障预测

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%。

基于数据挖掘的风电机组变桨系统劣化状态在线辨识方法

传统阈值法难以及时准确地辨识出运行设备的劣化状态,针对风力发电机组实施状态检修工作的要求,提出一种风机变桨系统劣化状态在线辨识方法。在阐述风机变桨控制原理和变桨系统监测参数的基础上,建立了以风速、有功功率为输入,风轮转速、3个叶片的桨距角和变桨驱动电流为输出的非线性多输入多输出(multi input multi output,MIMO)系统回归模型。将系统特征向量实测值与最小二乘支持向量机(least square support vector machines,LSSVM)回归计算结果间的偏离定义为系统"观测值"。接着采用高斯混合模型(Gaussian mixture model,GMM)拟合多维观测值的分布,并利用风机数据采集与监控系统(supervisory control and data acquisition,SCADA)中的数据计算系统劣化指数,实现系统状态的在线辨识。最后,以一台发生过变桨轴承保持架和滚动体损坏故障的风机为对象,进行了实例验证,证明了所建模型的准确性和有效性。