关键词:
风力发电机
故障诊断
风机基准模型
支持向量机
长短期记忆循环神经网络
摘要:
当今世界能源供应越来越依赖于可再生能源,风能因其资源丰富、成本低廉而被广泛应用。在各类可再生能源开发中,风力发电技术因其技术相对成熟、性价比高且具有大规模开发的条件成为了最有潜力的发电方式之一。随着风力发电机规模日益扩大,维护费用不断提高,风力发电机组维护需求受到广泛关注,需要通过对风力发电机及时进行故障诊断,发现机组运行过程中存在的故障隐患。这对于提高风力发电机组运行可靠性,减少因风机故障停机造成的资源浪费及人力物力成本,促进风力发电行业健康发展具有重大的现实意义。风力发电机的故障诊断技术可以归类为基于模型的方法和基于数据的方法。基于模型的故障诊断方法需要对风力机有充分的了解和准确的数学建模,其精度较高,但是搭建时需要耗费大量人力物力,且鲁棒性较差。基于数据的方法通常从监控和数据采集系统获取数据,由于不需要额外的传感器,因此相对经济。借助风力发电机积累大量数据,并在此基础上使用机器学习的方法来分析风机故障更适合现代社会的应用。本论文选择研究基于长短期记忆循环神经网络(LSTM)的故障诊断方法,且最终目标是设计一种具有鲁棒性且有较高精度的风力机故障诊断方法。为完成上述目标,本论文做了以下工作:1.在Matlab/Simulink环境下构建风机基准模型用于模拟风机在正常情况以及发生各类故障情况下的运行情况,该模型将风机分为变桨系统、传动系统、发电机&变频器系统、以及控制器并分别建模,同时全面考虑了风机运行过程中可能产生的传感器故障以及系统故障。为了及时判断故障是否产生及故障位置,需要采取有效的故障诊断方案,以便迅速采取对策使风机稳定运行,节约维护成本。为得到风机发生故障时的特征信号,研究者可以在该模型内修改关键参数以模拟风机发生故障的部位,时间段,故障类型及程度。2.在得到风机基准模型的各类数据后,根据其数据特性设计两种基于LSTM的风机故障诊断方法,方法一是利用LSTM预测未来风机运行情况,根据残差判断故障是否发生并诊断故障类型;方法二使用LSTM进行机器学习训练,将训练好的模型用于故障分类并与基于支持向量机的风机故障诊断方法进行对比。在完成本论文相关实验后,能得出以下两点结论:1.基于分类的诸多故障诊断算法具有的共同特性是需要故障数据和无故障数据进行模型训练,而在实际应用中有限的故障数据样本会导致数据信息缺乏,而本论文采用的基于LSTM的预测方法实际上是通过训练正常数据来预测未来风机运行情况,在发生与实际运行情况不同的故障时可以及时检测到。2.本论文设计的LSTM分类的风机故障检测方法相较于SVM,准确度有所提升。