欢迎您访问东方风力发电网
当前位置: 东方风力发电网>谈技术 >风电机组 > 风电机组健康状态评估模型的设计与应用

风电机组健康状态评估模型的设计与应用

2015-11-12 来源:《风能》 浏览数:307

在传统能源不断减少的今天,世界各国已经将目光转到可再生能源的开发上来。风能作为一种绿色清洁的可再生能源,已经引起了我国的广泛研究和使用。其中,风电机组的健康正常运行一直都是保证风电场盈利水平的主要手段和影响因素。

  在传统能源不断减少的今天,世界各国已经将目光转到可再生能源的开发上来。风能作为一种绿色清洁的可再生能源,已经引起了我国的广泛研究和使用。其中,风电机组的健康正常运行一直都是保证风电场盈利水平的主要手段和影响因素。
  每年因风电机组故障损失的发电量和维护费用都给风电场带来巨大的经济损失。从减少故障维护时间和维护成本上来说,一个能够对风电机组的健康状态进行评估并且能够对风电机组故障进行预测的模型是必要的。
  本文提出的健康模型是以平行空间理论作为本模型理论支撑点,以大数据技术作为建模的技术手段,来创建基于平行空间理论的设备状态监测模型来提高风电机组运行效率,减少风电机组维护带来的损失。
  基于平行空间理论的设备状态监测模型ECMM
  由上节可知,本节需要提供一个健康模型来实时检测风电机组的健康状况。平行空间又称平行宇宙,而平行宇宙的概念并不是因为时间旅行悖论提出来的,它是来自量子力学,因为量子力学有一个不确定性,就是量子的不确定性。平行宇宙概念的提出,得益于现代量子力学的科学发现。在20世纪50年代,有的物理学家在观察量子的时候,发现每次观察的量子状态都不相同。而由于宇宙空间的所有物质都是由量子组成,所以这些科学家推测既然每个量子都有不同的状态,那么宇宙也有可能并不只是一个,而是由多个类似的宇宙组成,因此平行宇宙的数量并不是确定的。风电机组在运行的时候,由于环境因素的变化、自身硬件设备使用寿命的差别,发生故障等因素的不同,导致风电机组运行状态发生变化,且变化的状态数量也是不确定的。由于平行空间具有多个空间共存且每个空间相同事物存在不同状态的特性与数个风电机组整个生命周期的某一时刻中具有多个状态且每个状态不同具有相似的特点。因此,本文结合了平行空间的理论,给出基于平行空间理论的设备状态监测模型ECMM。
  综上,本节将分别介绍基于平行时空理论的设备状态监测模型ECMM,并给出基于ECMM模型的风电机组健康状况评估的方法。
  一、基于平行空间理论的设备状态监测模型ECMM的理论模型
  图1基于平行空间理论的设备状态监测模型ECMM的理论模型
  构建基于平行空间理论的设备状态监测模型ECMM的理论模型过程如图1所示,主要分为三个阶段,平行空间划分、平行空间衍生、健康值计算。
  (1)平行空间划分
  首先,数据预处理。利用集控中心大数据平台收集各风电场所有风电机组全参数的历史数据,根据风电机组各参数自身数据意义和取值范围结合大数据技术对收集的数据进行清洗、去脏、修复等数据预处理工作。
  其次,健康时间段的提取。风电机组在无故障、误报警且稳定运行的状态为风电机组健康的运行状态。在风电机组全生命周期的时间轴上,扣除风电机组运行不健康的时间段包括:报警的时间段、故障及故障的征兆时间段、停机的时间段、无通讯时间段。所剩的时间段即为健康的时间段。
  最后,平行空间的形成。风电机组在不同的环境因素下,能够健康运行时的各个参数所处的健康值也不相同。因此,将环境条件按风速、温度、大气压力、空气密度、生命时间等多个维度,并对各个维度进行步长的划分。按照步长所切割好的维度组合在一起,就是一个空间,而所有的相同生命时间的空间就组成了平行空间。
  (2)平行空间的衍生
  在风电机组的全生命周期里,随着生命时间的推移,风电机组所处的环境的不断变化,风电机组会沿着时间轴由一个空间的健康状态演变成另一个空间的健康状态,而此过程是按照时间轴单向的。而最开始的一个多个空间状态根据环境变化的不同不断衍生出数个平行空间状态。
  (3)健康值计算
  提取风电机组属于各个空间的健康数据,利用各个参数的业务意义与数据挖掘算法等进行各个参数在该多维环境分组下的特征值的计算,包括值域范围、平均值、聚类后的范围、权值等,代表该多维环境的各个参数的特征值。而将各个参数有属于自己的权重,利用各个参数的权重以及自身的特征值,计算出该空间风电机组健康状态的健康值。
  二、基于平行空间理论的设备状态监测模型ECMM的应用模型
  图2基于平行空间理论的设备状态监测模型ECMM的应用模型
  上一小节给出了ECMM模型的理论模型的构建方法。但是,由于理论模型需要大量同型号风电机组全生命周期的数据作为理论支撑,且最终的平行空间数量不可评估,以目前集控中心所收集的数据是达不到的。因此,本小节将给出基于平行空间理论的设备状态监测模型ECMM的应用模型,如图2所示,主要分为两个阶段,风电机组健康状态生成和风电机组健康状态间的转换。
  (1)风电机组健康状态
  首先,数据预处理。此过程与ECMM理论模型相同。
  其次,健康时间段的提取与划分。健康时间段的提取过程与理论模型健康时间段的提取过程相同,扣除风电机组运行不健康的时间段,所剩的时间段即为健康的时间段。由于风电机组在进入某环境空间的初始N分钟内处于过渡期和N分钟后参数运行状态差异变化较大,因此在风电机组全生命周期上将分为稳定期状态与过渡期状态,并根据实际统计将不同的稳定状态间切换时所需的不稳定时间长度值作为分割点。将相同机型全部风电机组在全生命周期健康时间段上,所有被分隔好的不同状态切换的过渡期时间段和稳定期时间段的数据分别收集。
 1   2   3   
阅读上文 >> 涡轮-无人机混合设备可以捕获更多风能
阅读下文 >> 叶片安装误差对风电机组性能影响的研究﹡

版权与免责声明:
凡注明稿件来源的内容均为转载稿或由企业用户注册发布,本网转载出于传递更多信息的目的,如转载稿涉及版权问题,请作者联系我们,同时对于用户评论等信息,本网并不意味着赞同其观点或证实其内容的真实性;


本文地址:http://www.eastwp.net/tech/show.php?itemid=30912

转载本站原创文章请注明来源:东方风力发电网

按分类浏览

点击排行

图文推荐

推荐谈技术