PREDICTION OF THE AERODYNAMIC PERFORMANCE OF HORIZONTAL AXIS WIND TURBINES IN CONDITION OF UNIFORM WIND

The classical momentum-blade element theory is improved by using the empirical formula while part of rotor blades enters into the turbulent wake state, and the performance of a horizontal-axis wind turbine (HAWT) at all speed ratios can be predicted. By using an improved version of the so-called secant method, the convergent solutions of the system of two-dimensional equations concerning the induced velocity factors a and a' are guaranteed. Besides, a solving method of multiple solutions for a and a' is proposed and discussed. The method provided in this paper can be used for computing the aerodynamic performance of HAWTs both ofrlow solidity and of high solidity. The calculated results coincide well with the experimental data.

Real-time Health Condition Evaluation on Wind Turbines Based on Operational Condition Recognition

针对大型风电机组运行工况和状态信息复杂，健康状态难以准确评价的问题，提出基于工况辨识的健康状态实时评价方法。该方法充分考虑机组运行工况的复杂性和多变性，采用工况辨识实现运行工况空间的划分。在各运行工况子空间，建立基于高斯混合模型（gaussianmixturemodel，GMM）多状态特征融合的健康状态评价模型。采用健康衰退指数（healthdegradationindex，HDI）作为机组健康状态评价指标，并给出健康衰退报警限的确定方法。该方法用于某1．5MW风电机组传动系统故障前的健康状态评价。结果表明，该方法提前监测到机组健康状态的衰退趋势，可实现故障的早期预报，避免严重故障发生，并为合理调整运行和安排维修提供依据。

基于BP-AHP风机状态评估的超短期风电功率动态预测研究

针对传统风电功率预测仅考虑气象因素,且无法计及风电机组真实出力状态导致预测精度较差问题,本文提出一种计及风机状态的超短期风电功率动态预测方法。首先,为能够精确评估风机状态,将BP(error back propagation, BP)算法引入层次分析法(analytic hierarchy process, AHP)的评估结构中,构建BP-AHP风机状态评估模型,实现单台风机状态评估;然后,综合考虑地形及机组排布等因素,将风电场所有风机的状态取均值作为风电场状态,利用皮尔逊相关系数衡量所评估状态与功率之间的相关性以验证评估模型合理性,并采用XGBoost构建计及风机状态的动态预测模型;最后,以陕西地区某风电场实测数据进行算例分析,验证了所提方法的可行性及有效性。

基于动态阈值的风电轴承健康状态评估

针对现有的风电轴承健康状态评估方法需大量样本提取和模型训练、存在实现过程繁琐费时费力且泛化应用能力弱的问题,提出基于动态阈值的风电轴承健康状态评估方法。首先,考虑风的随机性和间歇性,利用风电轴承温度监测数据,引入劣化度概念,采用曲线拟合和机群聚类方法确定了劣化度的上、下限动态阈值;其次,通过健康状态评语集及其等级划分范围和劣化度计算,提出基于动态阈值的风电轴承健康状态评估方法;最后,以某风电机组的发电机后轴承超温故障为例,验证了所提评估方法可获得有效的风电轴承健康状态和及早获知故障征兆。

基于条件卷积自编码高斯混合模型的风电齿轮箱健康评估

为实现对风电齿轮箱健康评估、发现齿轮箱部件早期故障,提出一种基于条件卷积自编码高斯混合模型的风电齿轮箱健康评估网络。在编码器部分,同时对传感器信息和时序信息进行编码解码并提取压缩特征,根据高斯混合模型设计基于信号本身概率分布的能量设计评价指标进行健康评估。根据核密度估计确定阈值,并利用某真实风电场数据进行实验,验证方法的有效性。

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。

基于高维时空张量CP分解的风速监测缺失数据恢复

“大数据”时代的到来为风机健康监测带来了新机遇,风机往往运行在极端恶劣环境下,监测数据中夹杂了大量缺失值,数据质量无法保障,进而会制定有误的运维指导策略。为保证风速监测数据质量,提出了基于高维时空张量CP分解的风速监测数据缺失值恢复方法。构建包含时空信息的四阶张量,利用CP分解将张量分解为多个因子矩阵,通过加权张量将恢复缺失数据转化为求解目标函数最小值,根据因子矩阵重构张量,从而获得缺失处原始信息值。利用提出方法与GPR、GRU、LSTM、SWLSTM等传统方法对某风电场的缺失数据进行恢复,结果表明,相比传统方法,提出方法的R^(2)最接近1,MAE等误差指标均为最小,具有最高拟合度,从而验证了该方法的有效性。

低风速区风机偏航控制策略研究

为了解决风机在低风速区偏航动作过于频繁和风能转化率低的问题,在对风机所处地区风向和风速进行预测的前提下,提出一种风机偏航控制策略。通过建立风机偏航模型,以相同风况数据为输入,对比分析了本偏航控制策略和传统偏航控制策略的控制效果,结果表明控制策略能使风机获得更多机械能。同时针对本控制策略中出现的三个变量,做三因素混合水平正交试验。并对试验结果进行分析,结果表明:小节时间对风机所获机械能影响最大,预测间隔和扇区分割有一定影响。可见最优组合为120s小节时间、20扇区分割、5小节预测间隔。

Prognostic Condition Monitoring for Wind Turbine Drivetrains via Generator Current Analysis

Maintenance costs account for a significant portion of the total cost of electricity generated by wind turbines.Currently in the wind power industry,maintenance is mainly performed on regular schedules or when significant damage occurs in a wind turbine making it inoperable,instead of being determined by the actual condition of the wind turbine.Among the total maintenance costs,approximately 25%~35%is related to regularly scheduled preventive maintenance and 65%~75%to unscheduled corrective maintenance.To reduce the failure rate and level and maintenance costs and improve the availability,reliability,safety,and lifespans of wind turbines,it is desirable to perform condition-based predictive maintenance for wind turbines,which will require a high-fidelity online prognostic condition monitoring system(CMS)for fault diagnosis and prognosis and remaining useful life(RUL)prediction of wind turbines.Most of the existing wind turbine CMSs are based on vibration monitoring and have no or limited capability in fault prognosis and RUL prediction.Compared to vibration monitoring,the prognostic condition monitoring techniques based on generator current signal analysis proposed recently have significant advantages in terms of cost,hardware complexity,implementation,and reliability.This paper discusses the principles and challenges of using generator current signals for prognostic condition monitoring of wind turbine drivetrains and presents an overview of recent advancements in this area.

风电机组运行状态参数的非等间隔灰色预测

为了实现风电机组故障预警和智能状态检修,提出了风电机组运行状态趋势的灰色非等间隔预测研究。首先,考虑不同间隔段历史数据所反映机组趋势和变化规律差别,对监测数据抽取多组非等间隔时间序列,利用平均弱化缓冲算子,分别建立非等间隔灰色GM(1,1)预测模型。其次,引入关联度概念,选择各组非等间隔灰色预测值与实际值之间最大关联度的预测结果,应用建立的灰色关联组合预测模型,对某850kW变速恒频风电机组的发电机转速及部件温度等运行状态参数进行预测。最后,对某2MW风电机组运行转速进行预测,并与反向传播(BP)神经网络和支持向量机方法的预测结果进行比较,结果表明风电机组运行状态参数的非等间隔灰色预测具有较高的精度。

风机齿轮箱轴承状态评估与剩余寿命预测

为了提高风机运行的可靠性和经济性,提出一种基于马尔科夫链的风机齿轮箱轴承状态评估和剩余寿命预测方法。首先,建立风机齿轮箱轴承磨损状态的Gamma分布模型,并利用最大似然法对模型参数进行估计;其次,划分风机齿轮箱轴承磨损状态等级,并确定各状态等级区间限值;再次,计算齿轮箱轴承磨损状态转移概率,并构造马尔科夫过程的状态转移矩阵;最后,应用该方法对风机齿轮箱轴承进行算例仿真。算例仿真结果验证了该方法在确定风机齿轮箱轴承磨损状态和剩余寿命方面的有效性。

基于条件分布的陆军装备系统分析中心模型可靠性增长预测

针对可靠性增长试验中未来故障发生时间的预测问题,提出基于条件分布的陆军装备系统分析中心模型可靠性增长预测建模方法。基于Weibull过程理论和可靠性增长预测理论,在故障截尾和时间截尾两种情况下,根据系统已发生故障时间的联合概率密度函数和未来故障发生时间的联合条件概率密度函数,建立未来故障发生时间的边缘条件概率密度函数,给出未来故障发生时间的预测子和预测区间。通过引入方差系数,分析未来故障发生时间的预测精度。并利用某型风力发电机组变桨系统在现场试运行中伴随维修而获取的可靠性增长试验数据,验证本方法的可行性和有效性。不仅克服传统预测方法的局限性,而且预测精度较高。研究结果对于动态分析系统可靠性增长变化趋势,科学调整增长试验时间,合理确定设备交付时间、制定维修策略等都有明显的指导意义。

基于相关主成分分析和极限学习机的风电机组主轴承状态监测研究

提出了一种基于相关系数法和主成分分析法以及极限学习机相结合的主轴承状态监测方法。该方法利用相关系数法选取数据采集与监视控制系统中与主轴承温度相关的变量作为初始输入变量;再用主成分分析法对所选变量进行降维处理,以消除变量之间的相关性和冗余性;进一步利用极限学习机建立主轴承正常运行时的温度模型并用其进行温度预测;最后利用滑动窗和核密度估计方法对残差进行分析,并基于实测的数据进行主轴承故障模拟。结果表明,该方法可有效地实现主轴承潜在故障的预测。

风力发电机组故障诊断与状态预测的研究进展

风力发电机组因运行环境恶劣较易发生故障,实现对风电机组适当的状态维护或预防性维护,既能减少故障发生概率、降低维修成本,又能改善电力系统运行的安全性与经济性。首先,通过回顾近年来国内外在风电机组状态维护或预防性维护方面所做的相关研究工作,系统归纳了当前针对风电机组关键部件开展故障诊断和状态预测的难点问题及其研究进展;然后,对基于数据驱动的风电机组故障诊断与状态预测方法进行了重点论述;最后,对未来该领域的研究建议进行了展望。

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。

基于风机健康系数的风电设备状态监测方法

风电场的数据采集与监视控制(SCADA)系统包含风机关键部件的大量运行信息,通过科学分析SCADA数据可以评估风电机组的健康状态,并对潜在的故障进行预测。文章讨论了一种风电SCADA数据的预处理方法,提出了一种基于最小二乘法的风机健康系数计算方法,讨论了相应设备的健康状态监测标准。基于两台1.5 MW风电机组发生故障前后的SCADA数据,通过Matlab验证了该方法的实用性。该方法能够清晰地反映风机是否存在故障以及故障的严重程度。

计及风电场状态的风电功率超短期预测

风电功率的随机波动性是风电功率预测精度提高的瓶颈问题。一方面,风速的波动性使得风电功率是波动的;另一方面,风电场将风能转化为电能的能力也会在一定程度上造成风电功率波动。该文首先分析在功率预测中计及风电场状态的必要性,然后利用随机矩阵理论评估风电场状态,以此为基础提出计及风电场状态的风电功率超短期预测方法。算例结果表明,该方法可以有效的提升风电功率超短期预测精度。

风电齿轮箱健康状态远程监测系统

风电齿轮箱是风力发电机组中的关键核心部件,也是风电机组中故障率较高的部件。对风电齿轮箱健康状态进行远程监测并及时发送维护预警信息,对防止风电齿轮箱部件的二次损坏,降低维护成本具有重要的现实意义。系统以风电齿轮箱运行过程中各种传感器的数据值为基础建立多信息融合的评价机制,通过评价机制实时监测评价当前工况下的健康状态得分,健康状态得分低于下限值时通过GSM网络信号以手机短信形式远程发送维护预警信息,避免了单一传感器报警阈值的误报,提高了维护预警信息的准确性。疲劳寿命台架运行试验结果表明,该系统能较好地对风电齿轮箱健康状态进行监测,预警准确,具有广阔的应用前景。

风力发电机组故障预测技术研究

随着风力发电机组装机容量的快速增长,风力发电效益却远远低于预期,其主要原因在于风电机组故障频发,降低了风能利用率,同时增加了运行维护成本。为了保证风电机组的安全可靠运行,风电机组故障预测技术引起了国内外众多学者的关注。文章首先对故障预测的概念进行多角度解析,然后简要介绍了风电机组状态监测技术,着重阐述了现有的风电机组故障预测技术,最后对风电机组故障预测技术的研究难点进行总结,并对发展前景作出展望。

基于多层深度互信息变分网络的风电机组轴承故障预警方法

针对变工况复杂环境下风电机组轴承的早期故障潜隐性高且故障阈值设置困难的问题,提出一种基于多层深度互信息变分网络的轴承故障超前预警方法。该网络在变分自编码器的架构上进行多层编码拓展,采用解码信号的二次编码增强了变分网络对输入信号中噪声的鲁棒性,通过隐层变量与输入信号间最大化互信息以及与二次编码特征间的最大化互信息,提高了网络对轴承正常状态空间的建模能力。以二次编码特征与隐层变量的重构误差为基础,构建健康指数,结合三次递推指数加权移动平均模型设置与风电机组轴承工况环境相适应的健康基线。在2个风电机组轴承故障检测试验中的应用结果表明,该方法对比传统的基于模型重构的轴承早期故障检测方法,具有更高故障预警准确率和抗干扰能力。