为了提高风电机组的实时可靠性,避免维修不足及维修过剩问题,降低风场运维成本,基于监控与数据采集(supervisory control and data acquisition,SCADA)系统得出的监测数据,应用主元评价和非线性自回归(non-linear auto-regressive,NAR)...为了提高风电机组的实时可靠性,避免维修不足及维修过剩问题,降低风场运维成本,基于监控与数据采集(supervisory control and data acquisition,SCADA)系统得出的监测数据,应用主元评价和非线性自回归(non-linear auto-regressive,NAR)时间序列神经网络,通过建立评价及预测模型。通过实际数据验证模型有效性。结果表明:采用PCA-NAR的方法对风电机组的健康状况进行评估及预测有较好的效果,有助于帮助风场运营人员提前识别故障趋势并作出具体决策,以免机组遭受更为严重的故障。展开更多
文摘为了提高风电机组的实时可靠性,避免维修不足及维修过剩问题,降低风场运维成本,基于监控与数据采集(supervisory control and data acquisition,SCADA)系统得出的监测数据,应用主元评价和非线性自回归(non-linear auto-regressive,NAR)时间序列神经网络,通过建立评价及预测模型。通过实际数据验证模型有效性。结果表明:采用PCA-NAR的方法对风电机组的健康状况进行评估及预测有较好的效果,有助于帮助风场运营人员提前识别故障趋势并作出具体决策,以免机组遭受更为严重的故障。
