赵洪山, 刘辉海, 刘宏杨, 林酉阔

(华北电力大学电气与电子工程学院, 河北省保定市 071003)

0 引言

风能作为一种清洁、可再生的绿色能源,近年来得到了快速发展。由于环境恶劣、工况复杂,风机极易发生故障,但对于发电机等驱动链部件的故障是造成风机停机的主要原因[1-2]。因此,可以对发电机故障进行预测,从而降低发电机的运行风险及损失。

发电机包含多个子系统,其故障种类具有多样性[3-5]。目前,风电机组发电机的状态监测方法主要有振动监测、油液监测分析和电参数监测[6-9]等方法。文献[10-12]利用线性回归方法处理得到消除输出功率和环境温度影响后的监测模型,通过残差异常变化分析发电机的故障。基于振动监测的研究中,文献[13-14]通过对发电机振动信号降噪处理提取故障特征,实现了对故障部位和失效程度的识别。另外,通过分析驱动链上的转矩测量信号,结合载荷的异常变化可以分析出发电机的故障[15]。文献[16]提出采用油液传感器对油液进行在线实时监测,通过分析油液压力和杂质成分实现对发电机的状态监测与故障诊断,但油液传感器的安装增加了成本。近年来,深度学习作为大数据分析的一种新方法,摆脱了人为因素的不确定性和诊断技术经验的依赖性,直接从大量数据中智能提取参数间的特征关系[17-19]。

目前深度学习的研究主要是利用故障样本进行训练,实现设备的故障分类和识别。然而实际中大量故障样本难以全面收集,从而给该类算法的应用带来了一定的困难。……