目前,风电场箱式变压器故障预警与状态评价方法,依赖于运维人员经验与专家规则,未能有效利用多源异构的运行数据和历史数据,在客观性与准确性方面存在不足。本文基于非线性状态估计法(nonlinear state estimate technology,NSET),对箱...
详细信息
目前,风电场箱式变压器故障预警与状态评价方法,依赖于运维人员经验与专家规则,未能有效利用多源异构的运行数据和历史数据,在客观性与准确性方面存在不足。本文基于非线性状态估计法(nonlinear state estimate technology,NSET),对箱式变压器的在线监测数据进行深入挖掘,实现数据处理、特征提取、模型构建等关键步骤的效果优化,全面掌握箱式变压器的健康信息,及时发现潜在故障,提前排除重大事故隐患,提升了箱式变压器故障诊断与状态评价准确性,降低风电场的运维成本。
风电机组长期工作在恶劣的环境中,导致故障频发,运用合理高效的方法对风电机组部件进行故障预警,具有十分重要的现实意义。首先利用3σ-中位数准则对数据进行预处理,然后利用非线性状态估计(nonlinear state estimate technology, NSET...
详细信息
风电机组长期工作在恶劣的环境中,导致故障频发,运用合理高效的方法对风电机组部件进行故障预警,具有十分重要的现实意义。首先利用3σ-中位数准则对数据进行预处理,然后利用非线性状态估计(nonlinear state estimate technology, NSET)方法对风电机组的齿轮箱温度进行预测。当齿轮箱工作出现异常时,预测值与实际值的残差增大,超出预先设定的阈值发出报警信息。实验结果表明,提出的3σ-中位数准则组合法能够有效识别数据中的异常值,效率高,清洗效果好。对处理后的数据进行NSET建模,利用NSET模型实现了齿轮箱的故障预警。
暂无评论