2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩135頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、受到惡劣自然環(huán)境與風(fēng)能隨機波動性的影響,風(fēng)電機組的運行工況動態(tài)變化。運行工況對風(fēng)電機組狀態(tài)參數(shù)具有顯著的影響,導(dǎo)致已有采用閾值法的風(fēng)電機組狀態(tài)監(jiān)測方法難以在實際應(yīng)用取得良好的效果。以提高風(fēng)電機組運行安全可靠性為目標(biāo),作者對風(fēng)電機組狀態(tài)異常辨識與運行風(fēng)險評估方法進行了系統(tǒng)的研究,論文主要包括以下內(nèi)容。
  首先,研究了風(fēng)電機組狀態(tài)參數(shù)預(yù)測模型。對狀態(tài)參數(shù)與自然環(huán)境的相關(guān)性進行分析,研究了狀態(tài)參數(shù)的分類方法;對與自然環(huán)境密切相關(guān)的狀態(tài)

2、參數(shù),建立了基于反向傳播神經(jīng)網(wǎng)絡(luò)(Back-propagation neural network,簡稱為BPNN)的狀態(tài)參數(shù)預(yù)測模型,并與基于最小二乘支持向量機(Least squares support vectormachines,簡稱為LS-SVM)和非線性狀態(tài)估計(Nonlinear state estimate technique,簡稱為NSET)的預(yù)測模型進行了對比分析;對比了分別采用本機近期數(shù)據(jù)、本機歷史數(shù)據(jù)與其他機組近期

3、數(shù)據(jù)建立的預(yù)測模型的預(yù)測精度;進一步研究了樣本數(shù)據(jù)中目標(biāo)狀態(tài)參數(shù)分布相似程度的量化方法,揭示了目標(biāo)狀態(tài)參數(shù)分布對狀態(tài)參數(shù)預(yù)測精度的影響規(guī)律。
  其次,開展了風(fēng)電機組狀態(tài)參數(shù)異常辨識廣義模型的研究。通過研究機組目標(biāo)狀態(tài)參數(shù)的統(tǒng)計分布特性,提出了風(fēng)電機組的聚類方法;采用平均絕對誤差(Meanabsolute error,簡稱為MAE)評估各預(yù)測模型異常辨識結(jié)果的有效性,針對以本機歷史數(shù)據(jù)和同聚類內(nèi)其他機組近期數(shù)據(jù)為訓(xùn)練樣本建立的預(yù)測

4、模型,提出了預(yù)測模型的快速選擇方法;建立了狀態(tài)參數(shù)預(yù)測殘差的核密度分布模型,通過統(tǒng)計預(yù)測殘差落入不同概率區(qū)間的個數(shù),研究了狀態(tài)參數(shù)異常程度量化方法,在此基礎(chǔ)上采用模糊評判方法實現(xiàn)了狀態(tài)參數(shù)異常辨識。實例分析表明,本文建立的異常辨識廣義模型有效融合了多個預(yù)測模型的異常辨識結(jié)果,對風(fēng)電機組狀態(tài)異常實例具有良好的應(yīng)用效果。
  第三,研究了風(fēng)電機組短期可靠性預(yù)測模型。以風(fēng)電機組狀態(tài)參數(shù)的異常辨識結(jié)果為依據(jù),對風(fēng)電機組的運行狀態(tài)進行劃分,

5、采用Markov過程描述風(fēng)電機組的狀態(tài)轉(zhuǎn)移過程,研究了機組時變狀態(tài)轉(zhuǎn)移概率的計算方法;對于與自然環(huán)境密切相關(guān)的狀態(tài)參數(shù),提出了基于狀態(tài)參數(shù)概率預(yù)測的保護動作模型;對于具有保護動作整定時間的狀態(tài)參數(shù),提出了基于越限時間的保護動作模型;通過分析風(fēng)速與風(fēng)電機組停運率的相關(guān)性,建立了風(fēng)速相依的風(fēng)電機組統(tǒng)計停運模型。實例分析表明,通過融合機組異常狀態(tài)信息、狀態(tài)參數(shù)越限信息和統(tǒng)計停運信息,本文建立的短期可靠性預(yù)測模型能準(zhǔn)確反映風(fēng)電機組的運行可靠性。

6、
  最后,開展了風(fēng)電機組運行風(fēng)險評估方法研究。根據(jù)對風(fēng)電機組關(guān)鍵組件故障率與維修費用的分析,研究了風(fēng)電機組故障模式分類方法,在此基礎(chǔ)上對機組故障模式與狀態(tài)參數(shù)的相關(guān)性進行了研究,建立了風(fēng)電機組的故障特征參量體系;以故障特征參量作為輸入?yún)?shù),構(gòu)建了采用粒子群優(yōu)化(Particle swarm optimization,簡稱為PSO)LS-SVM的風(fēng)電機組故障預(yù)測模型,并與基于BPNN、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial basis

7、function neural network,簡稱為RBFNN)和SVM的故障預(yù)測模型進行了對比驗證;根據(jù)風(fēng)電機組短期停運概率與故障預(yù)測結(jié)果,提出了計及工況的風(fēng)電機組運行風(fēng)險評估方法。實例分析表明,基于機組短期可靠性與故障預(yù)測模型的運行風(fēng)險評估方法,能夠合理反映風(fēng)電機組異常運行狀態(tài)停運風(fēng)險的影響,獲得了準(zhǔn)確的風(fēng)險量化結(jié)果。
  上述工作是對風(fēng)電機組智能運維關(guān)鍵技術(shù)研究的積極探索,對提高風(fēng)電機組運行可靠性和降低風(fēng)電場運維成本具有良

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論