張志峰

摘要：風(fēng)力發(fā)電機組因運行環(huán)境惡劣較易發(fā)生故障，實現(xiàn)對風(fēng)電機組適當?shù)臓顟B(tài)維護或預(yù)防性維護，既能減少故障發(fā)生概率、降低維修成本，又能改善電力系統(tǒng)運行的安全性與經(jīng)濟性。

關(guān)鍵詞：風(fēng)力發(fā)電機組;故障診斷;狀態(tài)預(yù)測;狀態(tài)維護;預(yù)防性維護

引言

在風(fēng)電機組單機容量較大、機組整體結(jié)構(gòu)越加復(fù)雜、各部件之間的耦合也愈加緊密的情況下，機組出現(xiàn)故障的概率也會增加。據(jù)統(tǒng)計，陸上風(fēng)電機組的運營及維護費用可達到其收益的15%～25%，而海上風(fēng)電機組的對應(yīng)數(shù)字可占到35%，除了導(dǎo)致維護成本過高之外，對電力系統(tǒng)的穩(wěn)定運行也具有明顯的負面影響。為了協(xié)調(diào)電網(wǎng)企業(yè)的建設(shè)運營成本與社會降低電價預(yù)期之間的矛盾，全面發(fā)展電力系統(tǒng)的泛在感知技術(shù)，通過數(shù)據(jù)驅(qū)動、人工智能、數(shù)字孿生等方法實現(xiàn)基于設(shè)備健康管理體系的狀態(tài)維護（condition-basedmaintenance，CBM）或預(yù)防性維護（predictivemaintenance，PM），是電力系統(tǒng)實現(xiàn)數(shù)字化、網(wǎng)絡(luò)化和智能化的重要基礎(chǔ)。

1變槳系統(tǒng)故障類型

根據(jù)變槳執(zhí)行器驅(qū)動力的不同，目前風(fēng)力機的變槳形式可分為電液變槳形式和電變槳形式。電液變槳又稱液壓變槳，以電液設(shè)備為驅(qū)動源，以液壓油為傳輸介質(zhì)，控制葉片的運動;電機以電動變槳的形式作為驅(qū)動源，通過電氣設(shè)備控制葉片的運動?，F(xiàn)階段，我國風(fēng)力機的變槳型主要是電動變槳型。因為在風(fēng)力機運行過程中，其環(huán)境或運行狀態(tài)的參數(shù)會發(fā)生變化，并且與風(fēng)力機的運行狀態(tài)密切相關(guān)。因此，可以根據(jù)這些參數(shù)判斷風(fēng)扇是否故障或故障程度。

2研究計劃

2.1研究內(nèi)容

針對風(fēng)力機工作環(huán)境惡劣、維護成本越來越高、難度越來越大的問題，設(shè)計了智能故障診斷與預(yù)測系統(tǒng)，以提高風(fēng)力機的診斷精度，減少停機時間和維護時間，提高風(fēng)力機在整個生命周期內(nèi)的有效工作時間，降低維護成本，提高風(fēng)電機組的經(jīng)濟效益。

（1）研究了風(fēng)電機組故障診斷專家系統(tǒng)和基于實例的推理技術(shù)，建立了風(fēng)電機組故障知識庫和編碼系統(tǒng)，開發(fā)了基于專家系統(tǒng)的故障診斷推理機，實現(xiàn)了故障診斷的智能化，提高了診斷的準確性。

（2）基于循環(huán)神經(jīng)網(wǎng)絡(luò)，開發(fā)風(fēng)電設(shè)備故障預(yù)測模型，實時預(yù)測風(fēng)電機組的健康狀態(tài)，提前識別潛在故障和重大隱患，提高設(shè)備運行效率，降低風(fēng)電場運行維護成本。

2.2故障診斷系統(tǒng)的體系結(jié)構(gòu)

系統(tǒng)可以提供五個層次的功能：（1）提供基本信息。包括：標準故障代碼、軸承數(shù)據(jù)庫、專家知識庫、故障特征庫等;（2）提供信號分析系統(tǒng)。它可以提供大量的信號分析工具包，可以直接以插件或頁面鏈接的形式調(diào)用，顯示各種分析圖表;（3）提供設(shè)備狀態(tài)的綜合評估。通過監(jiān)測設(shè)備的各種動態(tài)信息，對信息進行預(yù)處理，并利用具體的故障征兆提取算法，進而判斷設(shè)備的運行狀態(tài)，最后得出結(jié)果;（4）提供設(shè)備故障的專家診斷結(jié)果。通過系統(tǒng)中的專家知識庫進行故障推理，必要時啟動人機對話識別故障;（5）給出維護建議。對有劣化傾向的設(shè)備可提供監(jiān)測和維修點，對現(xiàn)有設(shè)備故障可提供維修建議。

2風(fēng)電機組的故障診斷與狀態(tài)預(yù)測方法

本章重點選取風(fēng)電機組的傳動軸系、葉輪和發(fā)電機三大主要部件的故障診斷和狀態(tài)預(yù)測方法進行系統(tǒng)性回顧。由于風(fēng)電機組各主要部件的本質(zhì)構(gòu)造及其運行特征不同，在電-磁-力-熱等不同能量及物理效應(yīng)的耦合程度上各有差異，對其進行科學(xué)分析的方法也會有所區(qū)別，因此，本文為了敘述上的便利，按不同部件分別歸納其研究方法。需要指出的是，由于建立風(fēng)電機組各部件的純物理模型難度較大，目前的研究大多采用基于數(shù)據(jù)驅(qū)動的分析方法，即利用SCADA數(shù)據(jù)作為故障診斷與狀態(tài)預(yù)測模型的輸入，然后輸出診斷及預(yù)測結(jié)果。

2.1傳動軸系

DFIG的傳動軸系統(tǒng)不僅故障率高，而且故障造成的停機時間也是所有故障中最長的。因此，對該部件的故障診斷和狀態(tài)預(yù)測有很多研究方法，主要有以下幾種。

1）回歸分析

回歸分析預(yù)測方法本質(zhì)上屬于因果分析預(yù)測。它是一種基于歷史數(shù)據(jù)確定變量間定量關(guān)系的預(yù)測方法，便于對多參數(shù)模型進行直觀分析。

2）支持向量機

支持向量機（SVM）是一種用于求解凸二次規(guī)劃優(yōu)化算法的二元分類模型。由于單獨使用支持向量機技術(shù)會消耗大量資源，并且具有不確定性管理能力，因此通常需要改進。例如，將最小二乘支持向量機（LS-SVM）應(yīng)用于風(fēng)力機齒輪箱的故障預(yù)測。首先用皮爾遜相關(guān)系數(shù)篩選特征變量，然后用支持向量機回歸建立風(fēng)機齒輪正常狀態(tài)的預(yù)測模型，然后用統(tǒng)計過程控制對預(yù)測模型進行分析，以降低算法復(fù)雜度，加快計算速度。然而，支持向量機對參數(shù)和核函數(shù)的選擇比較敏感，不適合解決多分類問題。

2.2葉輪

葉輪是風(fēng)力發(fā)電機組中捕捉風(fēng)能的關(guān)鍵部件。它受到循環(huán)應(yīng)力的影響，如空氣動力、重力和慣性力。它通常暴露在惡劣的自然環(huán)境中，非常容易丟失。一旦葉片的慢性損傷累積到一定程度，就會導(dǎo)致葉片疲勞裂紋失效。風(fēng)機葉片主要由纖維增強復(fù)合材料（如FRP）組成，長度30～50m，重量6～10t;裝機容量為5MW的風(fēng)機葉片甚至長60m，重18t，一旦葉片出現(xiàn)疲勞裂紋等隱患，葉片斷裂、風(fēng)機坍塌等大規(guī)模災(zāi)害發(fā)生的可能性很大，造成嚴重的經(jīng)濟損失。

1）負荷應(yīng)力監(jiān)測

近年來，國內(nèi)外開發(fā)了一系列風(fēng)機葉片監(jiān)測設(shè)備，即通過監(jiān)測葉片振動或安裝傳感器來實現(xiàn)葉片故障診斷，以獲得有效的信號特征。例如，文獻通過監(jiān)測振動來提取葉片運行狀態(tài)的特征量，然后使用自聯(lián)想神經(jīng)網(wǎng)絡(luò)（AANN）來綜合分析機組葉片的疲勞并識別機組葉片的故障。嘗試使用預(yù)先安裝在葉片上的光纖光柵傳感器（FBG）監(jiān)測風(fēng)機葉片上的應(yīng)力模式，并進一步分析葉片的運行狀況。

3結(jié)語

在常見的故障預(yù)測技術(shù)中，基于數(shù)據(jù)的故障預(yù)測技術(shù)是最為實用的，尤其是神經(jīng)網(wǎng)絡(luò)和隱馬爾科夫模型最具有代表性。但神經(jīng)網(wǎng)絡(luò)由于系統(tǒng)各變量之間沒有建立良好的關(guān)系模型導(dǎo)致訓(xùn)練過程較為固定，缺少了靈活性;而在隱馬爾科夫模型中使用的優(yōu)化算法很容易受到局部限制且算法非常復(fù)雜，導(dǎo)致使用不便。

參考文獻

[1]魏協(xié)奔，盧旭錦，孫培明，等.淺談風(fēng)力發(fā)電機組振動狀態(tài)

[2]薩錦煒.風(fēng)力發(fā)電機狀態(tài)監(jiān)測與故障診斷技術(shù)分析[J].綠色環(huán)保建材