基于数据的风力发电系统故障诊断关键技术研究

以提高风力发电系统安全性、降低其运行成本为目标，基于数据驱动思想，深入开展风力发电系统的故障诊断关键技术研究工作，以促进风力发电系统故障诊断的智能化。通过分析风力发电系统中的海量SCADA数据，研究数据的预处理技术，考虑风力发电系统状态数据动态性和噪声多等特点，提出一种基于辅助白噪声经验模式分解方法，实现数据的降噪、分类和特征提取；针对风力发电系统的非线性和非平稳性，利用实时采集的变化数据，基于数据的分类与分割理论，研究希尔伯特-黄变换(HHT)的模式识别算法，根据分类任务评估每个属性的贡献或显著性，提取诊断规则，对预处理后的故障信息进行属性归约；集成多个数据源，将基于分析模型、基于经验知识与基于数据的方法融合，构架风力发电系统集成故障诊断及预诊断方案，形成风力发电系统智能化故障诊断理论体系；总结研究结论，为有效实现风机的早期故障诊断提供理论依据，为促进其民用化进程奠定基础。

项目以降低风电成本为主要目标，紧紧围绕风力发电系统的故障诊断、性能优化等主题，结合基于数据、基于知识和基于模型的故障诊断方法新进展，开展研究工作。分析风力发电系统故障，建立齿轮箱故障模型，基于小波变换和Hilbert-Huang变换理论提出风力发电系统的齿轮箱（包括齿轮和轴承）的故障诊断方法，改进EEMD解决模态混叠问题；引进灰色预测，解决EMD的端点效应问题，设计形态滤波器，增强滤波效果，提高了齿轮箱故障检测精度。分析了风力发电系统中双PWM变换器的IGBT开路故障并分类，基于小波变换和支持向量机实现了风力发电系统中变流器的故障检测与识别；基于T-S模糊理论，建立了风力发电系统T-S模型，采用滑模变结构控制理论，提出风力发电系统的执行器故障诊断新策略；提出了采用RBFNN神经网络的执行器故障观测器，并基于补偿原理，进行了容错控制策略研究。将灰色预测算法引入到风力发电系统中，对传感器故障进行预测，通过效果评价指标衡量诊断效果，针对风力发电系统的强非线性，建立T-S 模糊模型，采用并行分布补偿(PDC)设计状态反馈控制器，利用未发生故障的状态反馈回路平均分担故障回路的控制作用，推导出控制律重构算法，实现容错控制。风力发电系统是一个高阶、非线性、强耦合、多变量的广义切换系统。项目利用多Lyapunov函数和平均驻留时间方法工具，针对连续时间和离散时间不确定时滞切换广义系统，在任意给定的切换规则作用下，研究了系统的一致有限时间有界、有限时间稳定及状态反馈镇定等问题，在一定程度上降低了控制器的设计难度。作为拓展研究，对LED光源及其驱动电源进行了初步探索，引入遗传算法和粒子群算法，实现了平面和球面上LED阵列光强分布均匀的效果，并设计了绿色智能的大功率LED驱动电源。..依托本项目，在国内外重要学术会议如美国控制年会（ACC）、英国控制年会（UKACC）、国际能源转换大会（ECCE）等和学术期刊如Nonlinear Dynamics、International Journal of system science、控制与决策、控制理论与应用等刊物发表学术论文34篇，其中SCI检索3篇，EI检索15篇，申请专利9项，其中发明专利6项，授权3项（发明专利授权1项）；培养学生11人。