發(fā)布時間：2017-07-26 00:04

  本文關鍵詞：基于BP神經(jīng)網(wǎng)絡的風機故障預警

  更多相關文章： 風力發(fā)電機組 故障 BP神經(jīng)網(wǎng)絡 預警

【摘要】：近年來,由于環(huán)境問題的不斷惡化和化石資源的儲量逐漸減少,世界各國不得不開始重視開發(fā)和調整能源消費方向,可再生、無污染的新型能源逐漸被納入各國能源消費體系。隨著空氣動力學理論日趨完善及新材料技術的普及與應用,風力資源的利用效率迅速提升,使得風力發(fā)電設備的收益率迅速提升,風力資源的利用已經(jīng)成為各國調整能源消費結構的重要手段之一。中國是一個風力資源儲量極其巨大的國家,在內陸及近海中,理論上可以開發(fā)利用的風能儲量達10余億kW,發(fā)展利用潛力巨大。近年來我國對風力資源的政策支持力度也越來越大,歷屆經(jīng)濟發(fā)展規(guī)劃中的風電裝機容量均在不斷上調,除西藏外,全國各個省、市、自治區(qū)都建立有大型風力發(fā)電場,分散式的小型風力發(fā)電機更是市場廣泛。根據(jù)行業(yè)統(tǒng)計計算,我國風力發(fā)電行業(yè)單位千瓦的維護費用在30-50元,項目平均的年度收益率在10%左右。隨著單機容量的提升,風力發(fā)電機組零部件單價也迅速提高,在長達二十年的設備生命周期內,設備日常維護費用已成為影響項目收益的主要因素。如何提高產(chǎn)品質量、降低維護費用,已經(jīng)成為設備制造商和風力發(fā)電場投資商的主要研究課題本文通過風力發(fā)電機組的運行特點,結合BP神經(jīng)網(wǎng)絡的技術,對風力發(fā)電機組的典型故障數(shù)據(jù)進行分析研究,給出了一種基于BP神經(jīng)網(wǎng)絡的風力發(fā)電機組故障預警技術。本文通過分析風力發(fā)電機結構及變槳系統(tǒng)故障原理,選取風力發(fā)電機變槳系統(tǒng)中的典型器件的典型故障數(shù)據(jù),通過在BP神經(jīng)網(wǎng)絡環(huán)境下對該故障數(shù)據(jù)進行訓練,并采用不同的BP網(wǎng)絡算法對故障數(shù)據(jù)結果進行分析對比,得到一種適合風力發(fā)電機組故障預警功能實現(xiàn)的BP神經(jīng)網(wǎng)絡算法。
【關鍵詞】：風力發(fā)電機組 故障 BP神經(jīng)網(wǎng)絡 預警
【學位授予單位】：華北電力大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TM315;TP183
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-17
• 1.1 課題的背景9-11
• 1.2 課題研究的目的和意義11-12
• 1.3 神經(jīng)網(wǎng)絡技術研究歷史與現(xiàn)狀12-16
• 1.3.1 研究歷史12-15
• 1.3.2 神經(jīng)網(wǎng)絡技術在故障診斷與預測研究現(xiàn)狀15-16
• 1.4 本文主要研究內容16-17
• 第2章 神經(jīng)網(wǎng)絡模型及BP神經(jīng)網(wǎng)絡17-36
• 2.1 生物神經(jīng)元與人工神經(jīng)元模型17-19
• 2.1.1 生物神經(jīng)元17-18
• 2.1.2 人工神經(jīng)元模型18-19
• 2.2 神經(jīng)網(wǎng)絡19-26
• 2.2.1 神經(jīng)網(wǎng)絡模型19-22
• 2.2.2 神經(jīng)網(wǎng)絡的特點22-23
• 2.2.3 神經(jīng)網(wǎng)絡的學習23-26
• 2.3 BP神經(jīng)網(wǎng)絡26-30
• 2.3.1 BP神經(jīng)網(wǎng)絡結構26-27
• 2.3.2 經(jīng)典BP神經(jīng)網(wǎng)絡模型算法27-30
• 2.4 BP神經(jīng)網(wǎng)絡算法的特點及改進30-35
• 2.4.1 BP算法的收斂性30-31
• 2.4.2 BP算法存在的問題31
• 2.4.3 BP算法存在的問題改進31-35
• 2.5 本章小結35-36
• 第3章 變槳系統(tǒng)故障及BP神經(jīng)網(wǎng)絡的預測診斷36-52
• 3.1 變槳系統(tǒng)介紹36-38
• 3.2 變槳系統(tǒng)的故障及分析38-41
• 3.2.1 變槳系統(tǒng)數(shù)據(jù)采集類型38-39
• 3.2.2 風力發(fā)電機變槳系統(tǒng)的典型故障39-41
• 3.3 BP神經(jīng)網(wǎng)絡的建立41-51
• 3.3.1 BP神經(jīng)網(wǎng)絡輸入層選擇與確定41-42
• 3.3.2 BP神經(jīng)網(wǎng)絡隱藏層與隱藏層神經(jīng)元確定42-44
• 3.3.3 風力發(fā)電機組故障值BP神經(jīng)網(wǎng)絡預測模型44
• 3.3.4 BP神經(jīng)網(wǎng)樣本數(shù)據(jù)處理44-46
• 3.3.5 BP神經(jīng)網(wǎng)絡學習速率確定46-47
• 3.3.6 BP神經(jīng)網(wǎng)絡47-49
• 3.3.7 預測結果49-51
• 3.4 本章小結51-52
• 第4章 基于BP神經(jīng)網(wǎng)絡數(shù)據(jù)預測功能的改進52-59
• 4.1 樣本數(shù)據(jù)52-53
• 4.2 BP算法改進53-58
• 4.2.1 動量因子53-55
• 4.2.2 動態(tài)調整學習率55-56
• 4.2.3 模擬預測56-57
• 4.2.4 結論57-58
• 4.3 本章小結58-59
• 第5章 總結與展望59-60
• 5.1 研究工作總結59
• 5.2 問題與展望59-60
• 參考文獻60-64
• 攻讀碩士學位期間發(fā)表的論文及其它成果64-65
• 致謝65

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 章劍光,周浩,項燦芳;基于Super SAB神經(jīng)網(wǎng)絡算法的主變壓器故障診斷模型[J];電工技術學報;2004年07期

2 劉付芬;;人工神經(jīng)網(wǎng)絡的研究與應用[J];福建電腦;2009年08期

3 申清明;閆利軍;高建民;趙靜;;基于混沌搜索的特征選擇方法[J];兵工學報;2013年12期

4 石利平;;模擬退火算法及改進研究[J];信息技術;2013年02期

5 章穎;梁漫春;黎岢;楊潔;;基于遺傳-模擬退火算法的源項反演方法研究[J];核電子學與探測技術;2014年04期

6 ;A new optimization algorithm based on chaos[J];Journal of Zhejiang University Science A(Science in Engineering);2006年04期

7 孫勝永;胡雙演;李釗;楊亞威;張姣;王建平;;基于粒子群優(yōu)化算法的BP神經(jīng)網(wǎng)絡圖像復原[J];無線電工程;2014年10期

，

本文編號：573847