风力发电机组故障诊断与状态预测的研究进展

张志峰

摘要：风力发电机组因运行环境恶劣较易发生故障，实现对风电机组适当的状态维护或预防性维护，既能减少故障发生概率、降低维修成本，又能改善电力系统运行的安全性与经济性。

关键词：风力发电机组;故障诊断;状态预测;状态维护;预防性维护

引言

在风电机组单机容量较大、机组整体结构越加复杂、各部件之间的耦合也愈加紧密的情况下，机组出现故障的概率也会增加。据统计，陆上风电机组的运营及维护费用可达到其收益的15%～25%，而海上风电机组的对应数字可占到35%，除了导致维护成本过高之外，对电力系统的稳定运行也具有明显的负面影响。为了协调电网企业的建设运营成本与社会降低电价预期之间的矛盾，全面发展电力系统的泛在感知技术，通过数据驱动、人工智能、数字孪生等方法实现基于设备健康管理体系的状态维护（condition-basedmaintenance，CBM）或预防性维护（predictivemaintenance，PM），是电力系统实现数字化、网络化和智能化的重要基础。

1变桨系统故障类型

根据变桨执行器驱动力的不同，目前风力机的变桨形式可分为电液变桨形式和电变桨形式。电液变桨又称液压变桨，以电液设备为驱动源，以液压油为传输介质，控制叶片的运动;电机以电动变桨的形式作为驱动源，通过电气设备控制叶片的运动。现阶段，我国风力机的变桨型主要是电动变桨型。因为在风力机运行过程中，其环境或运行状态的参数会发生变化，并且与风力机的运行状态密切相关。因此，可以根据这些参数判断风扇是否故障或故障程度。

2研究计划

2.1研究内容

针对风力机工作环境恶劣、维护成本越来越高、难度越来越大的问题，设计了智能故障诊断与预测系统，以提高风力机的诊断精度，减少停机时间和维护时间，提高风力机在整个生命周期内的有效工作时间，降低维护成本，提高风电机组的经济效益。

（1）研究了风电机组故障诊断专家系统和基于实例的推理技术，建立了风电机组故障知识库和编码系统，开发了基于专家系统的故障诊断推理机，实现了故障诊断的智能化，提高了诊断的准确性。

（2）基于循环神经网络，开发风电设备故障预测模型，实时预测风电机组的健康状态，提前识别潜在故障和重大隐患，提高设备运行效率，降低风电场运行维护成本。

2.2故障诊断系统的体系结构

系统可以提供五个层次的功能：（1）提供基本信息。包括：标准故障代码、轴承数据库、专家知识库、故障特征库等;（2）提供信号分析系统。它可以提供大量的信号分析工具包，可以直接以插件或页面链接的形式调用，显示各种分析图表;（3）提供设备状态的综合评估。通过监测设备的各种动态信息，对信息进行预处理，并利用具体的故障征兆提取算法，进而判断设备的运行状态，最后得出结果;（4）提供设备故障的专家诊断结果。通过系统中的专家知识库进行故障推理，必要时启动人机对话识别故障;（5）给出维护建议。对有劣化倾向的设备可提供监测和维修点，对现有设备故障可提供维修建议。

2风电机组的故障诊断与状态预测方法

本章重点选取风电机组的传动轴系、叶轮和发电机三大主要部件的故障诊断和状态预测方法进行系统性回顾。由于风电机组各主要部件的本质构造及其运行特征不同，在电-磁-力-热等不同能量及物理效应的耦合程度上各有差异，对其进行科学分析的方法也会有所区别，因此，本文为了叙述上的便利，按不同部件分别归纳其研究方法。需要指出的是，由于建立风电机组各部件的纯物理模型难度较大，目前的研究大多采用基于数据驱动的分析方法，即利用SCADA数据作为故障诊断与状态预测模型的输入，然后输出诊断及预测结果。

2.1传动轴系

DFIG的传动轴系统不仅故障率高，而且故障造成的停机时间也是所有故障中最长的。因此，对该部件的故障诊断和状态预测有很多研究方法，主要有以下几种。

1）回归分析

回归分析预测方法本质上属于因果分析预测。它是一种基于历史数据确定变量间定量关系的预测方法，便于对多参数模型进行直观分析。

2）支持向量机

支持向量机（SVM）是一種用于求解凸二次规划优化算法的二元分类模型。由于单独使用支持向量机技术会消耗大量资源，并且具有不确定性管理能力，因此通常需要改进。例如，将最小二乘支持向量机（LS-SVM）应用于风力机齿轮箱的故障预测。首先用皮尔逊相关系数筛选特征变量，然后用支持向量机回归建立风机齿轮正常状态的预测模型，然后用统计过程控制对预测模型进行分析，以降低算法复杂度，加快计算速度。然而，支持向量机对参数和核函数的选择比较敏感，不适合解决多分类问题。

2.2叶轮

叶轮是风力发电机组中捕捉风能的关键部件。它受到循环应力的影响，如空气动力、重力和惯性力。它通常暴露在恶劣的自然环境中，非常容易丢失。一旦叶片的慢性损伤累积到一定程度，就会导致叶片疲劳裂纹失效。风机叶片主要由纤维增强复合材料（如FRP）组成，长度30～50m，重量6～10t;装机容量为5MW的风机叶片甚至长60m，重18t，一旦叶片出现疲劳裂纹等隐患，叶片断裂、风机坍塌等大规模灾害发生的可能性很大，造成严重的经济损失。

1）负荷应力监测

近年来，国内外开发了一系列风机叶片监测设备，即通过监测叶片振动或安装传感器来实现叶片故障诊断，以获得有效的信号特征。例如，文献通过监测振动来提取叶片运行状态的特征量，然后使用自联想神经网络（AANN）来综合分析机组叶片的疲劳并识别机组叶片的故障。尝试使用预先安装在叶片上的光纤光栅传感器（FBG）监测风机叶片上的应力模式，并进一步分析叶片的运行状况。

3结语

在常见的故障预测技术中，基于数据的故障预测技术是最为实用的，尤其是神经网络和隐马尔科夫模型最具有代表性。但神经网络由于系统各变量之间没有建立良好的关系模型导致训练过程较为固定，缺少了灵活性;而在隐马尔科夫模型中使用的优化算法很容易受到局部限制且算法非常复杂，导致使用不便。

参考文献

[1]魏协奔，卢旭锦，孙培明，等.浅谈风力发电机组振动状态

[2]萨锦炜.风力发电机状态监测与故障诊断技术分析[J].绿色环保建材