基于因子分析和BP神经网络的风机状态诊断研究

论文摘要

随着社会的不断发展进步,加剧了人类对能源的需求,风电作为一种理想的清洁能源越来越受到重视。随着风电装机规模的不断扩大和风机设备智能化水平的提高,对风电运行管理部门提出了更高的要求。先进的风机设备与落后的风电场维修管理水平之间的矛盾日益突出,成为困扰风电企业乃至整个风电行业前进的障碍。风机设备维修管理已经成为风电企业管理的一个重要组成部分,先进的风机设备迫切需要先进的维修技术和先进的管理模式。本文首先利用空气动力学知识对SCADA系统中影响风机发电量的因素进行预判,得出SCADA系统中可能影响有功电量的因素,利用风资源知识验证数据,排除无效数据。然后对可能的影响因素进行因子分析,将影响转化为少量因子,将分析得出的少量因子作为BP神经网络的输入,有功电量作为输出建立风机运行状态诊断模型。最后介绍了模型应用的具体操作步骤,对该诊断模型的进一步发展应用——诊断模型专家系统进行了总体结构设计和各主要功能模块的概念设计。本文是对福建Z风电场的实例进行研究,风机状态诊断结论可以作为是否开展风机检修工作的依据。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景
• 1.2 研究的目的及意义
• 1.3 研究现状
• 1.3.1 国外智能故障诊断研究综述
• 1.3.2 国内智能故障诊断研究综述
• 1.3.3 国内外设备状态维修管理综述
• 1.4 相关问题的界定
• 1.5 研究的主要内容、研究思路和技术路线
• 1.5.1 主要内容
• 1.5.2 研究思路
• 1.5.3 技术路线
• 1.6 主要创新点
• 第2章 相关理论与方法
• 2.1 设备状态维修管理理论
• 2.1.1 设备状态维修的概述
• 2.1.2 设备状态维修的方法
• 2.2 因子分析方法简介
• 2.2.1 因子分析方法原理
• 2.2.2 因子分析方法步骤
• 2.3 BP神经网络方法简介
• 2.3.1 BP神经网络结构
• 2.3.2 BP神经网络算法原理
• 2.3.3 BP神经网络训练流程图
• 2.3.4 BP神经网络的特点与存在的问题
• 2.4 本章小结
• 第3章 SCADA系统风机运行状态数据的筛选与处理
• 3.1 风电场SCADA系统简介
• 3.2 数据处理对象与作用
• 3.2.1 数据处理的对象
• 3.2.2 数据处理的作用
• 3.3 风机运行状态记录的选取
• 3.3.1 影响风机发电量因素的预判分析
• 3.3.2 数据验证
• 3.4 数据标准化处理
• 3.5 本章小结
• 第4章 风机运行状态诊断模型的构建
• 4.1 风电场SCADA系统中影响风机有功电量输出的因子分析
• 4.1.1 KMO和球形Bartlett检验
• 4.1.2 确定公共因子数量
• 4.1.3 旋转并解释因子
• 4.1.4 保存因子分析结果
• 4.2 基于Matlab神经网络工具箱的网络模型设计
• 4.2.1 确定模型训练样本
• 4.2.2 BP网络结构的确定
• 4.2.3 BP网络的仿真模型
• 4.2.4 模型的检验与保存
• 4.3 本章小结
• 第5章 风机运行状态诊断模型的应用
• 5.1 诊断模型在风机状态维修管理中的应用
• 5.1.1 运用模型进行诊断
• 5.1.2 诊断结果的验证
• 5.2 基于诊断模型专家系统的概念设计
• 5.2.1 基于模型专家系统简介
• 5.2.2 风机运行状态诊断模型专家系统的总体结构设计
• 5.2.3 风机运行状态诊断模型专家系统各功能模块概念设计
• 5.3 本章小结
• 第6章 总结与展望
• 6.1 全文总结
• 6.2 不足与展望
• 致谢
• 参考文献
• 附录