[发明专利]一种基于运行参数的风机性能分析方法

说明书

本发明公开了一种基于运行参数的风机性能分析方法，它包含如下步骤：通过相关测量元器件测得风场运行风机主要运行参数；利用相关性分析方法确定模型的输入变量，模型的输出变量为风机功率；基于Morlet小波神经网络构建风机功率预测模型；为了提高模型的预测精度，分别对模型的隐层节点数、学习因子及连接权值进行优化；采用自组织神经网络SOM对风机功率偏差聚类；采用马尔可夫模型计算风机的状态转移概率矩阵；通过分析风机的状态转移的概率评估风机异常状态。本发明基于风机运行参数的风机性能分析方法，和众多国内外风机性能分析、评估方法相比，具有所用数据量较小，评判过程简单易行，评判准确率较高等特点，所建模型有实际工程参考与应用价值。

技术领域

本发明涉及风力发电领域，尤其涉及风机的发电性能评估，是一种基于运行参数的风机性能分析方法。

背景技术

随着全球能源需求的增加和不可再生化石燃料造成的环境恶化，人们已经在太阳能、地热和风能等可再生资源的广泛工程应用中投入了大量的研究关注。风能成为一个重要因素。20世纪70年代美国能源危机期间的话题。风能资源清洁，丰富、取之不尽、环保。基于此，风能已成为发达国家和发展中国家增长最快的可再生能源。风力发电机在未来产生的电力对快速发展的风电产业具有重要意义。然而，由于机组工作环境恶劣多变，风机长期工作在交变载荷的情况下，从而使机组故障频繁，性能不断下降。据统计，风电场投产之后，在电场的成本核算中，风电机组的运行维护和保养费占比最高，陆上风电机组的运维费用约占为10％-15％。海上风电场相对于陆上机组环境来说运行环境更特殊，技术支持需求更高，其运行维护的费用高达20％-25％。风电机组运行维护费用居高不下，其中一个原因是由于风电机组所处的外界环境恶劣多变因此造成频繁的故障；另一重要原因则为风电场长期采用“定期维修”和“事故维修”的维修策略，无法做到提前预测，及时发现故障并控制故障恶化发展也是重要的原因。传统“定期维修”采用固定周期开展机组监测与维护，一方面容易造成维修过剩，另一方面也有可能维修不足，原因在于不能在合适的时间开展适度的维护，对非维修时期产生的异常不能及时处理极易造成隐患的不断恶化，从而造成重大故障的发生；而“事故维修”则是被动开展维修工作，事前准备不充分，故障的关键信息缺少，因此维修工作难度大，停机时间长，运维成本高经济损失严重。因此，如何合理有效地开展分析风电机组的性能分析和机组健康状态评估，提高机组的可靠性，确保机组安全稳定运行，降低风电场运行维护成本，提高风电场的现场管理水平，已成为我国发展风电技术需迫切解决的关键问题。故此，基于通过实时测量得到的风电机组运行数据，提出一种基于运行参数的风机性能分析方法。

发明内容

本文主要解决的技术问题是：提出了一种基于运行参数的风机性能分析方法，该方法将现场实时采集的风电机组运行数据，代入提前训练好的功率预测模型，计算功率偏差，对偏差进行聚类分析，通过计算状态转移概率评估风机发电性能，为风电厂风机设备检修提供理论依据。

为了实现上述目的，本发明采用了如下技术方案：

一种基于运行参数的风机性能分析方法，它包含如下步骤：

1.数据的采集

通过相关测量元器件测得风场运行风机主要运行参数；

2.相关性分析

采用Pearson相关性分析公式计算风机主要运行参数与风机功率间的相关系数，其Pearson计算公式如下：

式(1)中，r表示相关性系数，无量纲；x_i、y_i表示待计算的两个变量的第i个分量，i＝1，2，...，n；表示待计算的两个变量的平均值。

采用公式(1)计算风机主要运行参数与风机功率间的相关系数后，将相关系数大于0.5的参数作为构建风机功率模型的输入变量，以风机功率作为模型的输出，采用Morlet小波神经网络构建风机功率模型，具体过程如下：