【文章內(nèi)容簡介】 型，并以此模型為依據(jù)檢測機組各部件運行異常的早期征兆。由于風電機組運行中風速變化隨機、外界環(huán)境變量（如溫度）變化大、不同機組的特性存在很大差異、機組各部分機械電氣耦合關系嚴重等原因，基于機組各部件物理特性的物理建模方法面臨很多難題。為建立機組各部件的物理參數(shù)模型，通常會提出很多對實際對象的假設和簡化，因此建立的物理參數(shù)模型在反映機組真實運行特性方第 1 章 緒論 7 面存在一定局限性。由于風力發(fā)電機組輸入能量的隨機性，導致反映機組工作狀態(tài)的測量參數(shù)表現(xiàn)出規(guī)律性差，變化隨機性強的特點。因此，選擇的神經(jīng)網(wǎng)絡建模方法能夠很好地從具有上述特點的 SCADA 數(shù)據(jù)中建立相應的模型。當機組運行異常時，這些動態(tài)模型可以及時檢測出運行的輕微異常變化，從而達到狀態(tài)監(jiān)測的目的。擬采用的此新狀態(tài)監(jiān)測理論和方法在具有通用性的基礎上，同時具有自適應能力，對不同的機組以及同一機組的時變運行狀態(tài)具有較好的建模能力，完成狀態(tài)監(jiān)測的任務。預期的新狀態(tài)監(jiān)測方法能夠對機組的 SCADA 數(shù)據(jù)進行在線分析和信息提取，不需要對現(xiàn)有的風電機組進行硬件改造，成本低，適用范圍廣，便于工程實現(xiàn)，能夠對不同重要部件的不同運行異常狀態(tài)進行早期監(jiān)測，是運行人員了解掌握機組運行狀態(tài)的得力助手。在歐洲，尤其是英國，通過對SCADA 數(shù)據(jù)的分析和處理進行風電機組特別是海上風電機組的狀態(tài)監(jiān)測是非常有潛力的研究方向，且剛剛起步。本課題采用神經(jīng)網(wǎng)絡方法對風力發(fā)電機組關鍵部件進行建模及狀態(tài)監(jiān)測，具有較大的實用價值。風電機組的狀態(tài)監(jiān)測是一個復雜的系統(tǒng)工程，工作量巨大，需要很多細致具體工作的積累才能體現(xiàn)出應用效果。本課題的研究能夠為該積累過程做一部分工作。 研究內(nèi)容針對預測模型輸入的屬性選擇問題，本文首先采用相關數(shù)據(jù)挖掘方法得到對預測量影響較大的屬性集。然后將得到的屬性集作為輸入，采 用 溫 度 趨 勢 分析 的 方 法 進 行 發(fā) 電 機 狀 態(tài) 的 監(jiān) 測 。 本 文 研 究 的 主 要 內(nèi) 容 如 下 ：（1）詳細分析了風力發(fā)電機組狀態(tài)監(jiān)測的現(xiàn)狀。根據(jù)變量測量位置和作用的不同，對 SCADA 數(shù)據(jù)進行分析及分類，深入研究 SCADA 數(shù)據(jù)。（2）由于在建立機組各部件重要測量參數(shù)的預測模型時，該測量參數(shù)預測模型的輸入變量集的確定，是建立其準確模型的關鍵，因此，預測模型輸入變量集的確定是影響預測模型精度的重要因素。本文首先采用改進的貪心算法將連續(xù)屬性進行離散化處理，在離散化的過程中，可以約簡掉部分對預測量不發(fā)生影響的屬性。然后再利用遺傳算法與粗糙集理論相結合的方法進行屬性約簡，最終得到對預測量影響較大的屬性集。東北電力大學碩士學位論文 8 （ 3） 采 用 BP 神 經(jīng) 網(wǎng) 絡 模 型 來 對 發(fā) 電 機 的 溫 度 進 行 預 測 ， 并 利 用 滑 動 窗口 對 殘 差 進 行 分 析 。 在風力發(fā)電機組非參數(shù)預測模型的殘差統(tǒng)計方法中，合適的滑動窗口能夠消除由于測量誤差，機組啟停等偶然因素造成的孤立的較大殘差的影響。本文詳細分析了滑動窗口殘差統(tǒng)計的方法及原理，指出了滑動窗口具有能夠抑制孤立異常殘差的作用，并利用 BP 預測模型加以驗證。東北電力大學碩士學位論文 9 第 2 章 風電機組發(fā)電機結構及 SCADA 監(jiān)測參數(shù) 風力發(fā)電機組發(fā)電機結構本文研究的風電機組發(fā)電機的額定功率 ，額定電壓 ，r150KWP?r690V?額定電流 。切入風速為 3m/s，額定風速為 12m/s。發(fā)電機采用空氣r1340A?冷卻形式。冷卻器由很多銅制無縫管和強制通風機組成，置于整個機組的頂部，如圖 21 所示。發(fā)電機內(nèi)部熱空氣在兩端軸流風扇的驅使下，形成左右兩個冷卻回路，機內(nèi)熱風經(jīng)冷卻器冷卻后再送入發(fā)電機定轉子中進行冷卻，從而實現(xiàn)閉式循環(huán)。機組采用兩支預埋式的 Pt100 熱電阻測量定子繞組溫度，采用一只Pt100 熱電阻測量冷卻空氣溫度。圖 21 空冷風力發(fā)電機結構 風電場的 SCADA 系統(tǒng)大型風電場都安裝有各風機供應商提供的 SCADA 系統(tǒng)，主要功能是在中央控制室的監(jiān)控計算機中按固定時間間隔（一般為 10 秒和 10 分鐘）記錄風電場中各風機的大量原始數(shù)據(jù)，基本數(shù)據(jù)有輸出能量、狀態(tài)和報警信息、故障信息和傳感器數(shù)據(jù)記錄等 [22]。SCADA（縮寫）是以計算機技術為基礎的用于對現(xiàn)場設備實時監(jiān)控的調(diào)度自動化系統(tǒng)，可以對生產(chǎn)過程中的數(shù)據(jù)進行采樣、量測、發(fā)出指令。該系統(tǒng)在風力發(fā)電場中每 10min 記錄一次機組的運行監(jiān)測參數(shù)和運行狀態(tài)信息，其中運行監(jiān)測參數(shù)包含時間標簽、有功功率、無功功率、齒輪箱軸承溫度、齒輪箱油箱溫度、故障碼、液壓油溫度、環(huán)境溫度、定子三相第 2 章 風電機組發(fā)電機結構及 SCADA 監(jiān)測參數(shù) 10 電壓、定子三相電流、發(fā)電機轉速等 47 個監(jiān)測參數(shù)；每十分鐘記錄該機組的運行狀態(tài)信息，其中包括變槳系統(tǒng)故障、發(fā)電機系統(tǒng)故障、變頻器系統(tǒng)故障、發(fā)電機超溫和齒輪箱系統(tǒng)故障等。SCADA 數(shù)據(jù)的數(shù)量非常巨大，單臺風機的單月記錄可以達到幾百兆。在海量的 SCADA 數(shù)據(jù)中蘊藏著豐富的信息，風電機組的運行狀態(tài)和動態(tài)特性在SCADA 數(shù)據(jù)中均有體現(xiàn)。然而，目前風電場對 SCADA 數(shù)據(jù)的利用只是局限于數(shù)據(jù)監(jiān)試、報表生成和故障后的事故追憶 [23]。海量的 SCADA 數(shù)據(jù)存儲在計算機中，然后定期備份到光盤上，幾乎沒有進行數(shù)據(jù)整理和分析，這樣就造成了海量數(shù)據(jù)的浪費，對風電機組 SCADA 系統(tǒng)中的數(shù)據(jù)未進行深入分析和利用的原因主要有以下四個方面：（1）SCADA 系統(tǒng)存在海量數(shù)據(jù)以記錄時間較短的 10 秒鐘間隔記錄為例，一天中，單臺機組的 SCADA 記錄文件大小一般會超過 10 兆字節(jié)。對于大型風電場，機組臺數(shù)可能會達到上百臺。如果沒有高效自動的 SCADA 有用信息提取方法，如此海量的數(shù)據(jù)難以利用。（2）風電機組運行數(shù)據(jù)的特殊性由于風力發(fā)電的能量來源為風能，風速變化的隨機性很強。隨著輸入能量的隨機變化，SCADA 記錄的各重要參數(shù)，如風輪轉速、振動加速度、發(fā)電功率、齒輪箱溫度等都會隨之變化 [24]。這些數(shù)據(jù)變化范圍大，隨機性強，給信息提取帶來困難。另外，傳感器等的測量誤差也會混雜在 SCADA 數(shù)據(jù)中，導致SCADA 數(shù)據(jù)的質(zhì)量下降，分析困難。（3）缺少有效提取其中有用信息的理論和方法由于風電機組監(jiān)測參數(shù)的相關性強，又參數(shù)相關性強，缺少有效提取其中有用信息的理論和方法，使得 SCADA 系統(tǒng)中記錄的機組關鍵參數(shù)數(shù)量較多，孤立的觀察每個參數(shù)的變化，其變化的規(guī)律性較差，無法提供更多機組的運行狀態(tài)信息。（4）不同風電機組的特性存在很大差異由于制造、安裝、運行和所處安裝位置的不同，在同一風場中，即使型號相同的機組的特性也存在很大差異。例如，對于傳動鏈的振動信號，某臺機組東北電力大學碩士學位論文 11 的振動幅值可能很大，但根據(jù)運行人員經(jīng)驗，可能是能夠接受的。但對型號相同的另外一臺機組，較小的振動幅值可能意味著異常發(fā)生。因此，對于風電機組的 SCADA 數(shù)據(jù)的分析是個性化的，從而導致 SCADA 數(shù)據(jù)分析的工作量大[25]。 SCADA 系統(tǒng)數(shù)據(jù)的分類此部分工作是以張家口某風電場多臺 兆瓦 GE 公司生產(chǎn)的變速恒頻風力發(fā)電機組 20222022 年的 SCADA 數(shù)據(jù)為基礎。下文中的 SCADA 系統(tǒng)特性和機組特性的部分描述是以上述機組為參考的，但監(jiān)測理論和監(jiān)測方法本身具有通用性。以該風電場為例，SCADA 系統(tǒng)以 10 秒和 10 分鐘記錄的單臺機組的重要參數(shù)如表 21 所示：表 21 風電機組 SCADA 系統(tǒng)典型參數(shù)表 Phase BN speed 25. nset 1 . generator 2 . shaft bearing defection Phase CN deviation 1 sec.26. nset2 . bearing A speed running number factor speed 2, actual value, actual value35. Temp. bearing B 1 power speed 3, actual value, set value. gearbox 2 Phase AN, actual value21. Blade 1, set value state. outside breaker cutins Phase BN speed22. Blade 2, set value fault nacelle acceleration X Phase CN position23. Blade 3, set value deviation 10 sec.. generator cooling air acceleration Y第 2 章 風電機組發(fā)電機結構及 SCADA 監(jiān)測參數(shù) 12 rent Phase ANe revolutioner factor,set value. generator 1. gearbox bearing train acceleration這些測量變量根據(jù)測量位置和作用的不同，可以分為以下幾類：（1）風況和環(huán)境變量Wind speed(風速 )， wind deviation 1 sec.（1 秒鐘風） ，Wind deviation 10 sec.（10 秒鐘平均風向） ， Temp outside（外界環(huán)境溫度） ，Temp nacelle(機艙溫度)（2）反映風電機組總體運行性能的變量Power（有功功率） ，power factor（功率因數(shù)） ，reactive power（無功功率）（3）反映葉輪部分特性的變量Rotor speed（葉輪轉速） ，Blade 123 actual value（槳葉 123 的實際槳距角） ， Tower acceleration（塔架振動加速度） （4）反映傳動鏈部分特性的變量Drive train acceleration（傳動鏈振動加速度） ，Temp. shaft bearing（主軸軸承溫度） ，Temp. gearbox（齒輪箱溫度） ，Temp. gearbox bearing（齒輪箱軸承溫度） ，Temp. Gen. Bearing A（發(fā)電機軸承 A 溫度） ，Temp. Gen. Bearing B（發(fā)電機軸承 B 溫度， Gearbox speed（齒輪箱轉速）（5）反映發(fā)電機狀態(tài)的變量Temp. generator 12（發(fā)電機定子線圈溫度 12） ，Temp. generator cooling air（發(fā)電機冷卻空氣溫度） ，Voltage Phase ABC（發(fā)電機 ABC 三項電壓） ，Current Phase ABC（發(fā)電機 ABC 三相電流）（6）控制變量Blade 123 set value（槳葉 123 槳距角設定值） ，Power factor set value（功率因數(shù)設定值） ， nset 12（發(fā)電機轉速設定值 12）由表 21 可見，風電機組 SCADA 中記錄的測量變量包含了風電機組整體和各個部件的運行信息。不同廠家的風電機組 SCADA 數(shù)據(jù)監(jiān)測變量在細節(jié)上可能有不同，但大都包含以上測量變量。東北電力大學碩士學位論文 13 但目前對于這些觀測變量的應用僅限于簡單地將其與預先設定的報警閾值比較，產(chǎn)生報警信息。由于 SCADA 數(shù)據(jù)的隨機變化特性以及傳感器的測量誤差，經(jīng)常會使這種簡單的閾值比較方法產(chǎn)生大量的誤報警，干擾機組的正常運行，降低 SCADA 數(shù)據(jù)的利用價值。因此，本課題擬研究的隨機模型狀態(tài)監(jiān)測方法能夠根據(jù) SCADA 數(shù)據(jù)建立風電機組重要部件的動態(tài)模型，并根據(jù)該模型判斷機組的運行狀態(tài)。這種由 SCADA 數(shù)據(jù)驅動的監(jiān)測方法能夠更加準確的反映機組運行的隨機性和真實狀態(tài)，降低誤報警的幾率，及時檢測出機組的異常變化。 本章小結大量的 SCADA 數(shù)據(jù)存儲在計算機中，隨后備份到光盤上，幾乎沒有人對這些數(shù)據(jù)進行整理和分析。本章對 SCADA 數(shù)據(jù)利用的問題進行分析，提出新的實用的狀態(tài)監(jiān)測理論和方法。并對 SCADA 數(shù)據(jù)進行分類，為本課題發(fā)電機溫度的建模與監(jiān)測奠定了基礎。第 2 章 風電機組發(fā)電機結構及 SCADA 監(jiān)測參數(shù) 14 第 3 章 基于粗糙集和遺傳算法的屬性約簡 連續(xù)屬性離散化連續(xù)屬性的離散化是知識獲取中數(shù)據(jù)預處理的一項重要內(nèi)容 [2628]。粗糙集理論處理的對象必須是離散的，如車的重量分為超重、中等、輕，可以分別用三個值或符號來表示，它不能直接處理連續(xù)屬性，如浮點型數(shù)據(jù)。連續(xù)屬性離散化的根本出發(fā)點是在保證離散化前后決策信息未丟失的前提下，用盡可能少的斷點將屬性空間劃分成盡可能少的子空間，這也是離散化算法追求的目標。 離散化問題描述是一個決策表， 代表所有屬性，其中 是條件屬性(,)SURVf?RCD??C集， 是決策屬性集， 是論域，是一個有限的對象集合。決策屬D12{,}nx?性有 個。一個在屬性 值域 上的斷點被記為 ，其中 ， 是實數(shù)。()rdaaV(,)acaR?c值域 上任意一個斷點集合被定義為 ，斷點集合代[,]al 12{(,)}ak?表了值域