توضیحات
ABSTRACT
Identifying the anomalies of wind turbine (WT) and maintaining in time will improve the reliability of ind turbine and the efficiency of energy use, however it is difficult toidentify the wind turbine’s bnormal operation by the traditional threshold settings because the anomalies can be induced by multiple actors.Therefore, this paper presents an anomaly identification model for wind turbine state arameters,and the model can identify abnormal state which the fluctuation range of the condition parametersis within the SCADA alarm threshold. The main work is as follows: 1) in order to increase the accuracy of the prediction model, a novel BPNN model integrated genetic algorithm (GA) was employed to optimize the training method (called GABP method), data samples, and input parameter selection,
respectively; 2) on this basis, the distribution characteristics of state parameter prediction errors were depicted by a T-location scale (TLS) distribution with the shift factor and elastic coefficient; 3)error abnormal index (EAI) is defined to quantify the abnormal level of the prediction error, which is used as an indicator of the wind turbine anomaly. The proposed method has been applied on areal 1.5 MW wind turbine, and the analysis shows that the proposed method is effective in wind turbine anomaly identification.
INTRODUCTION
Wind power has attracted global attention in recent years as a clean and renewable energy generation (Li et al., 2017). Wind turbines (WTs) are an emerging renewable energy technology that have the potential to provide low carbon intensity power in the future (Cruz and Martín, 2016; Demir and Taşkın, 2013; Li et al., 2016; Ortegon et al., 2013). Rapid developments of wind energy in recent years have drawn attention to issues of operation and maintenance (O&M) of wind farms (Li and Chen, 2013). Andthe detection of wind turbine faults is considered to be a cost-effective approach to improve the reliability of WTs and reduce the O&M costs of the wind farms (Li et al., 2012). Resently, the detection of wind turbine faults becomes a hot problem. In the study (Kusiak and Verma, 2012a; Kusiak and Li, 2010), three wind turbine condition parameters, including a main bearing temperature, a lubrication oil temperature of the gearbox, and the winding temperature of the generator, were modeled in a back propagation neural network (BPNN) for the fault detection of WTs based on SCADA data (Zaher et al., 2010).
چکیده
شناسایی ناهنجاری های توربین بادی (WT) و نگهداری در زمان، باعث افزایش قابلیت اطمینان توربین بادی و بهره وری از مصرف انرژی خواهد شد، با این وجود شناسایی عملکرد توربین بادی با استفاده از تنظیمات آستانه سنتی دشوار است زیرا ممکن است ناهنجاری ها توسط چندین بازیگران. بنابراین، این مقاله یک مدل شناسایی بی نظمی برای آرامتورهای حالت توربین بادی ارائه می دهد و مدل می تواند حالت غیر طبیعی را که دامنه نوسان پارامترهای شرایط درون آستانه هشدار SCADA نشان می دهد، شناسایی کند. کار اصلی به شرح زیر است: 1) به منظور افزایش دقت مدل پیش بینی، یک الگوریتم ژنتیک یکپارچه (BPNN) جدید برای بهینه سازی روش آموزش (به نام GABP)، نمونه های داده ها و انتخاب پارامتر ورودی مورد استفاده قرار گرفت ، به ترتیب؛ 2) بر این اساس مشخصات توزیع خطاهای پیش بینی پارامترهای حالت توسط یک توزیع مقیاس موقعیت T (TLS) با ضریب تغییر و ضریب کشش نشان داده شده است. 3) خطای غیر عادی خطا (EAI) برای تعیین سطح غیر طبیعی خطای پیش بینی، که به عنوان شاخص تورم نزولی توربین مورد استفاده قرار می گیرد، تعریف شده است. روش پيشنهادي در توربين بادي 1.5 MW مورد استفاده قرار گرفته است و تجزيه و تحليل نشان مي دهد كه روش پيشنهادي در تشخيص ناهنجاري هاي توربين بادي موثر است.
مقدمه
انرژی باد در سال های اخیر به عنوان یک منبع انرژی پاک و قابل احتراق توجه جهانیان را جلب کرده است (لی و همکاران، 2017). توربین های بادی (WTs) یک تکنولوژی انرژی نوظهور هستند که توانایی تولید انرژی کم کربن در آینده را دارند (Cruz and Martín، 2016، Demir and Taşkın، 2013؛ Li et al.، 2016؛ Ortegon et al.، 2013 ) تحولات سریع انرژی باد در سالهای اخیر توجه به مسائل مربوط به عملیات و تعمیر و نگهداری (O & M) مزارع باد را جلب کرده است (لی و چن، 2013). و تشخیص گسل های توربین بادی به عنوان روشی مقرون به صرفه برای بهبود قابلیت اطمینان WTs و کاهش هزینه های O & M در مزارع بادی محسوب می شود (Li et al.، 2012). در واقع، شناسایی گسل های توربین بادی یک مشکل داغ است. در مطالعه (Kusiak و Verma، 2012a؛ Kusiak و Li، 2010)، سه پارامتر شرایط توربین بادی، از جمله درجه حرارت اصلی تحمل، دمای روغن روانکاری گیربکس و درجه حرارت سیم پیچ از ژنراتور، در یک مدل شبکه عصبی انتشار (BPNN) برای تشخیص خطا WTs بر اساس اطلاعات SCADA (زهیر و همکاران، 2010).
Year: 2017
Publisher : ELSEVIER
By :Yiyi Zhang, Hanbo Zheng, Jiefeng Liu, Junhui Zhao, Peng Sun
File Information: English Language/ 36 Page / size: 1.74 MB
سال : 1395
ناشر : ELSEVIER
کاری از : یمن ژانگ، هان است اوز ثابت، ج IE فنگ L IU، ژوئن ژائو، پنگ خورشید
اطلاعات فایل : زبان انگلیسی / 36 صفحه / حجم : MB 1.74
نقد و بررسیها
هنوز بررسیای ثبت نشده است.