范宪国, 贾冰倩, 关林轩, 梁国义, 种晨, 徐武刚, 杨彦军
摘要 (
)
可视化
收藏
针对风电场监控与数据采集系统(Supervisory Control and Data Acquisition, SCADA)存在数据采集参数多、耦合性强及响应时间延迟等问题,文中提出一种基于延迟时间估计的风电齿轮箱油温预警模型。该模型融合了自适应噪声的完全自适应噪声集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)、贝叶斯优化算法(Bayesian Optimization Algorithm, BOA)以及长短时记忆网络(Long Short-Term Memory, LSTM),构建了多测点协同的风电齿轮箱温度预测与预警方法。首先基于最大互信息估计输入变量与输出之间的延迟时间,重构时序数据以提高预测精度;其次,利用改进的LSTM网络模型实现油温的在线预测,并将该预测模型扩展到风电齿轮箱内其它温度测点;最后,通过分析齿轮箱驱动端轴承温度、油液温度和非驱动端轴承温度的预测残差统计特性,构建多测点协同的动态阈值预警机制。实验结果表明,相较于传统预测模型,本方法能够更有效地实现齿轮箱运行状态的在线监测与早期预警,为风电机组齿轮箱的健康监测与安全运行提供有效支持。