摘要：故障預警作為風力發(fā)電機組預防性維修的一種手段，正逐步被風機運維人員所采用?，F闡述了預警實施工作的具體步驟和流程，指出針對不同類型的風電場，需采取相應的預警策略。預警的前提是明確風機故障原因和失效模式，通過評估預警的必要性、數據質量，選擇合適的算法進行預警，最終實現預警閉環(huán)。同時還介紹了預警經濟性的量化評估。

關鍵詞：風力發(fā)電機組;預警策略;數據質量;預警經濟性

中圖分類號：TK83? 文獻標志碼：A? 文章編號：1671-0797（2022）05-0048-04

DOI：10.19514/j.cnki.cn32-1628/tm.2022.05.013

引言

大力開發(fā)和利用風能是實現碳達峰、碳中和任務的重要手段。當前，風電機組裝機規(guī)模日益擴大，風電機組故障集中分布于變槳、主軸、齒輪箱、發(fā)電機、變頻器、液壓剎車系統(tǒng)。

一些傳動鏈故障停機時間和備件采購周期長，需要采用大型機械設備如吊車等進行相應的維修[1-2]，這樣不但增加了風電機組的運行維護費用，而且影響了風電機組的發(fā)電量，從而降低了風電機組的經濟性。為降低運維成本，提高運維效率，風電場運維人員開始采用預防性維修策略，通過故障預警，在風機設備還沒有發(fā)生故障或故障尚未造成損壞的前提下開展維修和檢查。

1? ? 針對不同類型的風電場采取相應的預警思路

針對未出質保的風電場，風機服役時間較短，設備健康度通常較好，可以獲得大量的風機健康數據，運維人員也有足夠的精力開展預防性維修，業(yè)主會及時發(fā)現設備缺陷，并要求主機廠家進行維修、更換，預警的結果也會得到較快反饋，預警工作開展較為順利，這類風電場可以作為預警業(yè)務的優(yōu)先開展對象。

針對投運時間較長，特別是故障率較高的風電場，風機健康度不夠理想，風電場運維人員疲于處理故障，這類風電場應優(yōu)先考慮開展專項治理，在確定故障根因的基礎上，采取技改、設備精維護、大部件更換等手段，降低風機運行安全風險，提高設備可利用率，預警應該有所取舍，將預警重點放在齒輪箱、發(fā)電機、變槳系統(tǒng)等資產價值較高的大部件上。

2? ? 確定故障原因和失效模式

預警的目的是在故障發(fā)生前識別設備的異常狀態(tài)，提前進行檢查和處理，避免設備健康狀態(tài)逐步劣化造成故障停機，產生發(fā)電量損失。預警是針對特定的故障開展的，只有在確認失效模式、掌握故障產生的原因之后，才能有針對性地采取預防手段，否則即便識別出了設備異常狀態(tài)，但由于無法找出異常原因，也就沒有辦法進行處理，設備健康狀態(tài)仍然會繼續(xù)劣化。

故障原因分析可借鑒相關的方法和工具，例如根因分析（RCA）方法[3]、FEMA方法、頭腦風暴、魚骨圖、5個Why等，從人、機、料、法、環(huán)等角度分析故障原因，魚骨圖法如圖1所示。

在確定故障原因和失效模式之后，建議抽取幾臺風機進行數據驗證，通過分析故障前后時刻的數據，掌握設備缺陷發(fā)展過程的數據特征，明確分析故障以及進行預警時需要用到哪些測點的數據，為后續(xù)預警工作打好基礎。

3? ? 確定預警的必要性

在開展預警工作之前，需向現場詳細了解歷史故障邏輯和原理、故障發(fā)生的原因、故障處理方式和處理效果、是否已進行相應技改，必要時進行現場踏勘和檢查。需要提前搜集的資料主要包括故障處理手冊、歷史運維記錄、更換臺賬、損壞記錄、技改方案、現場缺陷照片等。

如果設備劣化過程是漸變的，例如齒輪箱潤滑油變質、軸承磨損等，需要一個時間過程才能發(fā)展成故障，則可以進行預警;如果設備劣化過程是短暫或者是瞬間的，例如葉片遭到雷擊損壞、PT100接線松動，則預警較為困難，重點應加強日常巡視檢查;如果故障發(fā)生的季節(jié)性比較明顯，例如春季柳絮堵塞齒輪箱散熱片，導致齒輪箱油溫高故障，則建議提前采取措施統(tǒng)一處理，或采取技改措施。

另外，風機SCADA系統(tǒng)包含非停機告警，例如東汽FD77B風機發(fā)電機前軸承溫度大于100 ℃會報警但不停機，大于110 ℃才會故障停機。非停機告警也屬于預警的一種，且閾值通常由主機廠、大部件供應商提供，現場應對非停機告警引起重視。非停機告警閾值往往與故障停機閾值較為接近，如果告警時間與停機時間較為接近，告警后在很短時間內會報停機故障，則需要根據現場實際需求開發(fā)出能夠增加時間提前量的預警。

在完成需求調研，掌握故障原因、失效模式，確定預警的必要性之后，需要將以上信息進行匯總，形成預警可行性分析報告（或者需求確認單），和現場人員確認之后再開展后續(xù)預警工作。

4? ? 數據來源和數據質量評估

預警的分析對象是風機各系統(tǒng)（部件）的數據，通過數據反映出部件異常情況，故獲得完整、有效的數據是開展預警工作的前提。

4.1? ? 確定預警數據范圍和數據顆粒度

對風電機組進行故障預警，首先需要確定預警需要用到哪些數據以及數據類型（遙測、遙信），如果是遙測數據，則需要確定顆粒度（毫秒級、秒級、10 min數據）;如果是遙信數據，則需要確定是故障類遙信（故障、告警、提示）還是普通遙信以及時間范圍等。

確定預警數據范圍的方法有兩種：一種是經驗法，根據專家經驗確定需要用到哪些數據測點，該方法的優(yōu)點是“短、平、快”，缺點是過分依賴專家經驗，可能會漏掉一些測點;另一種是機器學習方法，即分析數據之間的相關性，該方法結果準確，但用時較長;也可以上述兩種方法同時使用，互為補充。

關于數據顆粒度，根據經驗，溫度類故障預警數據一般要求10 min數據，壓力類故障、變槳系統(tǒng)故障一般要求秒級甚至更高顆粒度數據。

4.2? ? 確定數據來源和導出方式

根據測點需求，確定數據來源，數據通常來源于風電場SCADA系統(tǒng)、大數據集中監(jiān)控平臺、風機后臺、振動監(jiān)測系統(tǒng)等[4]，同時還要確定數據導出是否方便快捷，單次最多能夠導出的日期范圍和數據量，以及數據導出是在線實時導出還是人工手動在后臺服務器導出。

4.3? ? 數據質量評估

評估測點是否完整、有效，是否包含臟數據，數據格式是否友好，建議通過編程自動化方式評估和篩選數據，一方面評估數據完整性和有效性，另一方面通過程序自動剔除臟數據，并將數據轉化成標準格式，成為可用、好用的數據，該步驟往往耗時較長。數據的完整性、有效性還會影響后續(xù)預警方法的選擇。

5? ? 預警算法選擇

預警算法主要分為兩大類：專家規(guī)則法、機器學習法。專家規(guī)則法利用專家的經驗和案例識別設備的異常狀態(tài)，機器學習法通過人工智能手段識別設備異常狀態(tài)。在實際使用中有時采用兩種方法相結合的預警算法。

5.1? ? 專家規(guī)則法

專家規(guī)則法主要有閾值法、同工況對比法、原理法。

（1）閾值法：根據前期積累下來的大量歷史數據分析經驗、運維經驗，結合部件失效原理，設定一個預警閾值，一定時間段內超過該閾值一定次數則發(fā)出預警。該方法的優(yōu)點是使用簡便，不需要分析海量的數據，缺點是難以覆蓋不同工況、不同運行環(huán)境、不同品牌風機。

（2）同工況對比法：在相同工況下，將目標風機和相鄰風機進行對比，或將同一風機和該風機歷史同期數據進行對比。該方法優(yōu)點是容易理解，缺點是風機工況有無數種，相同工況的前提有時無法實現，預警時效性差。

（3）原理法：基于風機自身特性進行判斷，例如冬天時艙內溫度應高于艙外溫度等。該方法優(yōu)點是簡便準確，缺點是應用面較窄，只能對特定情況進行分析。

5.2? ? 機器學習法

通過統(tǒng)計學的方法，構造相關機器學習的算法模型，通過編程自動化的方式進行離線或在線訓練和測試，輸出并展示預警結果。常用的機器學習方法有非線性狀態(tài)估計、LightGBM、神經網絡、深度學習等，不同的方法有不同的優(yōu)缺點。機器學習數據運算量通常較大，使用時需要評估服務器、內存等硬件能否支撐算法正常運行。

5.3? ? 兩種算法相結合的預警方法

在具體實施中，可采用兩種算法相結合的預警方法。例如，使用機器學習的方法得到預警結果時，可采用專家規(guī)則的方法對預警結果進行解釋。算法沒有絕對的好壞之分，同一種算法有時也可適用于多種類型的故障預警，風電機組的運行環(huán)境和工況是復雜多變的，算法的學習和積累是一個長期的過程。確定預警算法后，需要將方法匯總成預警原理說明書，并和風電場現場討論和確認。

6? ? 預警算法執(zhí)行

根據選定的預警算法進行模型訓練，得到預警結果。在使用機器學習算法時，需將數據分為訓練樣本和測試樣本，以非線性狀態(tài)估計算法為例，訓練樣本為風機歷史健康數據，測試樣本為風機歷史告警數據或故障數據。模型訓練和測試的工作量通常較大，針對測試樣本，算法的測試結果需要具備準確性和時效性，準確性是指訓練出的模型在測試時能夠達到預期的準確率，時效性是指預警結果相對于故障的發(fā)生有一定的時間提前量。

7? ? 預警結果展示和推送

預警結果通常包含風機號、異常信息、最早發(fā)現的異常時間、最近異常時間、導致異常的可能原因、建議措施、優(yōu)先級、可視化圖表顯示和說明等8個部分內容。其中“導致異常的可能原因”和“建議措施”一般根據異常數據特征，結合運維經驗、故障處理手冊、RCA根因分析報告給出。異常原因和建議措施可按照優(yōu)先順序排序，優(yōu)先級可以根據緊急程度分為3類：需要立即處理（48 h內上風機處理）、需要盡快處理（2周內上風機處理）、下次爬風機處理（6個月內上風機處理）。表1給出了不同異常類型和對應的處理方式。

在對預警結果進行展示時，通常需要搭配預警時刻的圖形和圖表，圖形和圖表能夠反映設備異常時刻的數據特征，方便運維人員直觀地分析設備異常原因，并評估異常嚴重程度。預警信息可視化展示也是預警實施過程中的重要步驟。

針對設備健康度和設備異常評估，還可以采用設備劣化度、壽命預測的分析方法。劣化度在一定程度上表征了機組當前運行狀態(tài)相對于故障狀態(tài)的劣化程度，劣化度計算公式為當前監(jiān)測參數的測量值與故障停機閾值的接近程度，并且在計算時應加入監(jiān)測參數的趨勢變化[5]。壽命預測可采用威布爾分布方法，威布爾分布廣泛應用于失效數據分析，也用于壽命數據分析。根據威布爾分布可以預測未來一段時間之內大部件失效的數量，運維人員可根據預測結果提前采購備件，并對不同供應商的設備可靠性進行評價。

預警開發(fā)人員需要和現場運維人員建立起聯動機制，將以上預警結果整理成固定的格式，定期推送給風電場，并接收現場人員對預警結果的反饋。如果是在線預警，風電場運維人員可以實時收到預警信息。

8? ? 預警結果現場反饋和驗證

風電場收到預警結果后需要采取行動并給予反饋，反饋的內容應包括上機檢查日期、檢查結果、修復方式、異常的根本原因，必要時補充現場照片。

預警開發(fā)人員在收到反饋后，需要結合數據進行兩方面驗證：

（1）驗證預警結果是否真實有效。如果現場仔細檢查后并未發(fā)現設備異常，需要不斷優(yōu)化、調整、修改預警參數和方法，且預警方法優(yōu)化、迭代是一個長期的過程。

（2）驗證設備異常是否得到解決?，F場運維人員根據預警結果，完成異常設備的維修和處理，預警開發(fā)人員需要對維修后的設備數據進行驗證，通過數據判斷設備異常情況是否已經消失，如果后續(xù)仍然出現預警，預警開發(fā)人員需要提醒運維人員繼續(xù)進行維修和檢查，直至找到設備異常的真正原因，確保設備異常情況消失。

預警開發(fā)人員需要將新出現的設備異常原因、解決方式補充到專家知識庫、故障處理手冊中，最終實現預警案例閉環(huán)。

9? ? 預警經濟性計算、預警方法推廣

風電場完成預警缺陷處理，能夠避免風機缺陷繼續(xù)劣化導致故障停機，具有一定的經濟效益。不同類型的預警會產生不同的經濟效益，有必要對預警創(chuàng)造的潛在經濟價值進行量化，具體量化方法可采用如下公式：

預警帶來的潛在經濟價值=電量損失+大部件費用+

人工費用+吊裝費用

式中：電量損失是指故障的歷史平均停機損失，通過預警避免了發(fā)生故障停機，從而避免了產生電量損失;大部件費用是指通過預警在塔上更換小件就能解決問題，避免了日后更換大部件所需的費用;人工費用是指節(jié)省的運維人員維修費用;吊裝費用是指節(jié)省的設備吊裝、安裝費用。

預警模型完成批量實施和驗證后，以此為基礎，可以將預警成果進行推廣，評估預警算法模型是否適用于其他風電場不同品牌的風機。

10? ? 結語

本文探討了風力發(fā)電機組故障預警策略，即基于已知的故障原因和失效模式、完整有效的數據，選擇準確的預警算法，并根據現場反饋不斷優(yōu)化算法，評估預警帶來的經濟效益。本文對詳細的預警步驟進行了歸納和總結，可以為今后風力發(fā)電機組故障預警工作的開展提供指導。

[參考文獻]

[1] 張文秀，武新芳.風電機組狀態(tài)監(jiān)測與故障診斷相關技術研究[J].電機與控制應用，2014，41（2）：50-56.

[2] 楊軍，梁振飛，田力勇.風電機組在線故障診斷系統(tǒng)應用案例分析[C]//中國電機工程學會清潔高效燃煤發(fā)電技術協(xié)作網2010年會論文集，2010：546-550.

[3] 彭效然，黎燕航.基于根因分析方法的風電場故障處理應用[C]//第七屆中國風電后市場交流合作大會論文集，2020：121-123.

[4] 楊力.風機實時故障檢測與預警研究[D].成都：電子科技大學，2021.

[5] 馬良玉，王兵樹，高建強，等.生產過程輕微和早期故障智能診斷的一種新方法[J].中國電機工程學報，2002，22（6）：115-118.

收稿日期：2022-01-04

作者簡介：李琰（1988—），男，河北石家莊人，碩士研究生，工程師，主要從事風電后市場服務產品及技術改造產品的研發(fā)、推廣工作。