文 | 陳曉清 劉少明 張健 朱永峰 孔晶

基于設備故障相關參數篩選模型建立風電機組故障預警體系

文 | 陳曉清 劉少明 張健 朱永峰 孔晶

傳統的風電機組報警系統是以安裝在設備上的傳感器部件為基礎進行報警，其結構和原理如圖1所示。當設備部件的部分指標超過限定值時，就會觸發(fā)報警系統的警報。觸發(fā)系統報警的條件包括：設備部件溫度驟升、液壓系統壓力過高過低、電流忽大忽小等。傳統系統預警能力十分薄弱，需要人為根據報警參數再次進行分析找出存在的預計缺陷。傳統報警系統所提供的報警初始設定限值也是根據廣泛經驗設定的值，忽略了綜合天氣、氣候、機型等多種因素進行人為限值設定。

綜上所述，傳統報警系統存在的缺陷嚴重影響了風電場人員對風電設備運行時的消缺、檢查工作，且不利于設備運行壽命的增長和生產效率的提高。因此，一套能夠利用現場豐富的實時數據資源，并能夠進行自動缺陷分析、自動預警的設備故障偵查預警系統是很有必要的，可以實現設備的提前預警、提前檢修規(guī)劃，達到延長設備壽命、提高生產效率的目的。

故障預警系統網絡結構

集團公司風電場集中數據管控中心的建設，實現了在滿足行業(yè)安全規(guī)定、要求的條件下，將風電場的風電機組、氣象、升壓站中的數據傳送至集團公司風電場數據中心，并能夠在集團公司風電場集中數據管控中心進行風電場各類數據的監(jiān)視、存儲。通過利用風電場豐富的數據資源對風電機組故障預警、不同型號的風電機組分類建模，實現對所轄風電機組運行工況的有效管理以及不良工況的提前預警。因此，集團公司可以利用風電場集中監(jiān)控中心來整合所轄風電場各種機型的運行數據，進而提高自己在故障預警建模方面具有的建模依賴數據豐富、預警準確率高的優(yōu)勢。

圖1 傳統風電機組預警原理結構圖

風電場集中數據管控中心結構圖，如圖2所示。

故障預警建模機制

一、風電機組故障預警模型

圖3描繪了風電機組故障預警體系從風電機組故障模型建立、故障預警到風電機組故障模型自動優(yōu)化的整個過程。以下為各個過程的簡要說明：

（一）基于設備故障相關參數篩選模型自動對各種型號的風電機組建立一套故障預警體系，從統計學角度通過對歷史設備故障數據的提取分析建立故障相關參數信息挖掘模型，以該模型和已有的工業(yè)運行庫為基礎，形成特定型號設備的故障相關參數信息知識庫。

（二）以故障相關參數信息知識庫實時監(jiān)測設備特定故障相關的參數信息，建立一個設備故障偵查預警模型對符合知識庫參數值和邏輯的進行預警。

（三）以歷史預警信息和預警效果評估為基礎，建立一個設備故障預警自優(yōu)化模型，實現預警參數信息知識庫的優(yōu)化，從而達到預警信息準確性的不斷提高。

（四）風電機組故障預警體系同時開放用戶參數調整接口，保證權限的用戶可以根據經驗直接添加系統的故障相關參數信息知識庫等配置信息，以保證運行人力智庫的充分利用。

二、風電機組故障預警相關參數建模

設備故障預警相關參數篩選統計流程，如圖4所示。通過圖中所示流程，完成一系列建模后，風電機組故障數據倉庫對故障模型信息進行了統一存儲，模型涵蓋了風電機組型號、所在地域、廠建時間、預警相關參數組、健康陣列等信息。

風電機組故障相關參數預警設備建模過程，分為以下幾步：

圖2 風電場集中數據管控中心網絡結構圖

圖3 故障預警體系建立過程

圖4 設備故障預警相關參數篩選統計流程圖

（一）挖掘每個故障條目（如：變頻器加熱器故障）在統計時間段（一般為1年以上）的故障時間點，形成如下表1所示的數據結構。

（二） 對特定型號風電機組的故障條目進行逐項遍歷，并在每個故障條目下通過大量的歷史數據進行參數幅值相關性統計，將震蕩幅值較大且能影響風電機組的故障情況進行記錄。

（三）在調整過程中，需要對數據進行及時存庫備查以及將預測依據參數信息完整入庫存儲。預測相關參數信息入庫存儲格式，如表2所示。

三、 風電機組實時故障偵查預警及自優(yōu)化

設備故障偵查預警系統主要分為三個模塊，分別是實時故障預警模塊、實時預警評價模塊、自動預警參數幅度優(yōu)化模塊。三個模塊的工作流程，如圖5所示。下面對三個模塊流程設計分別說明。

（一）實時故障預警模塊：

實時故障預警模塊是對設備故障項目相關的數據點進行實時（觸發(fā)或小周期輪詢）監(jiān)測，對符合預警參數值和參數條件邏輯的xxx轉入預警處理，并對各設備故障項目依次進行檢查。

預警觸發(fā)時，推送出相應的彈出窗口，并以聲音報告、圖形閃動形式報送給用戶；將產生預警的信息存儲歸檔以備預警評價。故障信息表見表3和表4。

（二）實時預警評價模塊：

實時預警評價模塊是對已經預警，但還未出現預警結果的預警記錄進行跟蹤評價的模塊。周期性（周期可配置，如20min）查詢預警信息中未評價的預警信息，檢查預警信息是否發(fā)生、發(fā)生的預警信息準確方面統計（如：預警發(fā)生但推遲了5min）。每次檢查未評價的預警信息，除非預警記錄的時間已經過去了很長時間（可定義，如1天）。對于已經評價的預警條目進行統計，統計在目前的預警參數條件下預警的準確性。預警的準確性分多個方面，首先檢查是否全部準確，其次檢查預警的故障條目是否準確（人為不參與的情況下），再次是預警時間是否準確。該評價信息存檔，以備優(yōu)化階段使用。

表1 故障條目數據結構表

表2 預測參數信息表

圖5 預警系統流程圖

（三）自動預警參數幅度優(yōu)化模塊

周期性（如：7天）的對預警參數幅度進行優(yōu)化，首先需要設定一個預測準確率標準（如：85%），再根據歷史數據對沒有達標的參數幅值進行自調整，主要針對不斷增加的歷史數據，對歷史數據進行再統計，對幅值進行細度的調整。

表3 故障信息表（1）

表4 故障信息表（2）

故障預警效果分析

一、 故障預警過程數據分析

依據故障相關參數篩選算法進行參數幅值變化和相應故障之間的關系研究。 “1槳葉正常收槳回風暴位置太慢3”故障的動態(tài)變化關系表如表5所示。

圖6為某風電場風電機組出現“1槳葉正常收槳回風暴位置太慢3”故障時各參數的變化趨勢。橫軸為相應參數振動幅值的變化率，分0.02為調點進行逐變，縱軸為上述故障“1槳葉正常收槳回風暴位置太慢3”各個參數跳變過程中發(fā)生的概率。

下面是曲線分析：

（一）風電場運行實際：“槳葉正常收槳回風暴位置太慢”是風電機組運行中經常發(fā)生的故障之一，且造成停機的次數高達800次/年以上。故障發(fā)生后，風電場檢修人員一般需要爬至風電機組機艙中檢查和變槳相關的部件狀態(tài)。變槳軸承潤滑不良、液壓系統缺陷、槳葉驅動電機發(fā)熱磁退、SBP充電裝置故障、葉片蓄電池耗損等情況是該故障可能發(fā)生的原因。

（二）統計數據分析：圖6中的曲線為風電機組故障時刻點，風電機組主要測點躍動幅值百分比（X軸）和故障發(fā)生率（Y軸）的變化關系。幅值百分比在小于2%時，各參數變化情況與發(fā)生的故障沒有明顯的相關性。

隨著限定幅值的逐步放開（X軸從右到左），故障發(fā)生概率逐步增大。曲線中，X軸測點幅值百分比有微小變化時，故障發(fā)生率有明顯變化的位置即說明相應測點和故障相關，見表6。

表5 “1槳葉正常收槳回風暴位置太慢3”的動態(tài)變化關系表

圖6 “1槳葉正常收槳回風暴位置太慢3”時各參數的變化趨勢

二、某風電場故障預警案例實際效果分析

如某風電場生產日志部分的開票記錄中，43號風電機組變頻器水冷系統壓力過高進行了就地檢修。變頻器水冷系統壓力過高易發(fā)生管路爆液，嚴重造成變頻器IGBT模塊短路燒毀。

表6 “1槳葉正常收槳回風暴位置太慢3”信息表

圖7 預警信息表

圖7 43號風電機組變頻器水冷系統壓力的變化趨勢圖

圖8 43號風電機組變頻器水冷系統壓力值正常情況下的變化走勢

表7為上述故障預警系統在故障發(fā)生之前給予的預警（由于預警時值班運行人員對初上系統未引起足夠的關注，該預警信息只能從預警歷史記錄中查得）。

圖7為故障預警時間區(qū)間內43號風電機組變頻器水冷系統壓力的變化趨勢圖，該型號風電機組使用的變頻器水冷部件正常情況下壓力限值在1.2－2.6之間，按照故障預警模型參數相關性預警根據了預警。

根據建立的預警模型可知正常情況下變頻器水冷系統的壓力值在1.2－2.6之間，圖8為壓力值正常情況下的變化走勢，在超過2.6時即易發(fā)生壓力過大引起的爆管，本系統對實時監(jiān)測區(qū)間內水冷壓力值的極值和變化趨勢，在超限時即給出預警。

結論

在數據就是財富的今天，保存有大量風電機組運行數據的SIS、SCADA系統記錄了風電機組運行的各種工況和歷史數據，此為大部分風電場都已完成的基建工程?；谝延械臍v史數據，對風電機組進行建模分析，建立一套能自動根據海量歷史數據模型、自動生成特定型號風電機組故障預警系統模型，能夠解決風電場設備故障缺少提前發(fā)覺，設備故障沒有合理預警等問題，整體上增加設備的可靠性和可利用程度，從而實現整體經濟效益的提高。

（作者單位：北京岳能科技股份有限公司）