本文是一篇工程硕士论文，本文基于风电机组SCADA数据，对风电机组齿轮箱状态参数预测、状态评估和故障预警进行研究，通过实例验证，表明了本文所提方法的有效性。
第1章 绪论
1.1 课题研究背景与意义
在过去的几十年里，化石燃料的过度燃烧改变全球温度。风能是可再生能源之一，可以减轻全球对化石燃料的过度依赖。并且在全球各地，加快风电发展、降低传统化石燃料发电所占比重，已经成为世界各国应对气候变化、推动能源转型、实现可持续发展的一项重要措施，并形成了一致共识[1-3]。截至2023年3月底，全国可再生能源新增装机4740万千瓦，同比增长86.5%，占新增装机的80.3%，其中，风电新增并网1040万千瓦。全国可再生能源发电量达到5947亿千瓦时，同比增长11.4%，其中，全国风电发电量2287亿千瓦时，同比增长24.5%。
如图1.1可知，在2018年，我国风电新增装机容量突破2000万千瓦，直到2020年新增装机容量高达7167万千瓦，但随着疫情的影响，截至到2022年底，全国风电新增装机容量下降到3696万千瓦，比去年减少22.3%，但我国风电累计装机容量整体仍呈现增长的趋势。
工程硕士论文怎么写
...........................
1.2 国内外研究现状
1.2.1 风电机组关键部件状态参数预测的研究现状
风电机组状态参数预测研究主要包括两个方面。首先，是对与机组运行状态相关的性能参数（如前后轴承温度、齿轮箱油温等）的预测，这涉及监测系统的指标预测，有助于故障警报和状态评估。其次，是对机组的有功功率、风速、发电量等指标的预测，这为电力部门的并网调控和发电策略提供了建议，同时也是运行状态评估的创新思路之一。
向玲等[8]利用斯皮尔曼相关系数分析状态参数之间的相关性，输入径向基神经网络和最小二乘支持向量机组合模型能识别出齿轮箱状态参数的异常变化。王皓茹[9]通过最大信息系数-反向传播神经网路模型选取转子转速和有功功率，分别对每个状态参数进行建模预测。Azim等[10]采用变分模态分解对齿轮箱轴承温度和润滑油温度进行预测研究。Li等[11]将递归神经网络(Recurrent Neural Network，RNN)作为主要预测因子，对轴承的状态趋势进行预测。刘杰等[12]采用灰色关联度分析并结合LSTNet网络对发电机主轴承温度进行预测分析。贾依达尔·热孜别克[13]使用融合卷积神经网络和长短时记忆神经网络组合预测方法对齿轮箱轴承温度进行预测。苏连成等[14]对机组采集与监控数据进行参数辨识，提取与故障检测相关的参数；然后利用残差最优化问题建立非线性状态估计和神经网络组合的预测模型。廖圣瑄等[15]提出使用BP神经网络和极限学习机两类单一网络模型对风电机组短期载荷状况进行预测。崔恺等[16]采用广义回归神经网络建立了风电机组的性能预测模型，通过比较模型的预测精度对GRNN的平滑因子进行了优选。邓超等[17]将机组健康状态劣化过程按时间序列融合到风电功率曲线，建立考虑健康状态的风电机组动态功率曲线模型，并结合基于Weibull分布的风速模型实现发电量预测。Yuan等[18]充分利用分整自回归移动平均和最小二乘法支持向量回归各自的优势，提出了一种用于短期风电功率预测的组合模型，能够有效预测出功率的线性和非线性成分。Yang等[19]监测故障情况下各部件参数性能曲线随风速变化的情况。
............................
第2章 基于AOA-VMD的风电机组齿轮箱关键参数预测
2.1 基于AOA-VMD预测模型的建立
2.1.2 阿基米德优化算法
在确定VMD作为分解方法后，模型的参数选取依然存在问题。VMD模型的效果主要取决于惩罚因子和分解层数，参数设置直接关系到模型的稳定性。实际中，仅依赖经验而无固定标准的参数选择可能会降低模型的适应性和稳定性。
因此，本文采用阿基米德优化算法进行模型参数的优化[67-68]。AOA算法灵感来源于阿基米德浮力原理，即物体受到的浮力与它排开的流体重量成正比。与其他群体基元启发式方法相似，AOA从一组具有随机属性的初始对象开始其搜索。在确定初始群体的适应性之后，AOA继续迭代至达到结束标准。在此过程中，它会更新每个对象的各种属性，如密度、体积和加速度。这些更新属性决定了物体的新位置。
2.1.3 AOA-VMD分解
VMD可将风电机组齿轮箱油温数据分解成不同频率、具有较强规律性的子序列，降低了风电机组油温序列的复杂度，但VMD必须需要预先人工设置其参数，在一定程度上影响了VMD分解的精度和效果，具有一定局限性。由于VMD分解效果与参数惩罚因子和分解层数H密切相关，故本文采用阿基米德优化算法对VMD的分解层数H和惩罚因子进行寻优，将局部最小模糊熵作为参数寻优的适应度函数。AOA-VMD算法的流图如图2.1所示。
工程硕士论文怎么写
...................................
2.2 实例验证1
通过对某风电场2017年实际测得的风电机组齿轮箱油温数据进行预测分析和比较，来验证这一组合模型的有效性和优越性。研究对象是从6月2日00:00:00-6月3日23:59:00的实际风电机组齿轮箱油温数据，采样间隔为1分钟，即共采样了2880个数据点。其中，2304个数据点用作模型的训练集，而剩余的576个数据点则用作测试集。
2.2.1 AOA-VMD分解
采用2.2.2节方法对VMD的分解层数H和惩罚因子进行寻优。设置阿基米德优化算法种群数为30、最大迭代次数为200；设置分解层数H的寻优范围为[3,100]，惩罚因子的寻优范围为[10,10000]。VMD其他参数均取默认值。经过阿基米德优化算法寻优的VMD最优参数组合[H,]为[10,6809]。如图2.4所示，AOA-VMD分解为10个分量和1个残差分量R，残差分量R的大小为原始风电机组齿轮箱油温数据减去AOA-VMD分解的10个分量。
由于残差项R所包含的丰富信息，将AOA-VMD分解的残差项R进行二次AOA-VMD分解，使用阿基米德优化算法对残差项R二次AOA-VMD分解的参数再次进行寻优，得到其最优参数组合[1H,1]为[4,5898]。如图2.5为残差项R的VMD分解图，分解结果为4个分量和1个残差分量1R，残差项1R为减去AOA-VMD二次分解的4个分量。
工程硕士论文参考
..................................
第3章 基于Vine-Copula的风电机组齿轮箱健康状态评估 ............................. 30
3.1 风电机组健康评估模型建立 ................................... 30
3.1.1 Copula函数 ............................................... 30
3.1.2 Vine-Copula函数 ............................. 31
第4章 基于OOB-GWO-SVR的风电机组齿轮箱故障预警 ............................ 44
4.1 基于OOB-GWO-SVR预警模型的建立 ......................... 44
4.1.1 随机森林袋外估计 ................................ 44
4.1.2 支持向量回归 ....................................... 45
第5章 结论与展望 ............................. 60
5.1 结论 ......................................... 60
5.2 展望 ............................... 60
第4章 基于OOB-GWO-SVR的风电机组齿轮箱故障预警
4.1 基于OOB-GWO-SVR预警模型的建立
4.1.1 随机森林袋外估计
随机森林（Random Forest，RF）是一种强大的机器学习算法，属于集成学习的范畴[87]多个决策树的集成来进行预测和分类。在随机森林中，每个决策树的构建都是独立进行的，利用Bootstrap采样方法。这种采样方法涉及对原始数据集进行有放回的重复随机抽样，以生成多个不同的子数据集，每个子数据集用于训练一个独立的决策树。在Bootstrap采样过程中，一部分原始数据可能不会被选中用于任何决策树的训练。这部分未被抽中的数据称为袋外数据（Out of Bag，OOB）。利用这些未经随机处理的OOB数据来执行已经训练好的基学习器，以计算袋外误差。进一步，对OOB数据样本中的每个特征引入了随机性，重新计算袋外误差，以获得加入随机性后的袋外误差。最后，通过比较包含袋外数据的误差与在袋外数据上随机置换某个特征值后的误差来实现的。如果随机置换一个特征的值导致误差显著增加，这意味着该特征对模型预测的准确性非常重要，这种方法能更准确地衡量每个特征对随机森林模型的贡献程度。
工程硕士论文参考
............................
第5章 结论与展望
5.1 结论
本文基于风电机组SCADA数据，对风电机组齿轮箱状态参数预测、状态评估和故障预警进行研究，通过实例验证，表明了本文所提方法的有效性。论文取得的主要结论如下：
(1) 针对一次分解后的残差项中蕴含的繁冗信息，通过AOA-VMD对残差项进行二次分解，可深入探索了VMD残差项中的丰富信息，并使用K-means数据重构方法解决计算量繁冗从而显著提升了风机关键参数的预测精度。结果表明：与传统方法对比分析，可得出AOA-VMD(二次分解)-K-means-RBF模型预测效果最佳准确率达到99.90%。利用实例2进一步验证，也可得出该方法的有效性，预测准确率达到98.12%。因此，该方法对风电机组关键参数预测研究能有效的缩短的时长和提高预测精度。
(2) 通过Vine-Copula深度挖掘风电机组齿轮箱温度数据在不同运行状态下的特征信息，并建立健康评估模型。结果表明：利用pair-Copula方法实现对特征变量进行两两相关性分析，并构建出高维的Vine-Copula模型，降低了输入数据之间的冗余性和模型的复杂程度。基于BiLSTM构建健康基准，并采用马氏距离的测量指标计算健康程度，获取故障前齿轮箱的状态退化情况，将风机齿轮箱划分为4个状态为：优秀、正常、注意和恶劣，通过对各个状态进行分析可确定大致齿轮箱的状态为注意和恶劣的时间。
(3) 针对风电机组齿轮箱的超温情况，提出了基于改进参数优化机器学习算法的风电机组齿轮箱故障预警模型。利用随机森林袋外数据来评估特征的重要性，用GWO算法对SVR中的关键参数进行优化，提高预测的准确率，通过时移滑动窗口设置阈值范围，当识别指标超出阈值范围之外时立即报警。结果表明，该模型能提前87分钟对风电机组齿轮箱温度异常发出故障预警，并且预警效果优于距离相关系数-GWO-SVR模型、Pearson-GWO-SVR模型和OOB-SVR模型。
参考文献（略）