声雷达技术的高精度精细化测风的研究

风力发电中,鉴于风能资源的不确定性,对风力发电场的精准测量和评估工作日益重要。文章阐述了风电场气象监测用声雷达的工作原理以及其核心部件——压电陶瓷换能器的成熟技术,利用BP神经网络模型进行拟合计算,并利用功率预测试验验证声学雷达的适用性。结果表明,在实际应用中,声雷达可替代传统测风塔进行风资源参数的测量,且声雷达在精细化测风领域中更具优势。

基于CNN和LSTM的风机轴承剩余寿命预测方法研究

为了建立能够精准描述风机轴承退化过程的退化特征趋势性量化指标,提高风机轴承剩余使用寿命(RUL)的预测精度,提出了一种结合卷积神经网络(CNN)和长短期记忆(LSTM)的神经网络模型(CNN-LSTM),用于风机轴承剩余寿命(RUL)的预测。首先,利用卷积神经网络进行深层特征挖掘,获取具有单调性和时序趋势性的退化特征;然后,将退化特征向量归一化处理后作为LSTM模型的输入,并利用LSTM自适应提取退化特征时序上的内部相关性构建趋势性退化特征指标并得到退化曲线;最后,确定失效阈值,利用最小二乘法拟合退化曲线,预测寿命失效点,实现滚动轴承的RUL预测。

基于经验模态分解的风机叶片故障监测诊断方法研究

叶片是风电机组的直接捕获风能的关键部件,长期整体暴露在恶劣的工作环境下,故障失效概率极高。目前已有的检测技术为风电机组叶片的正常平稳运行提供了一定的保障,但仍存在实时性、准确性等方面的不足。因此,本文提出一种基于经验模态分解的风机叶片故障监测诊断方法。通过对风电机组叶片采样信号采用同类均值插补的方法,处理采样信号缺失值及异常值;采用集合经验模态分解的采样信号分解方法消除复杂工况下的风电机组叶片运行状态信号中噪声的影响,运用主成分分析方法(PCA)提取多维尺度下的风电机组叶片状态监测信号,利用CNN神经网络对提取的叶片运行状态信号进行故障特征识别,实时监测叶片运行状态,实现叶片早期故障预警功能。