摘要:为了检测风电机组发电机异常、减少由故障引起的停机事件发生,基于真实风电场的数据采集与监视控制(Supervisory Control and Data Acquisition, SCADA)系统记录的多维传感器参数,提出一种K-CNN(Convolutional Neural Network,卷积神经网络)和N-GRU(Gated Recurrent Unit,门控循环单元)相结合的深度学习框架,建立风电机组发电机状态预测模型。首先,用Pearson相关系数分析状态参数相关性;之后,通过权重系数加权得到一维融合参数;其次,针对传统特征提取过程中忽略浅层特征的问题,采用CNN分层提取一维融合参数的特征,并利用核主成分分析(Kernel Principal Component Analysis, KPCA)将不同层的特征提取结果降为一维;然后,针对传统GRU算法参数欠优化问题,利用神经网络架构搜索改进GRU算法,得到N-GRU模型,将降维后的特征提取结果输入N-GRU做预测并得到重构误差,通过设定告警阈值实现状态评估;最后,以新疆某风场中2 MW风电机组为例,验证了该模型的有效性与准确性。
摘要:安全防护设计是结构设计中需考虑的关键问题,进行极限工况下膜式空气弹簧(Rolling Lobe Air Spring, PLAS)的力学特性研究可为开展其安全保护设计奠定重要基础。计及橡胶气囊外径随弹簧高度变化影响,考虑圆弧段半径、直线段内锥角等关键设计参量,建立了具有安全保护设计的膜式空气弹簧力学特性模型。试验结果表明,膜式空气弹簧结构参数最大相对误差为11.9%,极限工况时不同压强下静刚度相对误差均小于11%,承载力最大相对误差均小于6%,证明了所建立RLAS力学特性模型的正确性。进一步提出以力增益、刚度增益作为安全保护设计的量化表征指标,探明了极限工况下关键设计参量对RLAS力学特性、量化表征指标的影响规律。研究结果为设计阶段准确计算RLAS的安全保护能力提供了理论支撑。