文摘
根据泰米尔纳德邦能源发展机构(天津开发区)在2019 - 20学年,风力发电站产生23%的生物质电源在印度电子商品。维护所需的功率承受能力未来电气商品,每年电力关闭程序实现。一个额外的风力发电机组将竖立,创造更多的电力,从而平衡印度商业电力需求。即使在一个不稳定的工作环境,持续的监控和分析风力涡轮机的效率是一个更艰巨的任务。因此,在本文中,一个健康指数的计算提出了风力发电厂利用neurofuzzy (NF)建模。可以测量风力发电机效率数学通过记录三个关键primitivistic观察转速等一代伤口温度和变速箱热量。模糊规则是用来设计神经网络(NN)的参数和积累的信号比较使用非线性外推的方法来确定风力发电机的行为和评估危害。在实验研究中,两个窗口的24小时,60个小时,在偏差信号所需的风险归纳研究。该方法能够准确地计算出风力发电机的健康状态。由于一种改进的健康经营和管理(HOM)系统、电力工业和家用电器所产生的数量急剧增加。
1。介绍
风力涡轮机有降低燃料成本比其他可再生能源大规模应用程序(1- - - - - -3]。风力发电机的功效可能波动取决于形势由于各种地质特征、气候条件、风电场特点(4,5]。电力供应商将有更多有用的数据来帮助发电计划如果风电厂的总输出(WPP)可以预测精度高(6]。可能要管理这些信息,WPP灵活和智能的方式(例如,增强风电场运营时间表和反应能量流)。评估风力发电可以通过使用物理过程、分析方法、fuzzy-based技术(7),甚至混合方法(8]。由于检测和跟踪限制WPP的探测器和跟踪系统,物理技术必须主要依靠数值天气预报(9]。变量因素,计算时间,时间限制,采样频率影响WPP提供可靠信息的能力。更容易预测一个风力涡轮机的效率比整个WPP的输出10]。低成本的基于概率的预测方法和neuronetworking原则是可用的。一个非线性模型的输入和输出之间的交互信息可以创建基于先前观察到的信息。然而,预期的误差可能很大如果额外的数据,是包括在以前没有培训数据的收集用作摄入到这样一个类型的系统(11]。
根据(11),风电场预测误差比较大,各种各样的失败。如果一个异常风电场不及时发现并纠正,它可能导致长时间的中断,甚至导致缺乏发电。风力发电场,另一方面,有一个主要的挑战由于其高运营费用。正因为如此,它正变得越来越重要改善风力涡轮机等各项技术状态跟踪和风电场问题诊断(12]。评估风力涡轮机的实时操作条件和发现紧急故障需要进行电子健康检查。风力发电场的管理员可以使用它作为一个及时的提醒要优先考虑,构建基于时间的修复计划。风电场的运营成本,可以减少损失风险监测所有的风力发电机的运行状态(13]。因此,风电场的安全性和效率已得到改进。
仍有很多工作要做的保健性能测量和评估的概念,它仍在开发的早期阶段(14]。列出的三种类型的风电场医疗评价策略的研究包括神经网络(NN)方法为基础,以知识为基础的技术,和基于数据的技术15]。许多各种组件和功能构成了风电场的机电结构。此外,许多元素的错综复杂的联系。所以很难建立一个精确的数值模型对风电场的规模和复杂性(16]。
评估风力发电机维护将提高几个困难,其中大部分在以下部分解决。开始,风农场将会收到无数(false)警告由于多个状态跟踪系统,设计的隔离组件的风电场(为轴承、变速箱的单独建模,建模等)(17]。因此,它几乎是不可能跟踪操作。此外,由于只有一个模型对于每个WT,与许多大型风电场风力发电场将无法运作。因此,很难在大型风力农场规模状态监测设备。跟踪每个WT的数据很长一段时间将是下一个挑战在设定报警阈值。由于缺乏标准化系统的特点、操作更加昂贵。因此,有必要对显著改善状态跟踪方法(18]。
很多正在注意NN-based系统(特别是多层感知器),它可以处理非线性的影响。开发神经网络模型时,通常使用GWT等特点,旋转速度(RS),风的速度(WS),齿轮箱温度(GT),和俯仰角PA, NT、预期结果等WT。异常活跃的能量(美联社)以同样的方式已被公认在异常识别方法预期之间的差距和观察美联社大于一个指定的水平(19]。提到的几个研究的新组件在这个研究是利用信号构造概率健康状态模型对于这样一个WT因为它对其医疗数据。
本文提出一种健康指数计算风力发电厂。可以测量风力发电机效率数学通过记录三个关键primitivistic如转速、代伤口温度和变速箱热量。模糊规则是用来设计的参数神经网络(NN)。该方法能够准确地计算出风力发电机的健康状态。在实验研究中,两个窗口的24小时,60个小时,在偏差信号所需的风险归纳研究。
剩下的论文结构如下:部分2关注相关工作,作者的贡献风力发电厂的医疗检查。neurofuzzy模型和数学方法讨论了改变窗口滑动部分3。操作和管理系统部分4给出了实验结果,证明风力发电机的医疗参数是如何评估。最后,部分5提供了一个结论,看看未来会是个什么样子。
2。文献综述
在大多数情况下,状态监测系统(CMS)在这个行业要求监控过程的更深层次的知识。遗憾的是,这些信息很难获得,通常不存在(20.]。这样一个网络的物理表示很少产生的精度在几个动力组件由于其复杂的相互作用。此外,振动的主要焦点是当前的CMS。作为一种评估机器的健康,振动测试最近很流行(21]。不幸的是,所有的转子上安装振动探测器很少和模块由于其高成本。缺乏状态跟踪已导致许多涡轮机,仅仅是配备一个振动传感器在每个主要组件。另一方面,大量的操作(SCADA)的数据将被用来确定发电机的状态。根据(22CMS,风电场建设是最具成本效益的时候使用这些数据。涡轮的状态数据或观察的指标如电流、温度、或紧张将被用作涡轮机的性能信息。
使用涡轮条件数据,问题可以提前预测5-60分钟(23]。执行预防性维护在此预测时间表将是困难的,由于缺乏可供员工完成任务的时间。信号处理技术,关注关键数据的趋势或组合的信号可以用来检测涡轮性能的主要波动处于初期阶段。使用神经网络(NN)设计技术,24)表明,信号可以预测周活动,提前几天,甚至几个月。这些方法更适合于允许工人组件失败(之前纠正问题25]。基于模型的技术用于构建传统行为模式时,可以预测一个特定的输出信号给一个或多个数据输入(25]。可以发现许多信号与其他信息同时监控,如风速或发电。这是适合风电场信号。分析风电场信号,使用一个典型的行为概念是有利的,因为它不需要任何先验知识的信号的行为。的可用性信号跟踪似乎是正常的行为的一个基本组件的想法,正如前面提到的,以及(26]。
当涡轮部件被认为是正常的(通常是功能),通常是在设备的寿命,常规行为建模是构建。学习系统是用来预测信号,预测误差表明信号系统中导致缺陷的行为变化。这种技术(科学界非常感兴趣26]。自回归使用外源输入(ARX)建模在这种情况下,用于确定风力发电机轴承使用SCADA的状态信号。不幸的是,这种方法涉及到人类的参与变量选择产生一个体面功能系统。由于大量的信号和发电机需要检查,必须限制人类活动。是常见的许多操作应用人工智能方法(学习能力)和SIMAP和火星是两个最新的尖端技术,采用这种策略(MAS)。有两种方法可以创建SCADA信息使用人工神经网络(典型行为模型27]。这样的神经网络设计方法往往追求,与神经网络的创建和示范的非凡的效率在这个场景中最常见的一个例子。风电场传动系零件跟踪使用神经网络(NNs)在先前的调查28]。
在[29日),建议进一步的研究是进行持续时间的影响,恶化,和故障预测,以及异常识别的状态跟踪特定部分WT(发热)。此外,回归技术用于开发一个多项式预测框架的生成热。生成系统的输入变量是输出和额外变量由集成发电机环境温度(在),发动机舱温度(NT),冷却液温度。通过使用描述性的语言,系统是用于提高总发电同时管理一个单一的组件提供实证依据。后面的版本的系统将把增强允许其使用在实际WT场景可能包括不同的环境条件。同时考虑ninth-degree多项式,能量曲线的WT往往是在这个领域的研究出版物的主要目标,使用描述性建模。然而,大多数的出世的描述性建模研究中心在耐力、故障检测和恶化的设备。由于数据集的失败或模拟,比例风险模型(榜单)在这种情况下。诊断主要依靠榜单的用法,一种故障模式30.]。协变量和一个基线是两个主要组件的典型设计。
3所示。系统模型
评估WT目前的全面的健康状况、医疗状态跟踪提醒如果建立健康状态信号偏离预期的常规医疗环境。结果,系统的应用程序可以被称作预防性行动必要的,以确保一个成功的表现。这样一篇论文提出了一个方法开发一个参数化的健康状况监测设计行为概念(像往常一样),监视WT的实际时间以及实际健康状况通过其半成品,还提升了知道国旗当这样WT的小病偏离预期的正常情况。实现,将首先建造的每一个神经网络建模特点考虑(GT、RS和GWT)。偏差信号然后恢复,这是对每一个特征的健康状态的变化。接下来,使用这些信号,这样一个PHM-based形状参数化模型创建的每一个特征。根据这样的神经网络的有效性和PHM-based建模,这种生产设计集成在榜单方面产生的最大增量参数化的健康状态建模WT。这样最终设计是用来评估WT的整个条件在实际时间,为控制器提供支持和资产管理组在改善性能和维修计划。
本研究旨在识别中创建的HMS SCADA功能和结构信息,此外,预测潜在的问题,使风电场运营商足够的时间来调整维修计划或进行其他预防措施,以避免意外的硬件故障。不过,10分钟平均SCADA经常访问控制器使用的信息。图1描述了创建这样的HMS的基本结构。各种HMS的功能单元(见图1这里讨论。
3.1。培训模块
建模时仍无法访问或进一步学习是必要的,典型的行为建模是学习中的学习计划。如果一个元素改变了信号的关系以及改变结果,反过来是准确的。之前的数据集规范化使用提供的方法构建模型,包括验证检查,数据范围检查,没有数据分析,以及延迟消除。提供各种培训阶段的学习计划,使快速评估。超过一个月的连续的实际数据采集,初始模型发展。如果三,六,九个月后附加信息收集,进行更多的锻炼。发达简称ANFIS系统和标准化标准指定的典型操作区域风力发电机利用估计不精确的输出这样一个学习计划。
3.2。预测模块
当一个训练建模的采样信号可以在建模的基础上,预测单元操作。预测的不准确计算并保存使用创建的正常行为框架。
3.3。异常识别模块
差异在预测错误是发现在这一节中。这将是通过使用学习模块的正常行为标准,而是expert-defined参数计算。结果是一个异常发生率的数据矩阵,但发病率和当前日期异常的时期在工作日。
3.4。初始化模块为模糊专家
摄入和网点,也各自MFs,初始化是在FIS框架用于异常检测和元素条件断言。需要检查每一个元素,将其独特的金融中间人,而输入取决于元素或系统被调查,和每一个FIS架构包括相应的输出数据:诊断(细节关于信号的异常活动)状态可能的根源。
3.5。模糊专家应用程序模块
使用预测失败和当前数据异常,更新的金融中间人在该组件体系结构评估。结果保存在一个文本形式显示为分析器提供一个完整的发电机的状态。
神经网络神经元组成,其参数插值中输入参数以及有针对性的通过一个优化的过程变量(如梯度加权配合)。GWT, GT的普通行为分析和RS的冲动,多层感知器将使用前馈神经网络。进口和出口之间的节点,它有一个独特的体系结构中一个或多个埋层与不同数量的神经元发生。此外,架构缺乏层与层之间的交互和神经元,允许数据通过简单地从源到目标层。
每一层的结果计算使用传输功能(或激活函数)以及输入变量。出口层中的偏差变量,偏差变量埋层,埋层的激活函数,和激活函数的退出表示层 , ,和以及 ,相应的。因为这个研究两个层次,两个传输方程。第一个传输功能( )预测埋层的结果等指定乙状结肠双曲正切模式的功能,如下所示。
传输功能2 ( )决定退出层的结果和被描述为一个连续的传输函数,如下所示。
执行度量,用于学习,似乎是方错误(SSE)的总和。指导训练的方法称为尺度共轭梯度用来构建神经网络。这种方法分析传入的数据集然后调整神经网络的价值观和障碍减少上交所。
在这预测价值,而吗神经网络的结果吗传入的数据集。得到的正确性决定使用神经网络中线性外推结果以及目标参数,实现效率最高的100%。
3.5.1。预处理
建议方法的信息集合利用来自WT,没有任何引人注目的失败或异常超过一年。错误的数据集必须清除格式这些数据检查。四个过滤器被创建并实现这样一个目标。过滤试图取代不是一个数字(南)结果与这样一个平均创造的价值从南点后和前访问数据源。每个WT变量都有这样一个现实,建立了限制,而这些限制以外的数据集过滤掉。(例如,美联社被发现是负的)。然而值得注意的是,这种过滤器是产生明确的信息系统实现。此外,由于WT表现正常,结果不能超越一个置信水平。例如,标签不寻常,两个连续的三个数据值超出设定范围。过滤器包含这个账户下使用功率曲线测量,而滤波器调整和调整每一个变量在定义的限制目前的结论。
来源然而验证,以确保这些记录值为每个参数近似最优值的分散。它阻止系统产生一个输出基于不确定输入数据,这有助于减少模型的不准确。使用神经网络建模的特点,这些神经网络类型创建在这个阶段模仿GWT的典型功能和GT,以及RS。这个神经网络等三种神经网络类型似乎是一个多层感知器前馈神经元有一个隐藏层的架构有50一层卷积。美联社,NT, AP-1以及AP-2随着匹配GT和GWT预测参数,代表输入NNGT NNGWT。AP-1以及AP-2,仍然是一个P前两个时期中获取的值。包括两个因素的目的是看前面的行动的影响正在进行的操作。WS,美联社,似乎NNRS的来源,在RS为目标参数。一年的信息每隔10分钟平均测量值(37000)任意分成70%,15%,和15%的学习,相应的测试和验证。
“随机”样本方法被选中,因为它确保每个收集的数据也同样有可能的是,70年,观察学习的15测试,以及15每100观察验证。尽管它可能会减轻一些一些相关活动时刻持续时间之间的关系,它已被证明成为最有效的方法。当“块状”而是“时间”示例使用策略,例如,他们直接把特定的间隔,并从学习尽可能多的潜在结构限制了系统可行的,构成一个缺点。研究正在进行,以防止一些使用NNs交互带来的挑战,就像过度拟合。
结果,系统只允许每一个测试后,如果效率的变化中“学习”,“测试”和“验证”数据点是低于0.1%。结果,只有一个图表反映了整个数据集,像所有三个图表(学习、测试和验证)一致,误差0.1%,如图2。相反,建模将被修改,因为这要求是满意。同样,这些知识是通过运行大量的测试和检验模型的结果。应用这个要求后,总缺陷率为每一个神经网络系统计算了平均预测误差的三个数据库。此外,当一个组件被删除或元素明显修改,必须开发一个独立的神经网络系统。
强调和解释建议的参数化模型的特点,建立了参数化的健康状态相关性的概念将会以各种方式,包括如何处理现有的许多问题中确定当前的研究评论。必须指出这样一种提出了一种建模健康状况,和生成的模型的参数化形状将是一个很大的特点。此外,所有通过观察正常性能进行的研究,它可以减轻对环境中没有失败的事实。系统在以下方面擅长,可以更深层次的在随后的调查研究:
3.5.2。适应性
因为大多数建模部署因此依赖NNs,似乎有适应困难,NN-based估计的具体WTs不会被交替使用。建模方法,另一方面,能够改变变量的好处和重用原型不同WT。此外,以验证改进的变量,需要更多的研究。
3.5.3。可伸缩性
发展独特的神经网络建模为每个WT在这样一个风力涡轮机有一个巨大的出世,少数民族的共性中不会简单的研究,模拟现场管理员和控制器是一个挑战。一个这样的研究可以使用建议的概念,和对比的模拟低少数的出世会导致一个通用的概念等农田。剩余使用寿命的评估如下:本文提供的参数化方法将在为期一年的研究跨越的WT不经历任何重大异常。这意味着实际的行为和建模将使用指南。每年的有效性可以对比这些数字。另一个角度来看,每年的类似的模拟,将建,模拟可能的变量之间的相关性产生的见解在恶化。当然,它会导致改善行动计划。
4所示。结果与讨论
Neuronetworking模拟器可用于该模型来测试风力发电机提出的建模用于医疗目的。建议卫生监测系统利用所有可用的燃油效率的参数。某些健康指标变化的异常操作风电场发电系统。有72小时的时间内从风电场风速和能源数据SCADA比较和评估使用三个国家健康指标基于数据联系。这样的调查结果中描述数据3和4。三个健康指数大幅改变40小时后,表明这些风力发电机系统的地位是独一无二的。
标准化的数据集关联模型是基于SCADA信息开发期间获得的普通操作风电场运行的第一天。以下是风速和能源数据之间的关系,证明了使用风速和能源统计数据为例:
风力发电机运行健康指标的变化规律是由设置窗口宽24小时以及窗口增量为1小时。
改变监管运营健康指示器的风力发电机是由窗口宽度设置为24小时,和窗口增加一个小时。图5显示一个图形表示的累积发展健康状态管理 。各种各样的信心度调查等 ,和99%置信缺口产生最好的结果的准确匹配的真正的波动以及输入信息。应该注意的是,这样一个案例研究的基础上,提出HCWT概念生成的信息,无重大异常,应该注意。
5。结论
本文提出一个neurofuzzy建模来检查的动态健康状态风力涡轮机通过获得典型的行为特征差异风力发电机的实时信号。神经网络可以用于跟踪和异常状态识别、增量方法建在医疗状态建模承认状态更改为WT的行动。该系统似乎有一个简单的设计变量的最小集合,以及它被评估验证真实和合成信息。模糊逻辑可以自然处理技术信息异常/预测错误模式分析和识别潜在的原因。一旦指定标准,自动故障诊断成为可能。因此,准确率,是取决于不同的SCADA的可用性信号,是解决。这样的要求是经常见面,让该系统应用于当前和新转子。因此,它已经确定了在SCADA数据和当前问题作了广泛的状态和诊断。此外,该模型是实施授权的私人风力发电站由风力发电机研究面临的实际情况。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
所有作者都平等的贡献。