摘要
当前我国风力发电机发电量占全国发电量14%，并且风力发电机在国家的支持下仍有很好的发展趋势，较早安装的风力发电机将陆续过质保期，发电机中故障已经陆续显现。发电机作为风力发电机组的重要设备，在风力发电机中的起着重要作用，近年来因发电机故障导致风机停止工作甚至报废的情况屡见不鲜，因此本文针对风力发电机中的发电机设备提出基于数据挖掘的方法，同时开展小波去噪对结果的影响、模型简化后结果是否准确、确定故障阈值及避免故障误报警等研究。主要内容如下： 1.从风力发电机组的监测与控制系统（SCADA）中提取发电机健康运行状态下24个测点的运行数据。由于数据中存在异常数据、数据缺失等情况，为此首先通过箱线图分析法以四分位数和四分位矩阵位基础判断数据中的异常值并删除异常值；对于缺失值则采用插补法中的均值法、众数法等补齐缺失的数据。然后对24个测点数据进行相关性分析，采用数据挖掘方法中的关联规则处理数据后得到发电机轴承水平振动信号、发电机轴承垂直振动信号、电流信号、轴承温度信号、齿轮温度信号、轴摩擦产生的噪声数据。这6组数据与发电机运行状态密切相关，后续研究将以这6组数据展开。 2.模型简化后结果是否准确。在对估计向量与观测向量进行比较时，本文采用的是残差法，残差越小则说明估计状态与观测状态越相似。经分析发现累积方差贡献率随着主元个数的增加而变大，当选取的主元个数为3时，累积方差贡献率达到94%gt;85%，表示当使用PCA降成3维时候表明前3个主元既代表了原始数据信息，既简化了模型，又提高了模型的计算速度。为了使模型的精度更高，选取了前4个主元作为矩阵的行，把原24个变量用着4个主元来代表，可以达到95%以上的精度。当主元个数为3时，主元个数与特征值的关系图逐渐平缓，说明达到了降维的目的。将数据分别简化后的模型与未简化的模型，运算后发现误差在0.5%以内，证明经简化后的模型运算结果仍然准确。 3.小波去噪对模型的影响。在PCA-MSET模型建立前对提取的数据进行了小波降噪，分析降噪后模型的精确度是下降了还是提升了。，结合小波去噪方法的MAPE、RMSE、MAD平均值均要比单纯使用PCA-MSET的方法的MAPE、RMSE、MAD平均值低，说明使用小波对原始数据去噪声后的建模精度要比单纯使用PCA-MSET方法的模型精度高，证明了使用小波结合PCA-MSET进行建模是非常有必要的。 4.确定故障阈值及避免故障误报警。由MSET模型计算所有观测向量与估计向量的残差值，阈值为残差最大值。由于正常状态下存在环境突变以及其他因素导致数据变化大，导致阈值超过预警阈值但是风机仍能正常工作，为了防止突发情况导致误报警，采用滑动窗口残差法，窗口宽度为80，当窗口期内同时出现5个以上超过故障阈值的点，风力发电机才会发出报警信号，小于5个则不报警。该方法有效的避免了因数据突变导致故障误报警。 本文以发电机的数据来搭建故障预警模型，在模型仿真阶段对数据施加一定程度的偏差，来验证模型是否能准确的进行报警。结果显示，在故障出现后实际观测向量与估计向量之间的残差值开始增大，但没有超过故障预警阈值，经过2小时发展后，残差值开始超过故障阈值。这证明在这2个小时的时间里，发电机在正常运行，只是存在故障趋势，在2小时后才真正发生故障，这两个小时就是工作人员的反映时间。在这反映时间里工作人员可以及时停止风机工作，排查故障类型。试验证明该方法可以有效实现故障预警的功能。
NETL