大功率并网风电机组状态监测与故障诊断研究综述

高晓慧

摘要：大功率并网风电机组进行状态监测和故障诊断，不但能够降低机组的运行维护成本，还能够确保机组运行的安全与稳定。所以，加强对风电机组的状态监测和故障诊断具有非常重要的现实意义。目前，风力发电机组状态监测与故障诊断的研究还处于起步阶段。在现有的研究成果，研究侧重于整个风力发电机的状态评估和故障预测，风力发电机关键部件的研究集中在故障诊断，准确描述和预测风力发电机功率曲线，在风力发电机状态监测和故障预测，可以有效地利用风力发电，电力公司保证风电场的安全运行，同时，具有重要的理论意义和工程应用价值。

关键词：风电机组;状态监测;故障诊断

近年来，风能在世界能源结构中地位越来越突出，风电将逐步成为火电、水电之后的第三大常规能源。随着我国大型风电建设规划相继启动和现运行的大部分风电机组质保期逐渐超出或邻近超出，高故障发生率和高运维成本的现状越来越引起风电运营商、制造商和第三方运维公司等机构的关注。目前，风电机组状态监测和故障诊断领域的研究处于起步阶段，已有的研究成果中，对于整机的研究侧重于状态评估和故障预测，对于机组的关键部件研究侧重于故障诊断。

一、风电机组故障

基于统计分析的风力发电机状态监测和评估合成，使用统计分析方法，通过分析大量的风力发电机状态监测的各种特征的离线数据，提取一些一般性的指数，与工厂设计标准相比，或通过比较多个单元，实现风力涡轮机的目标机器状态监测，风力机功率曲线如图所示。

得到反映机组运行性能的实测风速、功率等数据，用Bin方法对数据进行统计处理后得到机组功率曲线。通过机组功率曲线、风能利用曲线及其标准差值，对机组运行性能进行分析评价。当风速超过额定风速、标准差的一部分权力范围内的本大，运行状态是不稳定的。可以判断，因此，它的性能（a）对应图优于第二单元对应图（b）。此外，一个概率模型，建立了风力发电机功率曲线，和相关函数模型和基于操作数据的利用SCADA系统。结果表明，该方法能有效地监测变转子系统的叶片退化、偏航和早期故障信号。采用T2统计方法对机组有功运行数据进行分析，确定整机运行状态。以上研究是通过对功率信息的统计分析来实现对整个风力机的状态监测。其他特征变量的统计结果能否更好地代表整个风力机的运行状态，值得进一步的探索和研究。

二、风电机组的故障预测方法

故障预测是基于现在的系统或历史性能预测诊断组件或系统完成其功能的状态，包括确定组件或系统的剩余寿命，或正常工作时间，基于统计的风力涡轮机故障预测的可靠性研究是保证风力发电机或服务很长一段时间，其操作性能和组件退化程度增加，导致可靠性下降，平均故障间隔时间MTBF逐渐缩短，对于故障预测的研究相对较少。然而，关于风电机组MTBF在试运行过程中预测的研究报道较少。一般的研究都是基于风力机的可靠性服从一定分布的假设。例如，在试运行过程中，对风力机的MTBF进行了预测，提出了一种基于多机组运行信息的MTBF估计方法。其基本思想是根据风电机组的安装特点和故障数据，并对风电机组的可靠性进行kaplan-meier非参数估计。在初步估计结果的基础上，进行了两参数威布尔分布拟合，并根据威布尔分布的性质计算了机组的平均TBF。示例显示，在测试运行期间，单元的MTBF一直在增加。提出了一种基于广义伽玛分布的可靠性增长预测方法。根据随机过程和可靠性增长预测理论，非齐次泊松过程的失败方法是伴随着风力涡轮机的测试期间的维护操作，在未来风力发电机的故障时间分布进行了分析， 和失败的时间点和区间估计和故障平均时间没有预测。以风机运行故障数据为例，tij （I = 1，2，3，4）为第j台风机的观测故障时间。根据预测方法，当置信度为0.8时，第41次故障时间预测的预测点估计为1704.44h，与观测后的1733h相比，误差为1.6%。它对于缩短机组的测试运行时间，保证机组在交付给用户时满足可靠性指标具有重要作用。

三、风电机组关键部件的在线故障诊断

风电机组由多个组件组成，都是关键的组件的在线状态监测和故障诊断研究，实时控制失败能够及时识别症状，梯度发展程度和节省时间的故障诊断和优化运行维护策略，提高整机的运行可靠性具有重要的学术意义和工程实用价值。

1、发电机。发电机故障诊断的研究大多是通过在线监测定子电流、转子电流和有功功率变化、匝间短路故障诊断、单相或多相短路故障诊断、轴承损坏故障诊断和转子偏心故障诊断。从转子电流和电压中提取[4]谐波分量，对匝间短路进行监测。但当匝间短路程度较弱时，提取其谐波分量比较困难。当定子绕组发生轻微匝间短路时，定子三相电流时域波形略有变化，而跟踪三相电流的park矢量误差发生变化，在三圈短路情况下，公园矢量軌迹的椭圆环宽度和倾斜角较大，故障特征可用于判断是否存在短路，判断匝间短路的严重程度。[1]使用发电机电流、磁通量密度、温度和振动的特征数据，利用BP神经网络和Elman神经网络，概率神经网络（和）用于故障诊断的故障诊断，并通过模型试验结果表明，该故障诊断有较强的容错能力，自适应结构调整可以执行，根据综合判断故障属于单一或复合信号。

2、变流器。变频器作为电能反馈到电网的关键控制通道，是影响风电机组和电网安全稳定运行的重要环节。基于样本训练的在线变流器智能故障诊断方法，对双馈风力发电机变流器故障进行了分类，提出了基于波形直接分析的BP神经网络故障诊断方法，但计算复杂，难以实现。将风电变频器故障电流作为小波神经网络处理后的学习样本和测试样本。改进的小波神经网络方法可以克服传统同步发电机故障检测的误正问题，提高同步和过同步故障诊断的准确性。

参考文献

[1]李俊彬，曹家麟.风电场电气系统现状分析[J].电力系统保护与控制， 2019，42（10）：14.