风电机组变桨系统故障定位的方法研究

卢向军

摘 要：齿轮变距换桨风扇系统故障通常是机组经常停机的首要故障原因，通过对齿轮变桨风扇系统潜在技术故障的调查分析，制定了故障维修处理计划;分析兆瓦级新型风电蒸发机组齿轮换桨系统的故障数据，提取了齿轮变距换桨系统的潜在故障处理特征。

关键词：BP模型神经网络;SCADA系统;FDA贡献图;风电机组;故障定位

1风电系统变桨故障

风机变桨系统是随着风速的增加而增加风机功率的一种随动系统。风机输出后，除发电机额定功率外，通风系统开始工作。螺杆换桨用于自动调节风向螺杆换桨扭矩的转角，对系统获得最大温度风能综合利用率发展意义重大，系统维护管理难度大，风向与系统历史设计风向和实际风向密切有关，本文主要分析了历史风速与柴油发动机最高转速的密切关系，以历史风速和风向螺杆换桨扭矩的转角为风出输入驱动系统，以高速发动机最高转速为风入输出驱动系统，采用一种现代风机数学模型建模分析方法可以预测未来几年螺杆换桨变矩系统的故障状态，并与专家scada等对系统的实际故障数据情况进行分析比较，验证了该分析方法的实际可行性，为了为今后几个人每月的严重故障风机维修维护管理打下基础，本文对某国家风电场33号超级台风的故障数据分析进行了统计分析，共有6个变舵风机系统故障及其类型：变桨 3个桨叶位置不同步故障、变桨30°位置传感器故障 、变桨90°位置传感器故障、变桨处于紧急模式、变桨安全链故障和变桨电机温度过高故障。

2 BP神经网络预测

BP前馈神经网络系统是一种用于对误差反向映射传播进行训练的反向多层映射前馈神经网络，它主要描述了网络输入端与输出之间高度非线性的反向映射前馈关系。BP中的神经网络由具有输入输出层、隐层和插入输出端三层部分组成。如果一个输入网络节点函数为m或m，输出网络节点为m或n，则这个网络映射是从m到n在n的欧拉劳氏密度空间上的映射。对于该操作系统，输入输出节点参数m=3，输出输入节点参数n=1。通过自动调整网络连接点的权值和增加网络连接模，bp##f的神经网络模型能够准确地快速逼近各种实际网络模型。本文以电机风速、风向和电机俯仰角为主要输入输出变量，电机则以转速为主要输出输入变量。证明了三层a和bp层的神经网络结构能够完全满足一个函数空间映射的基本要求。在对于基音系统的机器学习处理过程中通常采用一种BP型的神经网络。当每个输入的隐层网络神经元能够接收检测到物体风速、风向和物体俯仰角的相关信息时，将其信息传递发送给输入隐层网络中的每个输入神经元。在输入隐藏器对层中信息进行同步信息处理和进行信息传输转换后，最后一个输入隐藏层中的信息被自动传输发送到一个输出隐藏层中并进行进一步信息处理。上述传播过程也被称为机器学习的向下连续传播。当实际误差输出与系统期望值的输出不一致时，系统通过误差值值来修正各层电脑神经元的活动权值。

近年来，基于风电机组SCADA运行数据的电力变桨系统故障诊断已成为研究热点。在变桨系统故障检测方面，提出了一种基于多特征参数距离的异常状态识别方法。在正确选择合适的绝对距离阈值条件下，该控制方法与相比单纯的参数绝对距离阈值运动评价控制方法同样能更及时、准确地快速识别和测出异常运动状态。建立了以主轴风速和风轮有功驱动功率电流为进出输入，风轮主轴转速、三叶桨距旋转角和风轮桨叶轴距旋转角驱动电流为进入输出的非线性多通道输入多环路输出控制系统自动回归控制模型。实现了变桨管理系统的优劣化运行状态的实时在线自动辨识。在新型变桨系统故障分析诊断算法方面，在深入分析新型SCADA的数据相关性的基础上，对新型变桨传动系统故障分析诊断方法进行了深入研究，识别出两种常见的变桨故障类型。目前主要提出了一种基于自适应式的神经模糊推理诊断系统（anfis）出现故障时的诊断分析方法。以当前风力发电电机SCADA 的系统统计数据为基础，建立了canfis系统故障分析诊断模型，拟定综合系统风速、俯仰角、电机运行转速、功率投入输出与当前风力发电发动机组正常运行物理状态之间的关系规律，实现自动化适应系统故障分析诊断。目前，大多数研究人员通过分析SCADA数据来获取故障信息，从而对变桨系统进行故障检测和诊断。实际上，SCADA系统本身也具有故障检测和诊断的功能，但当SCADA系统检测到故障时，往往会发出一系列报警并给出一组虚假报警信息，包括故障和来源。它的产生或发生顺序是随机的。从报警信息中无法确定哪一个是真正的故障源。过多的冗余链信息会导致决策者忽略重要的报警信息，造成严重后果。为了有效解决这一复杂问题，需要通过采用非线性故障状态残差估计法的方法对两个基音上的系统残差进行一次故障状态检测，并分别提出了一些特征参数对系统残差的直接影响和概率。进一步有效实现了汽车故障自动定位。遗憾的一点是，本文没有明确给出各种特征参数对材料残差测量影响和效率的具体数值计算分析方法。本文以分析SCADA中的数据为基础，采用scfisher判别分析法的方法研究求解有关故障偏差数据的判断偏差取值方向和各偏差变量对故障偏差取值方向的数据贡献率。生成基于FDA两个贡献的视图，用最大贡献率对应的变量确定故障的主要因素，识别故障源，实现变桨系统的故障定位。

3基于FDA贡献图的故障定位原理

Fisher方法是一种常用的判别技术，它能将各种类别相互结合，已成功地应用于工业过程控制、缺陷检测和诊断。为了在多维同类特征样本空间中快速找到不同方向上的向量，可以通过最大化获取同类特征样本在每个向量上的梯度投影，而不是在这样一个向量上妥协，采用Fisher译码方法对风机单元通风系统的正常数据和故障数据进行处理，方向向量可以分离故障数据，正态数据和这个向量只存在。方向向量元素的大小代表了各个变量的权重，表示一个断层，作为贡献率，绘制断层贡献图，在沉积图中，最大的沉积率变量就是断层变量，可以根据断层进一步定位相关分量。

3.1基于 FDA贡献图的故障定位方法

FDA理论的核心思想是为了找到最优的判别向量（简称FDA向量）并将故障数据与常规数据分离，该向量是根据最大准则计算的一种基于FDA贡献图的故障分离方法四.风电机组变桨工况划分及数据准备

3.2风电机组变桨系统工况划分

风电机组正常数据集的建立是故障分离的基础和前提，它是由不同工况组成的。不同工况下的转速、功率和法向俯仰角范围不同，法向数据阵列也不同。因此，有必要对螺旋桨系统的工作模式进行区分，并分别进行讨论。工况1：从静态力开始时，螺杆升降角为90，当叶轮转速达到一定转速时，控制系统将螺杆升降角改为50°，保持一段時间（45s），在此期间，风机功率为零。工况2：在此期间内，桨机轴距和转角必须保持在0°上的位置保持不变，不需要做任何角度调节。风机功率大小跟随风速而变化。工况3：当一台风电传动机组中的输出额定功率已经达到机组额定功率以后，控制传动系统根据机组输出额定功率的不断变化自动调整输出桨距的偏角为0～30°。改变额定气流对涡轮叶片的传动攻角，从而有效改变利用风力发电涡轮机组转动获得的额定空气电流动力转矩，保持额定功率输出最大功率，这类似于FDA对不同变量在不同模式下的模拟过程，选择工况3中的数据集进行建模。

4结论

本文以风电机组变桨系统为研究对象，针对SCADA系统给出的连锁报警信息。应用FDA方法，计算故障方向向量，生成FDA故障贡献图。根据贡献图中变量的贡献率，分离出变桨系统的故障变量，从包括故障源信息在内的一连串报警信息中，准确地识别出真正故障源，实现故障定位。

参考文献：

[1]乔淑娟.中国风力发电综合机组安全控制管理系统安全故障分析诊断问题研究[d]北京：北方工业大学，2014.

（神华（康保）新能源有限公司，河北 张家口 075000）