由于风电机组SCADA(supervisory control and data acquisition)系统包含较多冗余信息并且数据之间具有较大耦合性,因此在数据挖掘过程中进行样本优化意义重大。文章采用非线性状态估计(NEST)方法建立齿轮箱轴承温度模型并用其进行轴承故障预测,首先采用灰色关联度分析法为选择观测向量提供理论依据,再采用相似度分析法构造简约过程记忆矩阵,使其在不冗余的情况下尽可能覆盖齿轮箱全部正常工作状态以实现样本优化,进而当齿轮箱发生故障时,通过简约矩阵训练的模型残差将较早超出阈值并提前进行预警。最后结合某风电机组实际运行数据进行仿真分析,验证了模型的时效性与优越性。
为实现风电机组运行状态的实时评估,提出了一种基于SCADA运行数据的风电机组运行可靠性评估方法。该方法首先通过层次分析法(Analytic Hierarchy Process,AHP)和熵权法分别计算目标属性的主观权重和客观权重,采用灰色关联度法计算目标属性的关联权重,并对3种权重通过松弛因子进行线性融合得到组合权重。然后通过改进的优劣解距离法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)对风电机组可靠性进行评估得到风机状态评估结果,最后将组合权重松弛因子d由0到1连续取值,进行敏感性分析。本方法应用于某风电场9台风机的可靠性指标仿真评估,结果表明,基于该方法得到的评估结果更接近风机实际运行状态,具有更高的可信度。本文提出的方法为合理制定风电机组检修计划提供了新的技术手段。
