基于状态评价的风力发电设备故障诊断系统的研制

王奇，张晗，邓军，耿大庆，吴芳慈

（1. 中国南方电网超高压输电公司 检修试验中心，广东广州 510663；2. 快威科技集团有限公司，浙江 杭州 310027）

近年来，随着大气环境的持续恶化，人们对清洁能源的关注越来越高，风、光、核等新能源的开发也得到了长足的发展。现阶段，风电装机容量占总装机容量的比例逐年增加，单机容量为兆瓦级的大型风力发电机组正得到迅速发展[1]。然而，由于风力机地处偏远地区甚至遥远海域，运行环境恶劣，容易引发设备故障并带来维修困难及高昂的维护费用等问题[2-3]。因此，及时、全面、准确地监测和评估并网风电机组的运行状态，建立风电设备的状态评价和故障诊断体系，有效预防故障发生及实现早期故障定位，对于提升风电设备运维效率，优化风电场维修策略[4]，减少风电设备故障停机所带来的损失，降低维护费用等方面具有重要的现实意义。

目前，人工智能在风力发电设备故障诊断上的应用已经越来越广泛。文献[5]提出了一种连续小波变换方法以提取更为微弱的故障信息，实现了齿轮箱中滚动轴承滚道缺陷和齿轮裂纹的早期识别。文献[6]引入了一种用单层前向神经网络对数据进行快速分类以识别故障与非故障的方法，很好地在实时数据的基础上判断风力发电机电力装置的故障。文献[7]建立了风力发电机组模糊故障诊断自适应修正数学模型。文献[8]介绍了一种风力发电系统故障诊断专家系统的结构与实现原理。然而人工智能的诊断方法需要大量的数据样本或先验知识，而目前风力机组大量典型故障数据往往很难获取，制约了机械故障智能诊断的发展。

本文提出了一种基于状态评价的故障诊断方法，首先建立了基于模糊隶属度和劣化度的风电机组运行状态评价的方法和模型，从运行、试验及缺陷信息中选择表征风电机组运行情况的状态量，对风机设备进行科学、全面、实时地评价。然后根据状态评价的结果，结合矢量计算方法得出风机设备可能发生的故障概率；将各种理论故障的发生概率按要求排序，根据置信度的大小进行不同的报警。依据此方法研制的故障诊断系统，已成功应用于南方电网超高压输电公司检修试验中心，实践证明，该方法有效地提高了风力发电设备故障诊断的实时性与准确性。

1 系统架构

本系统共分为4个模块，如图1所示，分别为状态量采集模块、状态评价模块、故障诊断模块和风险预警模块。

图1 系统结构图Fig. 1 Structure of fault diagnosis system

将用以表征风力机设备运行状况的信息定义为状态量，如同厂、同型、同期设备的故障信息，历史性缺陷，运行年限等等，同时用以作为故障诊断的状态量依据，以计算风力发电设备的故障概率。

状态量采集模块，用于实时采集风力发电设备的状态量；状态评价模块，基于运行巡视、维护、检修、预防性试验和带电测试（在线监测）等结果，对反映风力发电设备健康状态的各状态量指标进行分析评价，从而确定设备状态等级；故障诊断模块，基于状态评价结果，采用矢量计算的方式，对参与评价的各状态量进行故障诊断，得出可能发生的理论故障概率（理论故障为针对故障电力设备的异常状态量可能发生的各个故障）；风险预警模块，用于根据理论故障发生的概率不同发出不同的报警提示。

2 关键技术

2.1 状态评价

目前业内已经针对多种电力设备开展了状态评价工作，积累了丰富的经验，为实现设备的全寿命资产管理打下了良好的基础。如基于回归建模的变压器类设备的状态评价[9]，基于灰色关联分析的电站设备状态评价[10-11]，基于模糊评判的发电设备状态评价[12-14]等等。但针对风力发电设备的状态评价工作，因其设备结构的复杂性，以及恶劣的运行环境，对风力发电设备运行状态的监测与预测没有系统的、成熟的技术，相关设备的状态评价工作很难开展。目前对风力发电设备机组的研究一般仅限于某一方面，如结构设计仅考虑结构方面的问题，可靠性研究主要探讨如何提高设备的可靠性等等，不能全面反映风力发电设备所处的状态。要从设备结构较全面分析、评价设备所处的性能状态，是一个复杂且不易实现的过程。

本论文经过深入研究，并结合专家意见和现场工作人员的宝贵经验，提出了一种基于权重及模糊隶属度扣分的风力发电设备的状态评价方法，实现了风力发电设备的科学管理，为风力发电设备的状态检修提供科学依据。

基于权重及模糊隶属度扣分的评价方法，状态量应扣分值由状态量劣化程度和权重共同决定，即状态量应扣分值等于该状态量的基本扣分值乘以权重系数。视状态量的劣化程度从轻到重分为4级，分别为I、II、III和IV级，其对应的基本扣分值为2，4，8，10。视状态量对风电设备运行的影响程度，从轻到重分为4个等级，对应的权重分别为1，2，3，4。考虑到状态量不同劣化程度判定的模糊性，采用模糊隶属度函数将不同劣化程度的区分边界进行模糊化表征，避免不同劣化程度等级分界点处阶梯型跳跃对评估结果造成的波动，进而影响设备风险评估及检修计划安排。

图2 梯形模糊隶属度函数Fig. 2 Trapezoidal fuzzy membership function

模糊隶属度扣分评价方法中，采用了梯形的模糊隶属度函数，对设备状态量信息按函数图形进行劣化程度模糊化评价，获得各劣化等级的模糊隶属度向量ci=[mi（Ⅰ）mi（Ⅱ）mi（Ⅲ）mi（Ⅳ）]。以图2所示的梯形图为例，通过梯形模糊隶属度函数将边界划分数值进行模糊处理，得到图2中的a、b、c、e、d、f、g、h，则可求得m（*）的值。

因此，可得单项状态量的扣分值

式中，P为该状态量扣分值；ci为模糊隶属度判断向量；wi为该状态量权重系数。

设备状态分为正常、注意、异常、严重四个状态，部件的扣分值为该部件下所有状态量的扣分值的总和，根据部件扣分值的多少，可得出该设备部件目前的状态。设备的整体评价应综合其部件的评价结果。当所有部件评价为正常状态时，整体评价为正常状态；当任一部件状态为注意状态、异常状态或严重状态时，整体评价应为其中最严重的状态。

2.2 故障诊断

本文利用故障树方法[15]，分析风力发电设备可能发生的所有理论故障[16-19]，如齿轮箱的齿轮损坏、轴承损坏；发电机的定子绕组短路、转子绕组故障和偏心振动；变频器的误动作、误差大、过电压、过电流、过热、欠电压等。通过建立状态量与理论故障之间的矢量关系，计算状态量发生变化时理论故障的发生概率，并根据故障概率的排序给出相应的风险等级报警。

根据式（3）获取各个故障风力发电设备的理论故障发生的概率矩阵F=[F1，F2，…，Fn]。

式中，i=1，2，…，n；j=1，2，…，m；Fi为第i个故障可能发生的概率百分比；ij为第i个故障相关的第j个状态量；m为第i个故障相关的状态量总数；aij为第i个故障相关的第j个状态量对当前故障的决定性，取值范围0或1；xij为第i个故障相关的第j个状态量的决定权重，取值范围为2，4，6，8，10，当取值为10时，表示故障发生的可能性为100%，该值查询知识库所得。

设f（xij）为对应第i个故障相关的第j个状态量的对应状态评价导则得出的实际扣分值，则第i个故障的实际扣分值为：

设f（xijk）为第i个故障相关的第j个状态量的第k个扣分标准值，则第i个故障的标准扣分值为：

式中，l为第i个故障相关的第j个状态量的扣分标准总数，k=1，2，…，l。

结合式（2）和式（3）即可获取发生故障的严重程度矩阵S=[S1，S2，…，Sn]。

2.3 风险预警

根据矢量计算的结果，对风力发电设备可能发生的故障，按概率从大到小的顺序进行排序，并分段进行报警，如理论故障发生的概率大于或者等于第一概率区间时，发出第一报警提示；当理论故障发生的概率大于获得等于第二概率区间时，发出第二报警提示；第一报警提示的优先等级高于第二报警提示。

以发电机为例，假设发电机发生的第一故障、第二故障以及第三故障3个理论故障的概率分别为65%、30%以及5%；则可以针对第一故障发出第一声音提示，以及驱动5个LED灯亮；针对第二故障发出第二声音提示，以及驱动3个LED灯亮；针对第三故障发出第三声音提示，以及驱动1个LED灯亮。工作人员预先约定的声音提示、灯光指示与设备故障的检修顺序的关系为：接收到第一声音提示时，或者5个LED灯亮的指示时，优先进行该设备故障的检修；其次的设备故障顺序为：接收到第二声音提示时，或者3个LED灯亮的指示时；最后的设备故障顺序为：接收到第三音提示时，或者1个LED灯亮的指示时。

3 算例分析

为了验证风电机组运行状态评价与故障诊断的有效性和准确性，以某公司850 kW并网风电机组在线监测数据为例进行评估结果比较。

表1为某公司850 kW并网风电机组在2009年4月4日和4月29日13：00的在线监测数据。

由表1中数据，通过梯形模糊隶属度函数将边界划分数值进行模糊处理，得到图2中的a、b、c、e、d、f、g、h分别为0.198 1、0.275 5、0.298 3、0.523 0、0.732 8、0.830 2、1.271 0、1.390 2。

则模糊隶属度向量c1=[1 0.20 0.61 0.12]c2=[0.13 0.45 1 0.78] c3=[0.83 1 0.23 0.67]c4=[0.24 0.37 0.82 1] c5=[0.25 0.55 0.17 1]c6=[0.25 0.68 1 0.45]

对应的状态量权重系数分别为c1=2，c2=3，c3=3，c4=4，c5=2，c6=4。

由式（2）得，单项状态量的扣分值

P1=20，P2=24，P3=8，P4=6，P5=8，P6=10。

根据公式（3）—（6）得到各个故障风力发电设备的故障发生的概率矩阵为：

表1 850 kW并网风电机组监测数据Tab. 1 Monitoring data of a 850 kW WTGS

F1=22.5% F2=23.1% F3=18.2% F4=14.8% F5=8.7% F6=12.7%。

算例表明利用该方法有效的提高了风力发电设备故障诊断的实时性与准确性，提供了工作效率。

4 工程实践

本文提出的基于状态评价的风力发电设备故障诊断系统，已成功应用于南方电网超高压输电公司检修试验中心。以风电机组设备为核心，整合风力发电机组在线监测数据、设备技术参数、监测预警阈值、试验、检修等数据，建立了风力发电机组状态监测系统与故障诊断分析系统。运维管理人员可以根据不同的报警提示，选择检修的优先等级，从而可以提高故障设备的检修效率，提高风力发电设备运行的可靠性。图3所示为某风电场1号风机的故障诊断结果为1号风机的检修工作提供了科学依据及指导策略。

图3 系统应用图Fig. 3 Application of the fault diagnosis system

5 结论

基于状态评价的风力发电设备故障诊断系统，通过实时监控表征风力发电设备运行情况的状态量，依据风力发电设备状态评价导则，对风力发电设备进行状态评价。并依据状态评价的结果，对潜在故障进行诊断分析，同时给出相应的运维策略，通过早期故障预测，变事后维护为事前检修，科学合理地安排检修计划，极大地提高了风力发电设备的运维效率，降低了机组的维护成本，保证了风力发电机组的可靠稳定运行。

[1] 李辉，胡姚刚，杨超，等. 并网风电机组运行状态的物元评估方法[J]. 电力系统自动化，2011，35（6）: 81-85.LI Hui，HU Yaogang，YANG Chao，et al. A matterelement assessment method of a grid-connected wind turbine drivern generator system under on-line operating conditions[J]. Automation of Electric Power Systems，2011，35（6）: 81-85（in Chinese）.

[2] 李辉，胡姚刚，唐显虎，等. 并网风电机组在线运行状态评估方法[J]. 中国电机工程学报，2010，30（33）: 103-109.LI Hui，HU Yaogang，TANG Xianhu，et al. Method for on-line operating conditions assessment fora grid-connected wind turbine generator system[J]. Proceedings of the CSEE，2010，30（33）: 103-109（in Chinese）.

[3] 谢源，焦斌. 风力发电机组状态监测系统与故障诊断方法研究现状[J]. 上海电机学院学报，2010，13（6）: 328-333.XIE Yuan，JIAO Bin. State of the art of condition monitoring system and fault diagnosis methods of wind turbine[J]. Journal of Shanghai Dianji University，2010，13（6）: 328-333（in Chinese）.

[4] 沈艳霞，李帆. 风力发电系统故障诊断方法综述[J]. 控制工程，2013，20（5）: 789-795.SHEN Yanxia，LI Fan. A survey of diagnosis methods for wind power system[J]. Control Engineering of China，2013，20（5）: 789-795（in Chinese）.

[5] ZHENG H，LI Z，CHEN X，et al. Gear fault diagnosis based on continuous wavelet transform[J]. Mechanical Systems and Signal Processing，2002，16（2/3）: 447-457.

[6] 张晓波，张新燕，王维庆. 用神经网络对风力发电中电力电子故障分析[J]. 华东电力，2008，36（7）: 16-18.ZHANG Xiaobo，ZHANG Xinyan，WANG Weiqing. Fault analysis for power electronic equipment of wind power systems by using neural networks[J]. East China Electric Power，2008，36（7）: 16-18（in Chinese）.

[7] 任腊春，张礼达. 模糊理论在风力发电机组故障诊断中的应用[J]. 能源技术，2006，27（5）: 210-212，215.REN Lachun，ZHANG Lida. The application of fuzzy set theory to the fault diagnosis of wind turbine generating units[J]. Energy Technology，2006，27（5）: 210-212，215（in Chinese）.

[8] 郭洪澈. 风力发电系统的故障诊断专家系统设计[J]. 节能，2002（7）: 36-38.GUO Hongche. Fault diagnosis expert system wind power system design[J]. Energy Conservation，2002（7）: 36-38（in Chinese）.

[9] 夏阳，孙庆山，汤进，等. 变压器类设备状态评价的回归建模研究[J]. 计算机技术与发展，2012，22（6）: 156-162.XIA Yang，SUN Qingshan，TANG Jin，et al. Research on state evaluation modeling of transformer equipment[J].Computer Technology and Development，2012，22（6）:156-162（in Chinese）.

[10] 周卫庆，徐治皋，司风琪. 基于灰色关联分析的电站设备状态评价方法[J].华东电力，2009，37（3）: 460-463.ZHOU Weiqing， XU Zhigao， SI Fengqi. Condition evaluation for power equipment based on grey correlation analysis[J]. East China Electric Ppwer，2009，37（3）: 460-463（in Chinese）.

[11] 邢宏珍，黄仙. 基于灰色综合聚类分析法的发电设备状态评价[J]. 现代电力，2007，24（1）: 63-67.XING Hongzhen，HUANG Xian. Evaluation on conditions of equipment in power plant based on grey synthetic clustering method[J]. Modern Electric Power，2007，24（1）: 63-67（in Chinese）.

[12] 顾煜炯，董玉亮，杨昆. 基于模糊评判和RCM分析的发电设备状态综合评价[J]. 中国电机工程学报，2004，24（6）: 189-194.GU Yujiong，DONG Yuliang，YANG Kun. Synthetic evaluation on conditions of equipment in power plant based on fuzzy judgment and RCM analysis[J]. Proceedings of the CSEE，2004，24（6）: 189-194（in Chinese）.

[13] 柴保明，李文选，苏茹茹，等. 基于故障树的电机温度过高故障诊断分析[J]. 煤矿机械，2012，33（2）: 245-246.CHAI Baoming，LI Wenxuan，SU Ruru，et al. Fault tree fault in motor temperature too high in application[J]. Coal Mine Machinery，2012，33（2）: 245-246（in Chinese）.

[14] 张新燕，何山，张晓波，等. 风力发电机组主要部件故障诊断研究[J]. 新疆大学学报：自然科学版，2009，26（2）: 140-144.ZHANG Xinyan，HE Shan，ZHANG Xiaobo，et al. Study of fault diagnosis wind turbine generator system[J]. Journal of Xinjiang University：Natural Science Edition，2009，26（2）: 140-144（in Chinese）.

[15] 刘俊华，罗隆福，张志文，等. 电力变压器灰色关联故障诊断模型的组合权重法[J]. 高压电器，2012，48（1）:90-94.LIU Junhua，LUO Longfu，ZHANG Zhiwen，et al. Fault diagnosis model of power transformer based on grey relation with combined weights[J]. High Voltage Apparatus，2012，48（1）: 90-94（in Chinese）.

[16] 栗薇. 电力设备状态监测装置检测试验技术[J]. 电气技术，2012（1）: 85-88.LI Wei. Electrical equipment condition monitoring device testing technology[J]. Electrical Engineering，2012（1）:85-88（in Chinese）.

[17] 黄建，胡晓光，巩玉楠，等. 高压断路器机械故障诊断专家系统设计[J]. 电机与控制学报，2011，15（10）: 43-49.HUANG Jian，HU Xiaoguang，GONG Yunan，et al.Machinery fault diagnosis expert system for high voltage circuit breaker[J]. Electric Machines and Control，2011，15（10）: 43-49（in Chinese）.

[18] 王小华，荣命哲，吴翊，等. 高压断路器故障诊断专家系统中快速诊断及新知识获取方法[J]. 中国电机工程学报，2007，27（3）: 95-99.WANG Xiaohua，RONG Mingzhe，WU Yi，et al. Method of quick fault diagnosis and new knowledge obtainment for high voltage circuit breaker expert system[J]. Proceedings of the CSEE，2007，27（3）: 95-99（in Chinese）.

[19] 陈新岗，李太福. 基于DGA特征量的变压器绝缘故障诊断专家系统的研究[J]. 变压器，2005，42（1）: 33-36.CHEN Xingang，LI Taifu. Research on expert system of transformer insulation fault diagnosis based on DGA Characteristic Parameters[J]. Transformer，2005，42（1）: 33-36（in Chinese）.