摘要
海上双馈式风电机组发电机故障频率高、一旦故障发生造成停机时间长，为了减小发电机故障带来的重大经济损失及安全事故，需对其进行状态监测。数据采集与监视控制（Supervisorycontrolanddataacquisition，SCADA）系统通过状态参数超过固定阈值进行报警，但此时发电机劣化程度严重，留给运维人员的处理时间较短。因此，需要对发电机进行故障预警研究，掌握其运行状态以及劣化趋势，为运维人员获取更充裕的时间以采取故障预防措施，将发电机运维模式向主动运维及精细化运维转化。目前，海上运维照搬陆上的运维方式，导致预警不及时，且误、漏报警时有发生。为此，提出海上双馈式风电机组发电机故障预警方法，通过基于变分自编码器（Variationalauto-encoder，VAE）-卷积神经网络（ConvolutionalNeuralNetworks,CNN）递归图重建概率实现发电机实时运行状态的退化程度评估，为了进一步提前预测发电机劣化程度，通过基于工况划分和人工神经网络（ArtificialNeuralNetwork，ANN）-长短时记忆网络（longshort-termmemory，LSTM）组合网络的实现发电机故障预测，并根据两种方法预警严重程度以及时长，形成一套适用于发电机的故障预警机制。论文主要研究工作及结论如下： ①对SCADA系统实测数据进行了分析，采用统计学方法筛选了与发电机关联程度较大的状态变量，使得建立模型的更简洁并提高其准确度，并针对海上发电机运维要求，提出了故障预警思路。 ②提出了基于VAE-CNN网络递归图重建概率的海上双馈式风电机组发电机性能退化评估方法。将多维时间序列转变为多维递归图，以全面反应其运行状态；采用VAE-CNN网络建立递归图重构模型，提取正常运行状态递归图特征；将正常递归图的重建概率进行核密度估计，从而确定分割阈值，将其运行状态进行分类，算例证明所提方法提出的方法有更高的性能退化评估准确性。 ③提出了基于工况划分和ANN-LSTM组合网络的海上双馈式风电机组发电机故障预测方法。进行工况划分并在各工况区间搭建了ANN-LSTM组合预测模型；利用隶属度函数，实现“分区间-预测-分配-集成”的发电机多工况温度预测融合，算例验证表明所提模型的准确性比未划分工况区间模型的准确性高，而且在发电机异常时预测残差的稳定性比分工况模型好。 ④提出了发电机故障预警策略，通过结合待监测数据重建概率与正常运行状态重建概率的偏离度以及判异准则制定了发电机一级故障预警策略，通过EWMA控制图自适应残差阈值制定了二级故障预警策略，并根据两种方法预警的时长以及严重程度，形成两级故障预警机制。算例验证表明所提出的故障预警策略能在避免误报警的同时尽早实现发电机故障预警。
NETL