摘要
随着风力发电的规模不断扩大，通过优化维护策略来降低运营维护成本成为迫切需要。本文通过利用数据采集与监视控制（SupervisoryControlAndDataAcquisition，SCADA）系统的数据对风电机组进行故障预测、状态监测以及健康管理，有效地确保了风电机组的稳定运行，降低了风电机组故障带来的损失，进而减小运维成本。本文具体研究内容如下： 首先，介绍风电机组的基本结构、工作原理及其常见故障，为后续的故障预测与健康管理奠定基础。列举出SCADA数据类型并进行数据预处理，对零值、空值等系统异常值与风功率曲线中的堆积型异常数据进行剔除。编写数据筛选算法，再次剔除稀疏型异常数据，得到结构化的样本集。 其次，论文从风电机组特性出发，选择29个特征，对故障进行分类，利用网格搜索法对支持向量机模型进行优化，然后选择评价指标对得到的模型进行评估。结果表明，该模型可以对某些类型的故障进行预测，通过实时数据，可以实现对故障的在线监测，在一定程度上避免风电机组的非计划维修。 再次，论文针对风电机组SCADA数据变量高维、异构的特点，以变桨系统为例，提出一种基于改进自编码器的风电机组状态监测方法。通过将降噪自编码器与稀疏自编码器作为自编码器的无监督预训练模型，提升模型的训练精度。利用改进自编码器构建变桨系统状态监测模型，实现变桨系统异常状态的识别。 最后，基于遗传算法优化随机森林（GeneticAlgorithmRandomForest，GA-RF）算法建立健康管理模型。考虑到随机森林在非线性和高维数据拟合问题上具有抗干扰、不易过拟合等优势，基于随机森林建立回归模型，采用遗传算法优化解决模型中超参数寻优问题，利用均方根误差、决定系数指标，与BP神经网络、支持向量回归对比，验证了所建回归模型的优越性。以滑动窗口内残差均值与残差标准差作为监测统计量并设定报警阈值，从而实现变桨系统亚健康状态预警的目的。仿真结果表明，所建立的GA-RF模型可以在距离SCADA系统报出故障之前一段时间发出警报，实现风电机组的亚健康状态预判，能有效实现对变桨系统的健康管理。
NETL