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...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。展开更多
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...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。展开更多
文摘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。
文摘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。