李 碩

(中國大唐集團有限公司 內(nèi)蒙古分公司赤峰事業(yè)部，赤峰 024000)

風電的大規(guī)模開發(fā)利用已成為世界各國改善能源結構、保障能源安全、加強環(huán)境保護、應對氣候變化的重要途徑，也是助力我國實現(xiàn)“3060”碳達峰、碳中和戰(zhàn)略目標的重要抓手。隨著低風速地區(qū)和海上風資源的開發(fā)利用，風電機組的單機容量逐漸增大，機組運行過程中產(chǎn)生的發(fā)熱量也隨之增加。積聚的熱載荷導致機艙內(nèi)溫度不斷升高，提升了風電機組關鍵部件故障率，對風電機組的安全穩(wěn)定運行產(chǎn)生嚴重威脅。如何有效應對風電機組的溫升問題已成為制約機組單機容量提升的重要瓶頸之一[1]。

部分學者以風電機組關鍵部件為切入點，針對其溫升計算方法、溫升機制、溫升監(jiān)測、溫升故障診斷及優(yōu)化策略進行了大量的研究。文獻[2]運用有限元分析的方法，研究了兆瓦級風力發(fā)電增速齒輪箱的穩(wěn)態(tài)溫度場分布及箱體的熱-結構耦合特性，建立了齒輪箱系統(tǒng)的穩(wěn)態(tài)熱平衡模型和齒輪箱內(nèi)平衡油溫的計算模型；但文中既沒有考慮軸承系統(tǒng)的熱變形對傳動的影響，且其對流系數(shù)僅通過經(jīng)驗公式計算獲得，沒有進行實驗驗證。文獻[3]研究了求解域設置對永磁風力發(fā)電機溫升計算結果的影響。文獻[4]搭建了集總參數(shù)法的風電機組雙饋電機熱網(wǎng)絡模型,分析電機內(nèi)部的損耗原理及溫升機制。但文章沒有利用SCADA系統(tǒng)監(jiān)測到的風電機組運行參數(shù)如溫度等信息。文獻[5]建立了雙饋風電機組變流器IGBT結溫電-熱耦合計算模型,分析了變流器結溫變化的規(guī)律。文獻[6]等建立了基于BP神經(jīng)網(wǎng)絡和Pearson相關系數(shù)的發(fā)電機軸承溫升故障診斷模型。文獻[7]提出了以紅外測溫技術為基礎的風電母線槽發(fā)熱故障在線監(jiān)測方法。文獻[8]提出了基于卡爾曼小波神經(jīng)網(wǎng)絡主軸溫升與制動閘磨損量預測的狀態(tài)預測方法；對大型風電機組故障診斷系統(tǒng)進行設計，并搭建風電機組故障診斷系統(tǒng)實驗臺進行了簡單實驗驗證，沒有結合大型風電機組故障診斷系統(tǒng)實際功能需求對故障診斷系統(tǒng)進行開發(fā)和優(yōu)化。文獻[9]提出了基于主成分分析、遺傳算法及Elman神經(jīng)網(wǎng)絡的風電機組齒輪箱軸承溫度預測模型，實現(xiàn)齒輪箱軸承異常溫升的預警。文獻[10]研究了溫升偏高對風電專用箱變斷路器的影響，提出了斷路器接線端子搭接銅排的優(yōu)化改進策略。文獻[11]分析了影響風機并網(wǎng)變流器溫升的主要因素,提出了通過改變開關頻率、發(fā)波方式及影響PWM電壓波形的吸收電容值大小等主要控制參數(shù)的風機并網(wǎng)變流器過溫問題的保護與治理措施以及相關參數(shù)優(yōu)化方案。

還有部分學者對風電機組運行中機艙整體產(chǎn)生的異常溫升問題展開研究。文獻[12]分析了風電機組的主要部件溫升變化與有功功率間的相關關系。文獻[13]基于SCADA數(shù)據(jù)中的所有溫度變量構建了風電機組運行狀態(tài)監(jiān)測統(tǒng)計量用于風電機組狀態(tài)監(jiān)測與故障隔離系統(tǒng)。文獻[14]建立了基于BP神經(jīng)網(wǎng)絡算法的風力發(fā)電機溫升故障診斷模型。文獻[15]提出了結合Relief F算法和加權主元算法的風力發(fā)電機溫升故障預警方法。文獻[16]提出了從艙內(nèi)溫控、機艙散熱布局、大數(shù)據(jù)分析等不同角度全面解決風電機組機艙散熱和溫控問題的方法；但沒有考慮到風力發(fā)電機組工作環(huán)境的氣壓，濕度等氣象條件，以實現(xiàn)對風力發(fā)電機組機艙散熱性能的更準確分析。文獻[17]提出了以西門子PLC為控制核心，采用內(nèi)外循環(huán)隔離換熱方法的散熱系統(tǒng)。

針對風電場中風力發(fā)電機組溫升過速容易引發(fā)故障的問題，文中提出了一種基于斜率算法和預警算法融合模型的風力發(fā)電機組溫升保護策略。采用變化斜率超限算法對風電機組進行溫升分析，計算出風力發(fā)電機組各溫度參數(shù)變化斜率值并判斷是否超限；與預警算法相融合，并關聯(lián)風力發(fā)電機組遠程停機功能，實現(xiàn)溫升過速提前預警、自動停機，防止溫升過速引發(fā)故障。

1 風力發(fā)電機組溫升保護策略算法及邏輯

文中所提溫升保護策略針對風力發(fā)電機組各參數(shù)，特別是溫度參數(shù)進行建模分析，分析各參數(shù)的變化規(guī)律及趨勢，并設定斜率變化值，當超過變化限制時及時報警，對風力發(fā)電機組下發(fā)停機命令，使風力發(fā)電機組停機。該溫升保護策略根據(jù)風電場運檢人員多年經(jīng)驗和集控中心監(jiān)控系統(tǒng)數(shù)據(jù)，采用機器學習分析整理了多種典型工況的溫升限值，充分考慮了風力發(fā)電機組的各種運行工況，可根據(jù)實時數(shù)據(jù)靈活配置區(qū)分出風力發(fā)電機組當前狀態(tài)，可及時發(fā)現(xiàn)溫升過速的風力發(fā)電機組并進行應急停機處理，預防溫升過速引發(fā)的各種故障。

1.1 溫升分析算法

采用變化斜率超限算法進行溫升分析，即將數(shù)學中斜率計算方法與風力發(fā)電機組部件參數(shù)相結合的算法。曲線的上某點的斜率反映了此曲線的變量在此點處的變化的快慢程度。曲線的變化趨勢仍可以用過曲線上一點的切線的斜率即導數(shù)來描述。導數(shù)的幾何意義是該函數(shù)曲線在這一點上的切線斜率。當f(x)>0時，函數(shù)在該區(qū)間內(nèi)單調(diào)遞增，曲線呈向上的趨勢；當f(x)<0時，函數(shù)在該區(qū)間內(nèi)單調(diào)減，曲線呈向下的趨勢。斜率算法公式為

(1)

式中：k為斜率；x2、x1為自變量；y2、y1為因變量。

根據(jù)溫升預警參數(shù)分析可以得到變化斜率超限算法流程如下：① 采用三段式法(部件類型，部件ID，部件)讀取Redis實時服務，取對應ID風力發(fā)電機組部件對應時刻周期內(nèi)的溫度值；② 對此時刻周期內(nèi)的時間值按照式(1)進行斜率計算；③ 得到此時刻最大斜率；④ 比較將最大斜率與變化斜率閾值；⑤ 滿足條件設置為True，否則設置為False，結果存入Redis實時服務。

啟動初期階段或正常運行階段的參數(shù)設置一樣。只采用發(fā)電機軸承溫度無法判定，同時不同季節(jié)的機艙溫度受環(huán)境影響存在差異，對發(fā)電機軸承溫度具有一定的影響，因此采用發(fā)電機軸承溫度和機艙溫度的溫度差，來判斷風電機組處于啟動初期階段或正常運行階段。

根據(jù)發(fā)電機軸承溫度和機艙內(nèi)環(huán)境溫度參數(shù)劃分風力發(fā)電機組運行狀態(tài)如下：定義當發(fā)電機軸承溫度低于機艙溫度一定范圍內(nèi)時，風電機組處于啟動初期階段；定義當發(fā)電機軸承溫度高于機艙溫度超過一定閾值并持續(xù)時間超過1 min時，風電機組處于正常運行階段。

根據(jù)溫升預警參數(shù)分析可得：

1) 啟動初期階段變化斜率告警閾值為2，停機閾值為3。即當機組處于啟動初期階段，連續(xù)出現(xiàn)兩次發(fā)電機軸承溫度每20 s上升2 ℃，集控中心實時監(jiān)控系統(tǒng)報警；連續(xù)出現(xiàn)兩次發(fā)電機軸承溫度每20 s上升3 ℃，集控中心實時監(jiān)控系統(tǒng)下達停機指令。

2) 正常運行階段變化告警閾值設置為2，停機閾值設置為3，即當機組處于正常運行階段，連續(xù)出現(xiàn)兩次發(fā)電機軸承溫度每30 s上升2 ℃，集控中心實時監(jiān)控系統(tǒng)報警；連續(xù)出現(xiàn)兩次發(fā)電機軸承溫度每30 s上升3 ℃，集控中心實時監(jiān)控系統(tǒng)下達停機指令。

1.2 實時預警發(fā)布模型

滿足告警條件時，以發(fā)布訂閱的方式將報警信息發(fā)送實時服務；根據(jù)模型配置的自動停機、掛牌配置，向Redis中寫入命令。滿足報警恢復條件時，將Redis中上次報警信息中的當前狀態(tài)改為已恢復，將報警記錄列表清空。實時預警發(fā)布模型(publishAlarm)流程如下：

① 讀取解析(倒序)。一個設置周期內(nèi)Redis服務中的寫入結果；初始化bAlarmTrigger=false，bAlarmRecover=false。

② 如果沒有出現(xiàn)連續(xù)兩個報警記錄。即沒有滿足告警條件，將告警級別設置為0(無告警)；設置bAlarmTrigger=false，bAlarmRecover=true；即告警恢復。

③ 否則，滿足告警條件。設置bAlarmTrigger=false，bAlarmRecover=true；記錄此次告警時間，告警級別等信息。

④ 將③中的告警信息與上一次告警信息相比較。如果兩次間隔大于設置告警間隔時間，產(chǎn)生告警信息；如果小于設置告警間隔時間，則不產(chǎn)生告警信息，避免重復。

⑤ bAlarmTrigger=true：發(fā)送實時服務(告警信息)；更新上次告警信息bAlarmRecover=true：更新上次告警信息。

1.3 斜率算法和預警算法融合模型

為了在充分提高溫升告警模型的準確率的同時降低其誤報率，將變化斜率算法和預警算法進行融合，提出了斜率算法和預警算法融合的風力發(fā)電機組溫升保護模型。斜率算法只是單純計算此時刻斜率，產(chǎn)生告警記錄但并不會與之前的信息相聯(lián)系，預警算法會將前段時間的斜率算法產(chǎn)生的告警記錄和當前產(chǎn)生的告警記錄相結合，通過分析進行不同級別的報警。單個時刻的斜率可能存在偶然性，連續(xù)告警可以在一定程度上避免這種偶然性，減少誤報，提高準確率。在模型中進行變化斜率算法和預警算法的聯(lián)合調(diào)用設置。如溫升滿足二級告警條件，則對運維人員發(fā)送警告；如溫升滿足一級告警條件，則結合風力發(fā)電機組遠程停機功能使風電機組自動停機，防止溫升過速引發(fā)風電機組故障。將預警算法配置為按照連續(xù)次數(shù)告警，次數(shù)設置為2，其他配置見表1。

表1 一級告警(停機)和二級告警(警告)邏輯配置：if(A,B,C)Tab.1 Logical configuration of level-1 alarms(park) and level-2 alarms(warning)：if(A,B,C)

2 案例分析

選取某風電場43#風力發(fā)電機組2021-02-04T16-40-20～11-41-50的運行數(shù)據(jù)和2021-09-21T15-33-10～15-34-35的運行數(shù)據(jù)為例，進行數(shù)據(jù)分析，具體數(shù)據(jù)見表2，其時間分辨率為5 s。

根據(jù)風電場運檢人員多年經(jīng)驗和集控中心監(jiān)控系統(tǒng)機器學習，由表2可知，該風電機組的發(fā)電機軸承溫度高于機艙溫度，且二者的溫度差持續(xù)小于10 ℃，故該風電機組在這兩段時期均處于啟動初期階段。根據(jù)溫升預警參數(shù)分析可得，風電機組在啟動初期階段時，若連續(xù)出現(xiàn)兩次發(fā)電機軸承溫度每20 s上升2 ℃，則監(jiān)控系統(tǒng)報警；連續(xù)出現(xiàn)兩次發(fā)電機軸承溫度每20 s上升3 ℃，集控中心實時監(jiān)控系統(tǒng)下達停機指令。根據(jù)文中所提斜率算法和預警算法融合模型，43#風電機組在2021-02-04T16-41-00和2021-09-21T15-33-45時處于啟動初期階段，連續(xù)兩次滿足發(fā)電機軸承溫度每20 s上升2 ℃，達到報警條件，該風電機組啟動初期階段如圖1所示。

表2 43#風電機組運行數(shù)據(jù)

圖1 43#風電機組啟動初期階段

選取某風電場51#風力發(fā)電機組2021-06-13T13-10-20～13-11-50的運行數(shù)據(jù)和2021-10-02T20-40-20～20-41-45的運行數(shù)據(jù)為例，進行數(shù)據(jù)分析，具體數(shù)據(jù)見表3，其時間分辨率為5 s。

表3 51#風電機組運行數(shù)據(jù)

根據(jù)風電場運檢人員多年經(jīng)驗和集控中心監(jiān)控系統(tǒng)機器學習，由表可知，該風電機組的發(fā)電機軸承溫度高于機艙溫度，且二者的溫度差相差大于10 ℃時且持續(xù)時間超過1 min，風電機組處于正常運行階段。根據(jù)溫升預警參數(shù)分析可得，風電機組在若連續(xù)出現(xiàn)兩次發(fā)電機軸承溫度每30 s上升2 ℃，集控中心實時監(jiān)控系統(tǒng)報警；連續(xù)出現(xiàn)兩次發(fā)電機軸承溫度每30 s上升3 ℃，集控中心實時監(jiān)控系統(tǒng)下達停機指令。根據(jù)文中所提斜率算法和預警算法融合模型，51#風電機組在2021-06-13T13-11-25和2021-10-02T20-41-20時處于正常運行階段，連續(xù)兩次滿足發(fā)電機軸承溫度每30 s上升2 ℃，達到報警條件，該風電機組正常運行狀態(tài)如圖2所示。

圖2 51#風電機組正常運行狀態(tài)

采用某風電場的歷史數(shù)據(jù)和一個月現(xiàn)場情況進行測試，歷史數(shù)據(jù)中一級和二級報警共200次，檢測正確195次，準確率為97.5%，現(xiàn)場運行時共報警102次，經(jīng)檢測準確96次，準確率為94.1%。結合上面具體案例可知，所得溫升策略能夠準確預測風電機組溫升異常，驗證了所提模型的有效性和適用性。

3 結 論

1) 文中提出了基于斜率算法和預警算法融合模型的風力發(fā)電機組溫升保護策略。采用變化斜率超限算法對風電機組進行溫升分析，判斷溫升是否超限；融合預警算法，實現(xiàn)風力發(fā)電機組的實時的溫升告警并及時自動停機。

2) 利用風力發(fā)電機組溫升保護策略能夠準確預測風電機組溫升異常。實現(xiàn)溫升過速提前預警、自動停機，可以更好的做到提前防護，有效的減少了機組故障，提高風力發(fā)電機組運行可靠性，有助于提高風電場經(jīng)濟效益。

3) 溫升影響因素甚多，文中的溫升預警策略僅達到實時檢測的效果，準確率也還有提升的空間。隨著人工智能技術的發(fā)展，基于人工智能的時間序列預測也得到了廣泛關注，未來可以考慮使用基于神經(jīng)網(wǎng)絡的時間序列預測算法來進行溫升預測，提高預測的提前量和準確度，更好的服務于風電場運維。