青年科学基金项目申请书撰写提纲.doc

基于数据的风力发电系统故障诊断关键技术研究

基金工程申请书

1、工程的立项依据〔研究意义、国内外研究现状及开展动态分析，需结合科学研究开展趋势来论述科学意义；或结合国民经济和社会开展中迫切需要解决的关键科技问题来论述其应用前景。附主要参考文献目录〕

本工程以提高风力发电系统平安性，降低本钱为导向，利用风力发电系统的海量采集数据，研究基于数据的风力发电系统的故障诊断理论，主要针对海量数据的预处理技术、基于实时在线数据的分割与模式识别、风力发电系统的集成故障诊断及预诊断理论等关键问题做深入研究。

1.1研究意义

风电能源是世界上开展最快的可再生能源，已经成为解决世界能源问题不可或缺的重要力量[1]。在我国，风力发电在电力系统中的比重在不断增大，将在2020年实现15%的份额，成为继火电、水电后的第三大能源[2]。然而随着风力发电机组容量的不断增长，系统结构日益复杂，不同部件之间耦合更加紧密，一个微小的故障可能传播成灾难性的大故障，引起风电机组停机，甚至直接导致风电机组损坏，造成巨大的经济损失。如2004年HornsRev海上风电场多台风机出现电机失效故障，直接导致了其供给商该年近4000万欧元的亏损。在实际的风电场运营过程中更换一根价值5000美元的轴承，导致超过25万美元的维修费用，其中还不包括发电机组停机所带来的发电量损失。有研究说明，目前风机的维护费用占总本钱的25%~30%[3]。对于一个运行超过20年的风机，其维护本钱占整个风场本钱的10-15%，海上风机的维修甚至到达20-25%[4]。

风力发电系统往往安装在偏僻的、难以接近的或者气候不适合人类长期逗留的地域，长期以来，一直采用方案维修和事后维修的方式。方案维修在运行2500小时或者5000小时后进行例行维护，无法全面及时地了解设备状况；事后维修那么更是维修工作旷日持久，损失重大。利用有效的设备监测和故障诊断手段，能对风电机组运行中的各个参数进行连续监测，实时获取反映风电机组运行状态的各种信息，在对各种信息进行分析处理后，给出设备运行的状况报告和诊断结果，并根据诊断结果安排适宜的检修方案，从而可减少约75%的设备事故率，降低25%-50%的维修费用，获利投资比高达17:1，在大大提高风机的平安性的同时，有效降低风力发电的本钱[5]。

故障诊断技术是为了适应现代工程需要而形成的一门多种学科交叉的应用型边缘学科，经过40多年的飞速开展，已经建立了相对完整的理论体系，并逐渐跨入了实用化的时代[6]。当前的研究方法主要有三类：基于解析模型的方法、基于定性经验知识的方法、基于数据驱动的方法[7]。基于解析模型的方法如参数估计法[8]、状态估计法[9]、等价空间法[10]等，适用于能建模、有足够传感器的“信息充足”的系统，需要过程较精确的定量数学模型，而要建立过程的数学模型那么必须要了解过程的机理结构。但是实际风力发电系统包括齿轮箱、驱动链、主轴、发电机、叶片等部件，由于风的随机性，系统规模大，不确定性因素多，过程复杂，具有非线性、时变、变量耦合、时间相关性、间歇性等特性，难以建立精确的过程模型及故障模型[11]。基于定性经验知识的方法如专家系统、符号有向图等适用于不能建立机理模型，传感器不充分的“信息缺乏”的系统，但其更适合具有较少输入、输出或状态变量的系统，对于具有海量数据的系统那么使用本钱过高[12]。风力发电系统时刻产生着反映过程运行机理和运行状态的数据，这些海量数据通过监控及数据采集系统〔SCADA〕及多个传感器，以简便的方式进行储存，数据中蕴含着风机状态的各种信息，如温度信息、振动信息、速度信息等。如果利用这些离线或在线数据，通过适当有效的分析与提取，将能够在难于建立受控系统准确的机理模型条件下，实现风力发电系统的故障监测、识别与预测，完成风电系统的优化控制与评价，这种基于数据驱动的故障检测、诊断与辨识技术正处于学术界和工业界全面重视的阶段，是一个热门的研究领域[13]。因此本工程针对风力发电系统，研究基于数据的可靠的故障诊断技术，实时检测风力发电系统的状态，进行其故障识别并提前预报，对推进风电市场化进程具有重大的现实意义，也表达了故障诊断技术的开展前沿。

1.2国内外研究现状

在风电机组故障诊断领域，由于大规模风力发电技术起步较晚，且较长时间得不到各国政府的重视，因此开展较为缓慢。早期的风电机组大多采用方案维修方式，设备运行到出现故障时才进行停机维修。随着风电机组容量的增大，故障后维修造成了巨大的运营本钱，使得预防性维修走入人们的视野。预防性维修是让风电机组运行2500小时或5000小时后再进行常规维护。这种维修方式大多依赖技术人员长期积累的经验，主观成分较多，而且会有维修过