6风电机组风轮不平衡影响分析及识别方法研究_31页_5mb

风电机组风轮不平衡影响分析及识别方法研究总结

沈阳工业大学简介

沈阳工业大学是辽宁省一流大学重点建设高校，始建于1949年，原属国家机械工业部，1998年划归辽宁省管理。学校具有学士、硕士、博士三级学位授予权，拥有1位院士、3位特聘外籍院士，专任教师1344人，各类在校生3万余人。学校以工为主，多学科协调发展，尤其在装备制造业具有优良传统和特色，诞生了中国多个第一。

选题背景及研究意义

风轮不平衡是风电机组运行中的重要问题，主要包括质量不平衡和气动不平衡两种类型。风轮不平衡不仅会影响风电机组的功率输出和载荷分布，还会导致振动加剧，影响设备寿命和运行安全。因此，研究风轮不平衡的状态感知与识别方法具有重要的现实意义。

风轮不平衡影响分析

1. 风轮不平衡机理分析

• 质量不平衡：由叶片加工误差、填充物松动偏移、附着物等因素引起，导致叶片重心偏移。
• 气动不平衡：由叶片安装角度偏差、变桨系统故障等引起，导致气动力分布不均。
• 耦合不平衡：质量与气动不平衡共同作用，其影响为二者的叠加。

2. 风轮不平衡对风电机组的影响

• 功率波动：气动不平衡导致功率跌落，质量不平衡加剧功率波动。
• 振动加剧：质量不平衡对Y方向（侧向）振动影响明显；气动不平衡对两个方向振动均有影响。
• 结构变形：气动不平衡引起的轴向推力使塔筒发生弯曲形变，进而影响风轮和发电机的稳定性。

3. 仿真建模与验证

• 在GH-Bladed软件中建立风电机组仿真模型，分析不同风况下的风轮不平衡信号特点。
• 建立风轮不平衡部分训练样本数据库，用于后续识别模型的训练与验证。

4. 参数与模型信息

风轮不平衡的识别方法

1. 风轮不平衡状态感知方法

• 直接检测法：通过人工检测，结果准确但效率较低。
• 信号分析法：包括时域与频域分析，计算成本低但对噪声敏感。
• 人工智能法：采用神经网络和聚类方法，检测准确但泛化性不足。

2. 信号降噪与分解方法

• 傅里叶变换：将信号分解为不同频率的三角函数，适用于简单信号分析。
• 小波分解：将信号分解为不同尺度的细节信号，具有较强的抗噪能力。
• VMD-WTD方法：结合变分模态分解（VMD）和小波阈值去噪（WTD），有效提升信号质量。

3. 深度学习模型

• 一维卷积神经网络（CNN）：识别准确率高达98.88%，但对噪声不敏感。
• 宽卷积核模型：通过加宽第一层卷积核，增强模型对时域信号的捕捉能力。
• 多层训练干扰策略：通过减小步长、增加卷积层与池化层、引入Dropout方法和小批量训练，提升模型的泛化能力。
• 深度插值卷积神经网络：通过子网络单元提取不同风况下的特征，利用权重单元调整各子网络的比重，通过融合单元进行特征融合，提高识别准确率。

4. 跨域识别方法

• 多网络协同模型：结合仿真数据与少量实际数据进行训练，引入特征提取器、域鉴别器和状态分类器，实现跨域风轮不平衡识别。
• GRL（梯度反转层）：用于域鉴别器，提升模型在不同风况下的适应性。

研究总结与展望

1. 研究总结

• 针对风轮不平衡状态感知与识别中的问题，提出多种方法，包括基于PSO-VMD-MCKD的感知方法、基于宽卷积核的CNN识别模型、多层训练干扰策略、深度插值CNN和多网络协同跨域识别方法。
• 实验数据来源于三一重能和岳能科技，具备一定的实际应用价值。

2. 未来展望

• 需要研究风切变与独立变桨对风轮受力的影响。
• 健康样本与故障样本需在相同工况下采集，以提高模型性能，但实际工业环境中工况差异较大，影响模型应用。
• 未来应研究不受工况影响的深度学习模型，以提升模型的泛化能力。
• 跨域故障识别仍需验证，目前仅基于实验室数据，缺乏实际工业场景的验证。
• 小型神经网络因其对硬件要求低，将成为智能故障识别方法研究的热点。

致谢与联系方式

• 报告人：邢作霞、陈明阳、罗世茂
• 邮箱：xingzuox@163.com
• 电话：024-25494306 / 13998846430
• 微信：xingzuoxia

呼吁：共同利用风力发电，与电网互动，建设美好家园！