智慧风场运维管理关键技术分析

北京中拓新源科技有限公司 李庆光

现阶段，作为产业化条件相对成熟的可再生能源，风力发电已成为战略性新兴产业。但部分企业风力发电机组管理质量不佳，导致机组故障频发，高额的设备维修成本，在一定程度上制约了经济的可持续发展。为此，本文以某地方风场为例，提出常见故障的应对措施。

1 工程概况

该项目为海上离岸风电场，其特点在于风速较高、发电量偏大，所在地区呈狭长分布，南北宽在3～5km，场区地形表现为沿海滩涂，全区地势低洼，地面高程为3m。风电场中基础设施占比30%，风电机组装置占比70%，主要电气设备见表1。

表1 风场主要电气设备

项目一期装机容量为50MW，总投资达到4.6亿元，单机容量为1.5MW。风场风向较为稳定，有效风能密度在284W/m2，风速为6.4m/s，风力资源优良，具有较高的商业开发价值。但根据实际调查显示，由于风场的管理方式较为传统，已逐渐无法满足现代化需求，导致相关设备、系统在长时间运行过程中，出现乙烯类故障问题。

2 常见故障

2.1 齿轮箱温控阀故障

齿轮箱的作用在于实现风轮主轴的转速加速，利用柔性联轴器，传递至电机高速轴，达到风电的目的。而温控阀则是用于进行油液降温操作，可自动根据润滑油温度，完成阀门开度的调控，改变油液流量大小。其内部配有测温传感器，在长期处于高温、高压环境下，容易造成测量精度减少，使用寿命缩短。本文选取的风电场于2023年12月曾发生过此齿轮箱故障报警，故障警报发生后，维护团队立即进行了周密的系统诊断，最后确认了问题出在温度调节阀损坏上。由于此类损害并不立即导致严重的机器停运，故而发电装置不会立刻触发报警信号。该现象使得使用警报时间点来精确定位温控阀实际损坏区间变得较为困难。

2.2 偏航系统故障

偏航系统是指对风设备，属于风力发电机机舱的组成部分，其作用在于当风速适量产生方向变化时，可平稳对准风向，使风轮获得最大的风能。偏航系统的故障主要表现为显示值与实际结果存在偏差、齿圈齿面磨损严重、偏航压力不稳、噪声异常，机舱振动幅度较大、液压管渗漏。该问题的形成原因大多为，偏航齿圈存在异物，编码器无法正常使用，刹车半泄压工作异常，导致刹车片难以有效释放。

3 智慧风场的运维管理关键技术实现路径

为解决上述问题，推动风场的智慧化管理，笔者将提出以下几种故障解决措施。

3.1 故障识别

3.1.1 设置模型

尽管温度控制阀对于调节润滑油的温度起着关键作用，但是仅凭润滑油达到临界温度的标志并不能有效指示出故障的前兆，而此种现象的原因主要是因为，在润滑冷却系统开始工作降低油温时，油温可能会升至70℃以上。为此，笔者提出以时间序列分析为依托，打造正常行为模型，用以进行正常油温与实测值的比对，达到识别温控阀故障征兆的目的。

在模型设置时，需要结合发电机组的运行历史信息，考虑正常工况下，油温与相关物理量的非线性关系，如公式所示：yt=F（yt-w,…,yt-1,Xt-w+1,…,Xt），式中：yt表示齿轮箱温度的估计值，W代表时间窗口大小，Xt代表某时刻与相关变量形成的向量，至于F则代表历史数据映射后，获取的状态估计值。根据该映射关系，可准确估计油温正常行为。该模型与传统时间序列模型的差别在于，对目标变量的估计需要结合历史数据以及相关变量历史信息，也能进一步挖掘变量间的非线性关系。

通过搭配核主成分分析功能，确保输入层注意力机制可确定变量产生的具体影响。若相关变量与目标变量的关联性较小，则变量权重为0，反之，则权重值较高。由此可见，采用该模型，可省略对相关变量的降维分析，只须将变量作为模型输入便可。在实际运用时，需要获取发电机组数据采集与监视控制系统中记录的运行信息，通过定制化实现油温的正常行为建模，具体数据包括风速、有功/无功功率、油温等。之后将目标变量以外的物理量作为相关变量，结合风场运维记录，筛选适用于模型训练的信息。

3.1.2 引入神经网络

本文介绍的神经网络模型在机器翻译领域已相对完善，其可以通过编码器接收输入的数据阵列来执行编码过程，并从中提取出高级信息特征，然后由解码器负责将这些信息转换为另一种语言。这种方法显著减少了传统机器学习回归技术所依赖的特征工程需求。但在许多商业应用中使用的神经网络，尽管投入了相关数据，却忽视了不同数据间对预测结果可能产生的不等影响，简单地对所有输入进行均等处理，此类做法可能会导致序列初期特征在最终的输出中被削弱。为此，笔者认为可在神经网络引入双层注意力机制，量化输入变量对目标变量的影响，并赋予差异性权重，达到数据降维分析的目的。

编码器输入n个变量历史数据，输出w个神经元状态向量，用于辨识信息抽象编码，之后通过输入编码向量以及目标变量历史信息，由解码器输出神经元状态向量。结合线性函数便可估算目标变量的正常状态值。在此过程中需要注意，充分运用输入层注意力机制量化变量权重，梳理好编码器运算流程。

将隐藏层状态向量作为神经元输出结果，将记忆状态向量作为神经元状态，结合softmax函数确定变量的权重量化公式，即：

其中：ven、Wen、Uen均属于网络参数，而则代表某变量权重，与整体网络参数进行共同训练，最终确定神经元直接输入为：至于在解码器方面，同样要进行规则的更新，提高解码器对特征向量的记忆，实现多个特征向量的量化处理，将时序注意力机制确定为：

其中：ht-1；st-1代表神经元隐藏层状态向量与记忆向量的拼接体，vde、Wde、Ude均属于网络参数，表示状态向量权重系数，同样与网络参数共同训练。最后要利用线性函数完成目标变量的正常行为估计，通过模型参数表示变量的复杂关系，并完成学习。

3.1.3 故障模式识别

为了进一步实现温控阀的故障识别，保证故障征兆被第一时间辨识，笔者将进行油温测量值与模型估计值的比对，以正常行为模型为依托，估算两者的残差值，将其作为设计方案中用于评估异常行为的控制阈值。一般而言，估算的残差是由随机误差和意外的噪声所构成，其在标准操作条件下仅在零值周围有小幅度波动。为了消除在特殊情况下由高频扰动引起的效应，可以采用指数加权移动平均技术对残差数据进行平滑处理。

具体公式为：zt=ηyt+（1-η）zt-1，其中：zt表示指数加权移动平均值，yt代表待分析时间序列数据，η表示平滑常数，取值在0～1。相关技术人员在标准操作条件下对预测的残差进行过滤时，应使用直方图来适配概率密度分布，并通过假设检验来确定置信区间。在确定这一区间的上下界后，将其作为衡量变量异常活动的控制界限。同时，结合工程实际情况，设置残差的最大可接受偏差，以识别可能的故障迹象。该过程旨在识别故障模式并实施预防性故障警报。

3.2 故障分析

若出现风力发电机组故障原因排查效率较低的问题，必然会延长停机时间，造成发电机组产能下降，影响业主的经济收益。为此，笔者提出以上述故障模式识别为依托，打造故障失效分析机制，结合贝叶斯推理法，提高故障的检修效率。

3.2.1 定性分析

故障树定性分析可以理解为以行业背景、专家知识为依托的分析方法，利用树形图描述故障与原因的逻辑关系，简化故障原因的演绎推理，确定故障组合形式，改善系统设计缺陷。其主要目的在于推导结构函数，获取最小割集。

首先在构建故障树模型时，需要将不希望发生的事件定义为根节点，之后分析故障原因，完善故障树模型，找出中间事件，表示事件发生原因，将条件事件、开关事件作为底事件，定义为叶子节点。通过或门、非门等逻辑门，实现事件串联。用以呈现系统失效与零件失效的逻辑关系，衡量故障发生概率。其次要完成模型的数学描述，结合逻辑运算符号，采用布尔函数表示故障与底层原因的映射关系，采用状态变量表示系统是否发生故障。再次，要进行故障树模型的预处理，搭配布尔理论运算法则，将复杂逻辑门转换为基本逻辑门的组合形式。最后，则要完成模型的最小割集求解，利用上行法、下行法实现割集搜索，完成逻辑门遍历、时间状态量布尔表达式的计算。

3.2.2 定量分析

在完成定性分析后，需要通过二元决策图，进行故障失效的定量分析，利用重构故障树，找到造成系统失效的割集。该方法的割集属于相互排斥的状态，因此应采用概率不交公式，直至顶事件发生概率。二元决策图的优势在于事件发生概率计算精确性高，计算效率快，且计算量小。在实际分析时需要注意：由于最小割集之间可能出现相同基本事件，因此应利用容斥原理去除交集部分。而对于不互斥的几何，则要去除相容事件交集。而在获取二元决策图后，还要裁剪多余重复和矛盾的分支，找出结构函数不变化表示式中的加和项，再采用不交和公式推导顶事件发生的概率[1]。

3.3 快速排故

后验概率是指在设定系统产生失效故障，结合贝叶斯公式，计算故障原因责任比例。根据后验概率计算结果可准确判定故障直接原因，若发现可能故障原因未发生，则假定系统已完成停机操作，之后选取第二可能的故障原因。在实际维护中，相关维护团队需要迅速进行故障诊断直到找到停机的确切原因，以此有效防止由于维护人员知识和经验不足导致的盲目故障排查，极大减少诊断过程所消耗的时间，并减轻由检修引起的电力损失。

本文通过贝叶斯推理法，将后验概率作为排查顺序的制定标准，依托最小割集、故障树结构函数，找寻最有可能引发故障的原因。其中，贝叶斯推理是指一种推论统计方法，在获得更多证据与信息后，更新特定假设的概率。可将后验概率推导为第二个前列、先验概率记忆似然函数的结果，具体表达式为：P（H|E）=P（E|H）/P（E）×P（H），其中：丨表示时间成立条件，H表示假说，其概率可能受到试验数据的影响，E代表证据，对应新的数据，是指还没用来计算先验概率的数据。P（H）表示先验概率，P（H丨E）代表后验概率，P（E丨H）是指似然函数，P（E）代表边缘似然率。如果相关维护人员在现场检修的过程中未发现最可能故障原因，技术人员应进行二次假设系统故障，以此确定最可能故障原因，再基于所确定的具体故障原因，技术人员可结合贝叶斯公式完成推理，进而获取现场其他环节中可能存在的故障原因，并明确各个原因的责任占比。从中选取占比最高的，将其设为次要故障原因[2]。

综上所述，通过以某地方风场作为研究对象，阐述该风场运营过程中常见的故障问题，并基于深度神经网络、贝叶斯推理、故障树、行为驱动程序，提出故障失效分析模式、故障模式识别算法、快速排故等应对措施，实现风场的智慧化运营管理，最大限度提高风力发电机组的运行性能，降低故障停机频率，保证风场产能效率的最大化。