风电机组齿轮箱温度预测中输入变量的选择及仿真

风电机组齿轮箱温度预测中输入变量的选择直接影响预测的准确性,本文将正交最小二乘法和相关系数法用于齿轮箱输入变量的选取,采用BP神经网络,对比预测了齿轮箱温度.研究结果表明:选取的输入变量用于温度预测的均方误差、均方根误差和平均绝对百分比误差均小于相关系数法,验证了正交最小二乘法在齿轮箱温度预测输入变量选择上的有效性.

基于改进随机森林算法的风电机组齿轮箱故障预警方法研究

齿轮箱是风电机组的关键部件,其可靠性直接影响机组的运行状态。将粒子群算法与随机森林算法相结合,建立风电机组齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过合理地选择训练样本,对训练数据进行清洗处理,使改进的随机森林模型覆盖齿轮箱的正常工作空间。当齿轮箱发生故障隐患时,其动态特性偏离正常工作状态,导致改进的随机森林温度模型预测残差的分布特性发生变化。采用滑动窗口方法实时计算残差的统计分布特性,当残差的超限比例超过预先设定的阈值时,发出报警信息。通过实例仿真结果验证了改进的随机森林算法可以有效提高模型精度,减少训练时间。