为了更精确地检测双馈风力发电机组齿轮箱的故障,提出了一种改进的基于EEMD-HHT的无转速计阶比分析方法。采用EEMD方法对齿轮箱振动信号进行分解,并利用相关系数法提取敏感IMF分量,然后采用HHT法和Teager能量算子法联合对敏感IMF分量进行瞬时频率估计,利用瞬时频率拟合瞬时转速进而计算鉴相时标,将时域信号转换为角域信号进行故障分析。最后通过仿真信号分析以及工程实际应用证明了该方法在转速波动条件下具有良好的故障诊断效果。

针对风电功率序列中存在噪声、影响风电功率的多个因素对超短期风电功率预测的影响程度不同以及原始生成对抗网络模型不收敛、不稳定等问题,提出了一种基于变分模态分解的生成对抗网络(VMD-AM-WGAN)模型。该模型由变分模态分解与注意力机制、长短期记忆神经网络结合作为生成器,卷积神经网络作为判别器;使用W距离作为生成器的目标函数,并用利普希茨连续条件对判别器进行限制,以提高模型稳定性。现场试验的预测结果表明,该模型提高了风电功率预测的精度,月平均准确率达到90%以上。

针对强背景噪声环境下风电机组传动链发生故障时特征信息微弱,利用人为经验对变分模态分解(VMD)方法参数设定、故障特征提取效果不佳的问题,提出改进参数优化VMD方法提取故障特征。将信号样本熵与峭度指标相结合共同作为目标函数,通过遗传算法(GA)寻优,确定最优的VMD模态分量数及惩罚因子组合。对分解所得到的本征模态分量(IMF)进行选取重构、包络分析,判断故障类型。通过仿真、实验并与工程实际现场的齿轮箱故障数据进行对比验证,结果表明,该方法可以有效地从强噪声干扰中提取信号的故障特征。