摘要
风力发电机组的性能及运行状况直接关系到设备工作效率，机组的老化损坏及各种故障会造成重大的经济损失，增加维护成本。所以需要对机组的异常故障进行精准的诊断，并通过对设备性能状态的评估实现故障异常情况的提前预警，保障机组安全稳定运行。本文基于风力发电机组叶片结冰数据集对机组故障诊断和性能退化评估进行了研究。 首先考虑到结冰故障难以预测的特点，建立了一种基于DBN的风电机组叶片结冰故障诊断模型。由于SCADA系统采集的真实运行数据中存在着数据间断、无效数据及样本分布不均衡等诸多问题，采用时间序列分割、清除无效数据、SMOTE过采样及少数类样本数据过采样等数据预处理办法，最终完成数据清洗和数据平衡。然后通过绘制各个参数的散点图分析数据的结冰敏感度，运用结冰机理及Makkonen模型建立结冰严重程度指标，从而筛选出能够充分映射结冰故障的特征。运用DBN网络建立结冰故障的诊断模型，在数据集上做训练和测试，与SVM、KNN两种算法相比，实验结果表明DBN模型的诊断分类结果具有很高的优越性，特别是能够明显提升少数类样本的预测准确率。 然后运用高斯混合模型(GMM)划分机组工况提取关键工况段的信息，提出了两种对机组性能退化状态作出评估的方法。基于功率数据的方法是以相似性度量建立衰退指标进而划分机组状态。基于相关性分析和GMM的方法，利用了Pearson、dCor和MIC三种相关性分析方法进行特征提取，运用GMM建立正常运行的基准模型，以马氏距离建立衰退指标并划分状态阶段。实验证明两种方法均能识别机组的状态阶段，实现故障提前预警，前者适用于信息较少的样本集，后者由于充分挖掘了原始数据特征，预警效率能够明显提升。 最后开发了一个风力发电机结冰预警系统，基于Python、PyQt5及性能退化评估模型进行该系统的开发，主要实现的功能是数据分析与预处理、图形生成与显示、历史信息的存储与查询及故障的提前报警。
NETL