提高风电机组部件故障预警的精度和速度,文章提出了一种基于SCADA数据的风电机组部件故障预警方法,用于解决现存的风电机组部件故障预警时间与故障预警精度的矛盾。首先SCADA历史数据通过数据预处理与BP神经网络建立机组部件正常状态模型,随后以该模型为基础结合基于马氏距离的数据统计方法形成故障预警判据,并将结果反馈给SCADA系统达到风电机组部件故障预警目的。仿真结果表明,使用该方法能够提前2个月识别主轴承故障信号,同时该方法能发现SCADA系统误报故障。 行指数滑差处理：()111tttxαxαx=+（1）其中tx表示t时刻的平均值，xt为t时刻的实际测量值，α（0≤α≤1）为平滑系数。如式（2）所示，通过获取到的tx，本文由张家港弯管机网站

转载中国知网整理!www.wangaunjimuju.net数据驱动的风电机-数控滚圆机滚弧机张家港电动液压折弯机弯管机对数据进行异常判断：t1tt1xkδxxkδ<<+（2）式中：k通过统计小概率事件确定，通过设置k和α对数据进行异常判断，当xt满足公式（2）时，可以判断当前数据为正常值，否则为异常进行滤除。选取k=3和α=0.3对功率数据进行处理，滤除结果如图2所示。图2风电机组功率数据预处理2.2神经网络输入参数选择对于风电场的SCADA数据，神经网络选取输入参数，大多通过主观经验判断或者参数之间的相关性来决定。由于风电场SCADA参数之间存在相关性，使用参数相关性选取神经网络输入参数的方法，当选择输入参数存在高度相关时，会造成参数的重复使用和数据冗余的问题。而通过主观经验法选择神经网络输入参数，由于影响风机部件的参数比较多，存在选择参数不准确，导致神经网络效率低，选择参数过少，精度不够等问题。我们采取逐步回归[10-11]解决这一问题，逐步回归分析具体步骤如下所示：第一步：输入SCADA参数样本X(m,n)，有n个参数x1,x2,x3,…,xn，所有参数的维度为m。第二步：故障预警部件参数设为xn计算所有参数的平均值ix、离均差平方和sii、协方差矩阵S=(sij)n×n'和相关系数矩阵数据驱动的风电机-数控滚圆机滚弧机张家港电动液压折弯机弯管机本文由张家港弯管机网站 转载中国知网整理!www.wangaunjimuju.net