风电机组状态监测对于风电场特别是海上风电场降低维护成本,提高运行水平具有重要的实用价值。采用温度趋势分析的方法对风电机组齿轮箱的运行状态进行监测。利用非线性状态估计(nonlinear state estimate technology,NSET)方法建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过合理构造过程记忆矩阵,使模型覆盖齿轮箱的正常工作空间。当齿轮箱工作异常时,其动态特性偏离正常工作空间,NSET温度模型预测残差的分布特性发生改变。采用滑动窗口方法实时计算残差的统计分布特性,当残差的均值或标准差的置信区间超出预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。为模拟齿轮箱的故障情况,在机组数据采集与监视控制系统(supervisory control anddata acquisition,SCADA)数据中加入人为温度偏移。通过对该模拟故障的分析,新的状态监测方法能够及时发现齿轮箱的异常状态,达到实时在线状态监测的目的。
变速恒频风力发电机组在额定风速以下的最大风能追踪(Maximum Power point Tracking,MPPT)效果对于机组的效率有很大影响。现有的最大风能追踪策略不论是功率控制模式还是转速控制模式都是无风速测量下的最大风能追踪策略。究其原因,就在于风速无法精确测量。引入时间序列法中的自回归滑动平均模型(ARMA)对风速进行超前一步预测。根据该预测风速的大小来确定下一时刻最优功率点搜索的起始风机转速,再利用变步长转速扰动的最大风能追踪策略(爬山法)找到最优功率点。仿真表明,时间序列法对风速具有较好的预测效果,有效地缩小了最优功率点的搜索区间,缩短了搜索时间,提高了机组的运行效率。
