海上风电机组齿轮箱散热异常状态预测方法

齿轮箱是海上风电机组的关键部件,其散热状态直接影响着风电机组的运行状态。为减少因齿轮箱散热异常影响机组运行状态进而造成不必要的发电量损失,提出一种随机森林算法的齿轮箱散热异常状态预测模型。该模型首先基于风电机组运行机理对数据进行预处理以及的样本的标定,然后基于随机森林算法进行模型训练,最终实现风电齿轮箱散热异常状态的预测,通过2个风场现场SCADA数据的试验验证,该预测方法的精度达到97.1%,证明了所提方法能够有效及准确地对海上风电机组齿轮箱的散热状态进行预测。     

海上风电机组齿轮箱进口油温异常预测

由于海上风电机组齿轮箱要长期承受无规律的变向变载荷的风力作用以及强阵风的冲击,为保证风电机组可靠运行,对齿轮箱进口油温进行异常预测。结合风电机组SCADA运行数据提出了一种基于SVM-RFECV算法和BP神经网络的风电机组齿轮箱进口油温异常预测方法。首先完成数据的预处理,然后利用SVM-RFECV算法计算不同变量的重要度,并选择平均交叉验证均方误差的最小变量组成最优特征,最后利用选取的最优特征数据建立的BP神经网络的预测模型,实现对风电机组齿轮箱进口油温异常预警。通过海上某风电场现场实际SCADA数据对模型进行验证,结果表明提出的方法能有效实现对风电机组齿轮箱进口油温异常预测。