劉軍，安柏任，張維博，甘乾煜

大型風(fēng)力發(fā)電機(jī)組健康狀態(tài)評(píng)價(jià)綜述

劉軍，安柏任，張維博，甘乾煜

(西安理工大學(xué)自動(dòng)化學(xué)院，陜西 西安 710048)

采用合理的方法進(jìn)行風(fēng)電機(jī)組健康狀態(tài)評(píng)價(jià)對(duì)于分配風(fēng)電場(chǎng)功率，減少運(yùn)維成本，延長(zhǎng)風(fēng)電機(jī)組使用壽命有著重要意義。隨著裝機(jī)容量的增長(zhǎng)，風(fēng)電機(jī)組健康狀態(tài)評(píng)價(jià)引起了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。目前健康狀態(tài)評(píng)價(jià)方法較為繁雜，且對(duì)于風(fēng)電機(jī)組健康狀態(tài)評(píng)價(jià)方法的總結(jié)歸納較少。因此，基于現(xiàn)有研究成果，對(duì)風(fēng)電機(jī)組健康狀態(tài)評(píng)價(jià)的現(xiàn)狀進(jìn)行梳理。首先，介紹了風(fēng)電機(jī)組健康狀態(tài)評(píng)價(jià)的方法，并對(duì)已有方法進(jìn)行分類，分析了其優(yōu)缺點(diǎn)。其次，介紹了風(fēng)電機(jī)組健康狀態(tài)評(píng)價(jià)的數(shù)據(jù)來(lái)源及描述其健康程度的指標(biāo)。最后，從健康狀態(tài)評(píng)價(jià)的數(shù)據(jù)分析、機(jī)組健康狀態(tài)與控制的相互影響、整機(jī)的健康狀態(tài)評(píng)價(jià)及預(yù)測(cè)等方面提出未來(lái)可研究的要點(diǎn)。

風(fēng)電機(jī)組；健康狀態(tài)；監(jiān)測(cè)數(shù)據(jù)；運(yùn)維成本

0 引言

隨著我國(guó)風(fēng)電機(jī)組裝機(jī)容量的迅猛增長(zhǎng)，占全球總裝機(jī)容量比例逐年增加，單機(jī)容量為兆瓦級(jí)的大型風(fēng)力發(fā)電機(jī)組及上百兆瓦的風(fēng)電場(chǎng)正得到迅速發(fā)展[1]。我國(guó)陸上的風(fēng)電場(chǎng)主要分布在風(fēng)資源較為豐富的西北高原和華北平原地區(qū)，受風(fēng)速隨機(jī)波動(dòng)大的影響，風(fēng)電機(jī)組的運(yùn)行工況頻繁變化，加之長(zhǎng)期遭受極端溫度、降雨、積雪、鹽霧以及復(fù)雜多變載荷沖擊等因素的影響[2]，造成其健康狀態(tài)不斷變差，最終導(dǎo)致故障發(fā)生。采用合理的方法進(jìn)行風(fēng)電機(jī)組健康狀態(tài)評(píng)價(jià)不僅可以在故障發(fā)生前進(jìn)行預(yù)警，維持機(jī)組長(zhǎng)期穩(wěn)定運(yùn)行，而且可以合理分配功率，減少運(yùn)維成本，這對(duì)于提高風(fēng)力發(fā)電的經(jīng)濟(jì)效益及市場(chǎng)競(jìng)爭(zhēng)力有著重要意義[3]。德國(guó)實(shí)施的子項(xiàng)“250 MW風(fēng)能”的研究計(jì)劃，該計(jì)劃對(duì)超過(guò)1500臺(tái)安裝在不同地區(qū)的風(fēng)電機(jī)組進(jìn)行監(jiān)測(cè)[4]，并得到了各子系統(tǒng)的故障率，如圖1所示。

從圖1中可以看出，風(fēng)電機(jī)組故障主要發(fā)生在其電氣系統(tǒng)，故障發(fā)生率高達(dá)23%。主要原因是由于過(guò)流、過(guò)熱、振動(dòng)等導(dǎo)致的電容或功率半導(dǎo)體器件失效。其次是主控系統(tǒng)，故障發(fā)生率為18%，故障發(fā)生率最低的部件為傳動(dòng)鏈，僅有2%。若能及時(shí)對(duì)風(fēng)電機(jī)組健康狀態(tài)進(jìn)行監(jiān)測(cè)，則可在故障發(fā)生之前進(jìn)行預(yù)警，有效地降低故障發(fā)生率。圖2為因各子系統(tǒng)故障導(dǎo)致的停機(jī)時(shí)間，其中齒輪箱作為風(fēng)電機(jī)組重要的子系統(tǒng)，其故障導(dǎo)致的停機(jī)時(shí)間最久，會(huì)產(chǎn)生較大的經(jīng)濟(jì)損失。

圖1 風(fēng)力機(jī)各子系統(tǒng)故障率

圖2 各子系統(tǒng)故障導(dǎo)致的停機(jī)時(shí)間

對(duì)機(jī)組進(jìn)行健康狀態(tài)評(píng)價(jià)可以在減少運(yùn)維成本的同時(shí)增強(qiáng)風(fēng)電場(chǎng)管理。由于大多數(shù)風(fēng)電場(chǎng)通常位于較為偏遠(yuǎn)的地區(qū)或海上，對(duì)機(jī)組進(jìn)行定期維護(hù)不僅較為困難，而且會(huì)增加運(yùn)維成本。據(jù)美國(guó)國(guó)家可再生能源實(shí)驗(yàn)室(national renewable energy laboratory, NREL)估計(jì)，一臺(tái)陸上的風(fēng)電機(jī)組其一年運(yùn)維成本約為1.7萬(wàn)美元，海上風(fēng)電機(jī)組的運(yùn)維成本則高達(dá)4.6萬(wàn)美元[5]。對(duì)風(fēng)電機(jī)組健康狀態(tài)進(jìn)行評(píng)價(jià)有利于其狀態(tài)監(jiān)測(cè)系統(tǒng)(condition monitoring system, CMS)及時(shí)提供各子系統(tǒng)的健康狀態(tài)，確保維護(hù)工作的順利進(jìn)行[6]。NREL指出對(duì)于一個(gè)500 MW的海上風(fēng)電場(chǎng)，僅僅通過(guò)減少由于天氣原因?qū)е碌木S護(hù)人員未能及時(shí)維護(hù)風(fēng)機(jī)每年就可以節(jié)省2000多萬(wàn)美元的運(yùn)維成本[7]。風(fēng)電場(chǎng)管理主要包括對(duì)風(fēng)電場(chǎng)功率進(jìn)行合理分配及對(duì)風(fēng)電機(jī)組進(jìn)行實(shí)時(shí)控制等[8]。目前，已有學(xué)者將機(jī)組健康狀態(tài)評(píng)價(jià)與風(fēng)電場(chǎng)功率分配相結(jié)合展開研究。例如，文獻(xiàn)[9]在考慮機(jī)組健康狀態(tài)的前提下以機(jī)組啟停次數(shù)最少、風(fēng)電場(chǎng)輸出功率與電網(wǎng)調(diào)度中心功率指令偏差最小及風(fēng)電機(jī)組健康指數(shù)總和最小為目標(biāo)，建立目標(biāo)函數(shù)進(jìn)行優(yōu)化。仿真結(jié)果表明，與傳統(tǒng)的功率分配策略相比，考慮機(jī)組健康狀態(tài)時(shí)的功率分配策略在保證合理分配功率的同時(shí)減少了機(jī)組的啟停次數(shù)及運(yùn)維成本。文獻(xiàn)[10]依據(jù)健康狀態(tài)評(píng)價(jià)結(jié)果將風(fēng)電場(chǎng)內(nèi)風(fēng)電機(jī)組的工作模式分為正常模式和降功率模式，考慮尾流效應(yīng)的影響，以風(fēng)電場(chǎng)輸出功率最大、機(jī)組疲勞載荷最小為目標(biāo)進(jìn)行優(yōu)化，在實(shí)現(xiàn)風(fēng)電場(chǎng)風(fēng)能充分利用的同時(shí)延長(zhǎng)了機(jī)組使用壽命。

本文基于目前國(guó)內(nèi)外風(fēng)電機(jī)組健康狀態(tài)評(píng)價(jià)的研究現(xiàn)狀，從機(jī)組健康狀態(tài)評(píng)價(jià)方法、評(píng)價(jià)指標(biāo)選取和數(shù)據(jù)獲取等方面進(jìn)行歸納總結(jié)，對(duì)比分析了各類方法的優(yōu)缺點(diǎn)及其工程應(yīng)用難度，并對(duì)未來(lái)的研究方向和研究熱點(diǎn)進(jìn)行展望。

1 風(fēng)力發(fā)電系統(tǒng)的基本結(jié)構(gòu)

圖3為永磁同步風(fēng)力發(fā)電系統(tǒng)結(jié)構(gòu)圖。永磁同步風(fēng)力發(fā)電系統(tǒng)主要包括風(fēng)力機(jī)、傳動(dòng)鏈、發(fā)電機(jī)、變流器和濾波電路等[11]。

圖3 永磁同步風(fēng)力發(fā)電系統(tǒng)結(jié)構(gòu)圖

風(fēng)電機(jī)組機(jī)側(cè)的控制目標(biāo)主要是在額定風(fēng)速以下的最大風(fēng)能跟蹤，在額定風(fēng)速以上的恒功率控制。網(wǎng)側(cè)的主要控制目標(biāo)則是維持直流母線電壓恒定，主要采用單位功率因數(shù)控制。然而，機(jī)組運(yùn)行工況的變化、控制策略的頻繁切換、所承受載荷的復(fù)雜多變[12]和各部件疲勞的累積都有可能導(dǎo)致其健康狀態(tài)的劣化，從而對(duì)機(jī)組的穩(wěn)定運(yùn)行產(chǎn)生不利影響。因此，采用合理策略對(duì)機(jī)組進(jìn)行健康狀態(tài)評(píng)價(jià)是十分有必要的。

2 風(fēng)力機(jī)健康狀態(tài)評(píng)價(jià)的主要方法

目前，國(guó)內(nèi)外的學(xué)者對(duì)于風(fēng)電機(jī)組健康狀態(tài)評(píng)價(jià)這一課題進(jìn)行了深入研究。其主要策略可分為基于模型的健康狀態(tài)評(píng)價(jià)和基于數(shù)據(jù)驅(qū)動(dòng)的健康狀態(tài)評(píng)價(jià)?；谀Ｐ偷慕】禒顟B(tài)評(píng)價(jià)策略主要是通過(guò)對(duì)風(fēng)電機(jī)組的子系統(tǒng)(如：葉片、塔架、齒輪箱等)建立與健康狀態(tài)相關(guān)的模型，依據(jù)模型進(jìn)行狀態(tài)評(píng)價(jià)。基于數(shù)據(jù)驅(qū)動(dòng)的健康狀態(tài)評(píng)價(jià)則是通過(guò)對(duì)風(fēng)電機(jī)組的歷史數(shù)據(jù)或?qū)崟r(shí)數(shù)據(jù)進(jìn)行挖掘，采用智能算法或建立評(píng)價(jià)模型對(duì)機(jī)組健康狀態(tài)進(jìn)行評(píng)價(jià)。

2.1 基于模型的健康狀態(tài)評(píng)價(jià)

由于風(fēng)電機(jī)組各子系統(tǒng)的運(yùn)行機(jī)理不同，判斷其健康狀態(tài)的依據(jù)也不同。例如，葉片及塔架的健康狀態(tài)主要與其疲勞載荷和累積損傷有關(guān)；疲勞累積會(huì)導(dǎo)致葉片出現(xiàn)裂紋進(jìn)而引起性能退化，國(guó)內(nèi)外常采用基于聲發(fā)射信號(hào)[13-14](acoustic emission, AE)的方法評(píng)價(jià)葉片疲勞程度。齒輪箱、主軸、發(fā)電機(jī)除了可以依據(jù)振動(dòng)信號(hào)進(jìn)行健康狀態(tài)監(jiān)測(cè)外，還可以依據(jù)其溫度特征量對(duì)健康狀態(tài)進(jìn)行分析。文獻(xiàn)[15]指出在風(fēng)力發(fā)電領(lǐng)域，疲勞損傷是評(píng)估風(fēng)力發(fā)電機(jī)組健康狀況使用最廣泛的指標(biāo)，IEC 61400-1標(biāo)準(zhǔn)[16]也推薦使用疲勞損傷指標(biāo)。受風(fēng)切變、塔影效應(yīng)、湍流等因素的影響，風(fēng)力機(jī)葉片承受著交變載荷，一定程度上加劇了葉片的顫振及疲勞損傷，由于疲勞損傷一般不能直接測(cè)量，目前常用雨流計(jì)數(shù)[17]與Miner準(zhǔn)則相結(jié)合的方法計(jì)算葉片的疲勞累積。文獻(xiàn)[18]基于片條理論分析了風(fēng)電機(jī)組葉片載荷的分布，并依據(jù)Miner準(zhǔn)則提出了一種葉片安全壽命估計(jì)方法。文獻(xiàn)[19]對(duì)限功率控制下的葉片疲勞程度進(jìn)行研究，依據(jù)葉素-動(dòng)量理論建立葉片氣動(dòng)載荷模型，并采用雨流計(jì)數(shù)法、Goodman經(jīng)驗(yàn)公式、Miner準(zhǔn)則建立槳葉疲勞載荷模型，分析了葉片的健康狀態(tài)，通過(guò)三維數(shù)據(jù)擬合法得到了疲勞損傷模型，并依據(jù)該模型對(duì)風(fēng)電機(jī)組葉片的健康狀態(tài)進(jìn)行評(píng)估。文獻(xiàn)[20]對(duì)塔架建立了有限元模型，結(jié)合風(fēng)玫瑰圖、風(fēng)速Weibull分布曲線確定了塔架的載荷分布情況，并根據(jù)S-N曲線進(jìn)行疲勞分析，以便確定機(jī)組健康狀態(tài)及預(yù)測(cè)其使用壽命。文獻(xiàn)[21]以海上風(fēng)電機(jī)組為研究對(duì)象，研究了其塔架上的隨機(jī)風(fēng)載荷及波浪載荷分布，并分析了變幅載荷譜下塔架的疲勞損傷，預(yù)測(cè)了疲勞壽命。

風(fēng)電機(jī)組齒輪箱、主軸、發(fā)電機(jī)的健康程度還可以通過(guò)其溫度變化來(lái)判斷，目前該方法已集成在機(jī)組的控制系統(tǒng)中[22]。也有一部分學(xué)者依據(jù)該方法展開理論研究，例如，文獻(xiàn)[23]通過(guò)對(duì)齒輪箱潤(rùn)滑系統(tǒng)的熱力學(xué)過(guò)程進(jìn)行分析，建立了齒輪箱的熱平衡模型，對(duì)比機(jī)組在實(shí)際狀態(tài)與在健康狀態(tài)時(shí)油溫曲線的差異來(lái)反映其健康程度。文獻(xiàn)[24]建立了風(fēng)電機(jī)組的狀態(tài)辨識(shí)模型，考慮到各變量之間存在強(qiáng)相關(guān)性與耦合性，利用偏最小二乘法分析發(fā)電機(jī)軸承溫度并計(jì)算各相關(guān)變量的投影重要性指標(biāo)，確定各相關(guān)變量對(duì)發(fā)電機(jī)軸承溫度的影響權(quán)重，進(jìn)而反映其運(yùn)行狀態(tài)。文獻(xiàn)[25]針對(duì)齒輪箱、軸承的振動(dòng)信號(hào)進(jìn)行分析，提出了一種非線性狀態(tài)估計(jì)模型(nonlinear state estimation model, NSEM)，該模型通過(guò)對(duì)正常狀態(tài)下的數(shù)據(jù)進(jìn)行記憶，將實(shí)際數(shù)據(jù)與記憶數(shù)據(jù)對(duì)比后判斷齒輪箱的健康狀態(tài)。

2.2 基于數(shù)據(jù)驅(qū)動(dòng)的健康狀態(tài)評(píng)價(jià)

由于每臺(tái)風(fēng)電機(jī)組均裝配有監(jiān)視控制和數(shù)據(jù)采集系統(tǒng)(supervisory control and data acquisition, SCADA)[26]，SCADA系統(tǒng)可以獲取風(fēng)電機(jī)組的實(shí)時(shí)運(yùn)行數(shù)據(jù)，國(guó)內(nèi)外已有大量基于SCADA數(shù)據(jù)對(duì)風(fēng)電機(jī)組健康狀態(tài)監(jiān)測(cè)的研究。研究方法主要包括：推理模型法[27-29]、機(jī)器學(xué)習(xí)法[30-35]、信號(hào)時(shí)頻域分析法[37-42]、概率分布與統(tǒng)計(jì)分析法[43-49]、功率曲線法[54-58]等。

1) 基于推理模型的健康狀態(tài)評(píng)價(jià)

在各種狀態(tài)評(píng)價(jià)方法中，模糊綜合評(píng)價(jià)因其具有不過(guò)多依賴先驗(yàn)數(shù)據(jù)的優(yōu)點(diǎn)，更適合對(duì)運(yùn)行于復(fù)雜環(huán)境及工況的風(fēng)電機(jī)組進(jìn)行狀態(tài)評(píng)價(jià)。文獻(xiàn)[26-29]均采用層次分析法(analytic hierarchy process, AHP)將評(píng)價(jià)指標(biāo)體系分為：目標(biāo)層、對(duì)象層、指標(biāo)層。考慮到各子系統(tǒng)的權(quán)重不易選取，采用變權(quán)理論確定其權(quán)重，在引入劣化度指標(biāo)及變權(quán)理論后，逐層進(jìn)行模糊推理，并得到最終的評(píng)價(jià)結(jié)果。文獻(xiàn)[26]將機(jī)組故障程度、維護(hù)時(shí)間、維修費(fèi)用作為AHP的目標(biāo)層對(duì)機(jī)組健康狀態(tài)進(jìn)行評(píng)價(jià)，更有效地提高了經(jīng)濟(jì)效益。文獻(xiàn)[27]考慮了特征量的變化趨勢(shì)，對(duì)發(fā)電機(jī)轉(zhuǎn)速及齒輪箱油溫的變化趨勢(shì)進(jìn)行預(yù)測(cè)。由于考慮了特征量的變化趨勢(shì)，因此其健康狀態(tài)評(píng)價(jià)策略更為合理，但其缺點(diǎn)在于模糊評(píng)價(jià)在隸屬度函數(shù)選取時(shí)存在較強(qiáng)的主觀性，為克服該缺點(diǎn)，文獻(xiàn)[28-29]分別提出了基于云模型的健康狀態(tài)評(píng)價(jià)法和基于物元證據(jù)理論的健康狀態(tài)評(píng)價(jià)法。然而，云模型理論目前尚不完善，缺乏完整的理論體系，物元證據(jù)理論的缺點(diǎn)在于要求辨別元素互斥，實(shí)際系統(tǒng)中難以滿足要求。圖4為基于模糊評(píng)價(jià)的健康狀態(tài)評(píng)價(jià)策略流程圖。

圖4 模糊評(píng)價(jià)流程圖

2) 基于機(jī)器學(xué)習(xí)的健康狀態(tài)評(píng)價(jià)

機(jī)器學(xué)習(xí)是當(dāng)前健康狀態(tài)評(píng)價(jià)方法的另一個(gè)重要分支，其技術(shù)主要有：支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、關(guān)聯(lián)規(guī)則算法、決策樹和隨機(jī)森林算法等[30]。文獻(xiàn)[31]提出了基于卷積神經(jīng)網(wǎng)絡(luò)(convolutio-nalNeural networks, CNN)與門控循環(huán)單元(gate-d recurrent unit, GRU)時(shí)空融合的狀態(tài)監(jiān)測(cè)方法，利用CNN與GRU構(gòu)建深度學(xué)習(xí)模型，在提取并融合SCADA系統(tǒng)中的時(shí)空特征后對(duì)模型進(jìn)行訓(xùn)練，依據(jù)實(shí)際數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的殘差來(lái)識(shí)別風(fēng)電機(jī)組健康狀態(tài)。該方法雖能識(shí)別出機(jī)組的健康狀態(tài)，但僅依據(jù)殘差判斷風(fēng)電機(jī)組健康狀態(tài)缺乏準(zhǔn)確性。文獻(xiàn)[32-34]提出選取能反映風(fēng)電機(jī)組健康狀態(tài)的數(shù)據(jù)作為長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory, LSTM)模型的輸入，通過(guò)對(duì)模型進(jìn)行訓(xùn)練從而實(shí)現(xiàn)風(fēng)電機(jī)組健康狀態(tài)的預(yù)測(cè)。相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，LSTM因其具有長(zhǎng)時(shí)的記憶功能而有效避免了梯度爆炸和梯度消失的缺點(diǎn)[35]，但是其計(jì)算量較大，復(fù)雜度較高，且難以并行運(yùn)算。文獻(xiàn)[36]首先采用主成分分析法對(duì)SCADA數(shù)據(jù)進(jìn)行降維，并對(duì)降維后的數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則挖掘，得到數(shù)據(jù)間的相關(guān)性，依據(jù)降維后的數(shù)據(jù)訓(xùn)練健康狀態(tài)預(yù)測(cè)模型，對(duì)比了Bagging、旋轉(zhuǎn)森林、隨機(jī)森林、RIPPER、k-NN等5種數(shù)據(jù)挖掘算法所生成的預(yù)測(cè)模型對(duì)風(fēng)電機(jī)組健康狀態(tài)預(yù)測(cè)的效果，其中隨機(jī)森林算法預(yù)測(cè)的精度最高。文獻(xiàn)[37]提出了一種將支持向量回歸(support vector regression, SVR)模型和SCADA系統(tǒng)相結(jié)合的在線評(píng)估方案。該方案雖能提高系統(tǒng)魯棒性，但SVR的缺點(diǎn)在于當(dāng)樣本數(shù)量較多時(shí)需耗費(fèi)大量的運(yùn)算時(shí)間，此方法并不適用于多變量的風(fēng)力發(fā)電系統(tǒng)。文獻(xiàn)[38]提出了一種核密度估計(jì)的風(fēng)電機(jī)組健康指數(shù)計(jì)算方法，依據(jù)機(jī)組的相對(duì)健康指數(shù)來(lái)反映其健康狀態(tài)。文獻(xiàn)[39]考慮到風(fēng)電機(jī)組運(yùn)行工況的變化，提出了一種基于工況辨識(shí)的機(jī)組健康狀態(tài)評(píng)價(jià)方法，在各運(yùn)行工況的子空間分別建立高斯混合模型，采用健康衰退指數(shù)來(lái)評(píng)價(jià)機(jī)組的健康衰退度，有效避免了嚴(yán)重故障的發(fā)生。

3) 基于信號(hào)時(shí)、頻域分析的健康狀態(tài)評(píng)價(jià)

在風(fēng)電機(jī)組運(yùn)行過(guò)程中，其健康狀態(tài)的改變會(huì)導(dǎo)致監(jiān)測(cè)特征量幅值、頻率、相位的改變。因此，可以通過(guò)信號(hào)處理的方法對(duì)監(jiān)測(cè)特征量信號(hào)進(jìn)行分析?；谛盘?hào)處理的方法(例如：譜分析法、小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解等)提取信號(hào)中時(shí)域和頻域等故障特征量，依據(jù)方差、幅值、相位和頻率的變化程度來(lái)確定機(jī)組健康狀態(tài)。文獻(xiàn)[40-42]采用小波分解的方法對(duì)機(jī)組齒輪箱及軸承健康狀態(tài)進(jìn)行評(píng)價(jià)。基于小波分解的健康狀態(tài)評(píng)價(jià)法雖一定程度上可以反映其健康狀態(tài)，但是其分析結(jié)果太依賴基函數(shù)的選取。文獻(xiàn)[40]對(duì)傳統(tǒng)的小波分解法進(jìn)行改進(jìn)，提出了一種將小波包分解和并行隱馬爾科夫模型相結(jié)合的狀態(tài)評(píng)價(jià)策略。該模型能很好地反映機(jī)組軸承狀態(tài)，相比傳統(tǒng)小波分解，小波包分解的方法能同時(shí)實(shí)現(xiàn)高頻和低頻信號(hào)解耦，提高分辨率。文獻(xiàn)[41]研究了一種新的基于小波變換的葉片狀態(tài)監(jiān)測(cè)方法，該方法利用了多個(gè)相鄰傳感器測(cè)量的葉片振動(dòng)信號(hào)，能夠?qū)崿F(xiàn)葉片損傷的監(jiān)測(cè)與定位，且僅對(duì)葉片損傷引起的退化有響應(yīng)，一定程度上減少了葉片表面積雪誤報(bào)。文獻(xiàn)[42]提出了一種小波能量傳遞率的方法對(duì)機(jī)組齒輪箱健康狀態(tài)進(jìn)行監(jiān)測(cè)，該方法可用于非平穩(wěn)運(yùn)行條件下的狀態(tài)監(jiān)測(cè)。文獻(xiàn)[43]采用希爾伯特變換與經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, EMD)法來(lái)檢測(cè)齒輪箱中齒輪的缺陷，相較于小波變換，其優(yōu)點(diǎn)在于自適應(yīng)能力較強(qiáng)，且能有效地處理非平穩(wěn)信號(hào)。但是利用EMD分析數(shù)據(jù)時(shí)會(huì)產(chǎn)生IMF模態(tài)混疊[44]，文獻(xiàn)[45]對(duì)EMD法進(jìn)行改進(jìn)，提出了集合經(jīng)驗(yàn)?zāi)B(tài)法(ensemble empirical mode decomposition, EEMD)，有效地消除了模態(tài)混疊現(xiàn)象。文獻(xiàn)[46]分別應(yīng)用偽Wigner-Vill Distribution及小波變換對(duì)齒輪箱健康狀態(tài)進(jìn)行分析，提高了機(jī)組健康狀態(tài)評(píng)價(jià)的準(zhǔn)確性。

4) 基于概率分布與統(tǒng)計(jì)分析的健康狀態(tài)評(píng)價(jià)

基于概率分布與統(tǒng)計(jì)分析的健康狀態(tài)評(píng)價(jià)主要是對(duì)風(fēng)電機(jī)組歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，從而確定機(jī)組的健康狀態(tài)。目前，國(guó)內(nèi)外常用的方法主要有貝葉斯理論法[47]、高斯模型法[48]、馬爾可夫模型法、多元統(tǒng)計(jì)分析法[49]等。其中，多元統(tǒng)計(jì)分析法是依據(jù)過(guò)程變量的歷史數(shù)據(jù)，將多變量高維樣本空間投影至相對(duì)獨(dú)立的低維子空間，并計(jì)算出可以反映空間變化的統(tǒng)計(jì)量指標(biāo)以檢測(cè)設(shè)備有無(wú)故障。文獻(xiàn)[47]基于SCADA數(shù)據(jù)提出了貝葉斯模型用以識(shí)別風(fēng)電機(jī)組健康狀態(tài)，并分別采用Bin法、Coupla法、多元正態(tài)分布法對(duì)所提模型的有效性進(jìn)行驗(yàn)證。其優(yōu)點(diǎn)在于準(zhǔn)確度高，可以對(duì)結(jié)果的可能性進(jìn)行量化評(píng)價(jià)，但貝葉斯網(wǎng)絡(luò)的建立需要依賴專家經(jīng)驗(yàn)。文獻(xiàn)[48]研究了一種基于高斯過(guò)程(Gaussian process, GP)的狀態(tài)監(jiān)測(cè)算法，并將其與binning方法進(jìn)行對(duì)比，驗(yàn)證了GP在檢測(cè)偏航不對(duì)準(zhǔn)相關(guān)的異常性能方面的有效性。文獻(xiàn)[49-51]均考慮了SCADA數(shù)據(jù)具有非線性、高維的特點(diǎn)，采用主成分分析法(principal component analysis, PCA)對(duì)數(shù)據(jù)實(shí)現(xiàn)了降維，從而有效地提高了模型訓(xùn)練的效率。文獻(xiàn)[52]采用擴(kuò)散映射的方法來(lái)實(shí)現(xiàn)數(shù)據(jù)的降維，并在此基礎(chǔ)上構(gòu)建了健康指標(biāo)置信度，通過(guò)聚類分析嵌入特征，實(shí)現(xiàn)了健康狀態(tài)的可視化。

5) 基于功率曲線的健康狀態(tài)評(píng)價(jià)

除以上各種方法外，還可依據(jù)風(fēng)電機(jī)組的功率曲線[53-59]對(duì)機(jī)組進(jìn)行健康評(píng)估及狀態(tài)監(jiān)測(cè)。例如文獻(xiàn)[53]考慮了功率的不確定度，提出了一種基于相關(guān)向量機(jī)的概率功率曲線模型，該模型能很好地反映出功率的均值及置信區(qū)間，并對(duì)因偏航故障、風(fēng)速波動(dòng)及葉片覆冰等因素導(dǎo)致的功率異常狀態(tài)進(jìn)行監(jiān)測(cè)。文獻(xiàn)[54]提出了一種Hings模型，能夠在幾個(gè)代表性的點(diǎn)上表征觀測(cè)功率曲線中包含的最重要的信息。在機(jī)組健康時(shí)對(duì)該模型進(jìn)行觀測(cè)，并依據(jù)機(jī)組實(shí)際的觀測(cè)結(jié)果與健康時(shí)該模型觀測(cè)結(jié)果的偏差來(lái)判斷機(jī)組的健康狀態(tài)。文獻(xiàn)[55]針對(duì)傳統(tǒng)功率曲線建模不準(zhǔn)確的問(wèn)題，采用自組織核回歸(auto associative kernel regression, AAKR)的方法建立了功率曲線模型，有效地提高了建模精度[55]。文獻(xiàn)[56]根據(jù)SCADA歷史數(shù)據(jù)集，應(yīng)用粒子群優(yōu)化(particle swarm optimization, PSO)算法對(duì)最小二乘支持向量機(jī)模型參數(shù)進(jìn)行尋優(yōu)，構(gòu)造風(fēng)電機(jī)組參考功率曲線，并引入多元統(tǒng)計(jì)中的Hotellin-g T2控制圖監(jiān)測(cè)風(fēng)電機(jī)組的狀態(tài)[57]。文獻(xiàn)[58]考慮了葉片覆冰對(duì)功率模型的影響，建立了葉片覆冰時(shí)的數(shù)值功率模型，并利用該模型評(píng)估了2 h葉片覆冰狀況對(duì)1.5 MW風(fēng)力發(fā)電機(jī)輸出功率的影響，相較于傳統(tǒng)功率模型，該模型由于考慮了極端情況，其適用性更強(qiáng)。

3 評(píng)價(jià)數(shù)據(jù)獲取及健康評(píng)價(jià)指標(biāo)選取

3.1 健康狀態(tài)評(píng)價(jià)數(shù)據(jù)獲取及在線監(jiān)測(cè)系統(tǒng)

按照數(shù)據(jù)類型可以將風(fēng)電機(jī)組的監(jiān)測(cè)數(shù)據(jù)分為運(yùn)行數(shù)據(jù)和狀態(tài)數(shù)據(jù)[58]。運(yùn)行數(shù)據(jù)主要包括功率、風(fēng)速、轉(zhuǎn)速等參數(shù)。狀態(tài)數(shù)據(jù)可通過(guò)查閱對(duì)應(yīng)的狀態(tài)碼手冊(cè)獲取，一臺(tái)大型風(fēng)電機(jī)組可產(chǎn)生400個(gè)狀態(tài)碼，主要用來(lái)描述機(jī)組實(shí)際運(yùn)行狀態(tài)。例如，新疆金風(fēng)科技股份有限公司的狀態(tài)碼手冊(cè)中規(guī)定，狀態(tài)碼0表示系統(tǒng)正常運(yùn)行，狀態(tài)碼5表示風(fēng)電機(jī)組機(jī)艙振動(dòng)，狀態(tài)碼7表示風(fēng)電機(jī)組需要維護(hù)等。目前，風(fēng)電機(jī)組均集成了SCADA數(shù)據(jù)系統(tǒng)及狀態(tài)監(jiān)測(cè)系統(tǒng)(condition monitoring system, CMS)，風(fēng)力機(jī)的數(shù)據(jù)大多是從SCADA及CMS中獲取。除此之外，相關(guān)風(fēng)力發(fā)電企業(yè)有特有的數(shù)據(jù)獲取平臺(tái)及在線監(jiān)測(cè)系統(tǒng)，比如瑞典某企業(yè)研究出的IMX-W在線監(jiān)測(cè)體系、新西蘭某企業(yè)研究出的Turning point在線監(jiān)測(cè)體系等[59]。

3.2 健康狀態(tài)評(píng)價(jià)指標(biāo)的選取

1) 劣化度

文獻(xiàn)[26-28]在進(jìn)行機(jī)組健康狀態(tài)評(píng)價(jià)時(shí)均采用劣化度指標(biāo)。該指標(biāo)反映了機(jī)組當(dāng)前實(shí)際狀態(tài)的劣化程度，一定程度上可以反映機(jī)組的健康狀態(tài)。按照不同的指標(biāo)要求，可將SCADA系統(tǒng)采集到的數(shù)據(jù)分為越小越優(yōu)型和中間型。

越小越優(yōu)型劣化度指標(biāo)為

式中：()為指標(biāo)的劣化度；為指標(biāo)的實(shí)際值；[,]為風(fēng)電機(jī)組正常時(shí)該指標(biāo)的范圍。

越小越優(yōu)型指標(biāo)包括：齒輪箱油溫、齒輪箱軸承溫度、變槳軸承溫度、發(fā)電機(jī)繞組溫度、機(jī)艙控制柜溫度等。

中間型劣化度指標(biāo)為

中間型指標(biāo)包括：偏航角度、轉(zhuǎn)速、功率、電網(wǎng)頻率、機(jī)場(chǎng)振動(dòng)加速度、環(huán)境溫度等。

從式(1)和式(2)中可以看到，劣化度指標(biāo)范圍為[0,1]。當(dāng)機(jī)組劣化度為0時(shí)，表示其健康狀態(tài)良好。當(dāng)機(jī)組劣化度為1時(shí)，表示其健康狀態(tài)差。采用劣化度作為機(jī)組健康狀態(tài)評(píng)價(jià)指標(biāo)的優(yōu)點(diǎn)在于計(jì)算較為簡(jiǎn)便，在得到機(jī)組數(shù)據(jù)時(shí)可以實(shí)時(shí)計(jì)算出其對(duì)應(yīng)指標(biāo)劣化度。缺點(diǎn)在于劣化過(guò)程具有漸變特性，不僅要考慮其在某一時(shí)刻的值還需考慮其變化趨勢(shì)，才能更好地反映機(jī)組的健康狀態(tài)。

2) 健康衰退指數(shù)

除了劣化度指標(biāo)外，文獻(xiàn)[20, 32]定義了機(jī)組的健康衰退指數(shù)(health degradation index, HDI)。

3) 與距離相關(guān)的指標(biāo)

另一種判斷機(jī)組健康狀態(tài)的方法是依據(jù)實(shí)際模型輸出偏離理想健康模型輸出的程度來(lái)判斷機(jī)組健康程度。常用到與距離相關(guān)的指標(biāo)，主要包括：殘差、馬哈諾比斯距離[61-62]和歐式距離[63-64]等。

(1) 殘差

在數(shù)理統(tǒng)計(jì)中，殘差是指實(shí)際值與估計(jì)值之間的偏差，常用來(lái)表示估計(jì)值偏離實(shí)際值的程度。文獻(xiàn)[34]采用LSTM模型對(duì)風(fēng)電機(jī)組輸出功率進(jìn)行預(yù)測(cè)，并根據(jù)其與實(shí)際值的殘差評(píng)價(jià)機(jī)組健康狀態(tài)。文獻(xiàn)[45]、文獻(xiàn)[60]也均采用該指標(biāo)來(lái)判斷機(jī)組健康狀態(tài)。雖然采用殘差作為評(píng)價(jià)指標(biāo)，一定程度上可以反映機(jī)組健康狀態(tài)，但僅依據(jù)殘差，缺乏評(píng)價(jià)的準(zhǔn)確性。

(2) 馬哈諾比斯距離

文獻(xiàn)[61]與文獻(xiàn)[62]均采用馬哈諾比斯距離作為機(jī)組健康狀態(tài)的判斷依據(jù)。其中，文獻(xiàn)[61]建立了BILSTM模型及GMM模型，并提出了一種基于風(fēng)電機(jī)組多種運(yùn)行狀態(tài)的健康評(píng)價(jià)方法，依據(jù)評(píng)估數(shù)據(jù)的殘差和基準(zhǔn)GMM模型之間的馬哈諾比斯距離來(lái)判斷機(jī)組的健康狀態(tài)。文獻(xiàn)[62]采用健康狀態(tài)風(fēng)電機(jī)組SCADA系統(tǒng)采集到的歷史數(shù)據(jù)，并建立了馬哈諾比斯空間作為參考空間，通過(guò)將訓(xùn)練模型預(yù)測(cè)的風(fēng)電機(jī)組性能與參考空間進(jìn)行比較來(lái)判斷機(jī)組的狀態(tài)，式(7)為馬哈諾比斯距離的定義式。

相較于殘差，馬哈諾比斯距離考慮了各特征量之間的聯(lián)系，在不受特征量量綱影響的同時(shí)，獨(dú)立于測(cè)量尺度。但由于需要計(jì)算協(xié)方差陣，所以其計(jì)算復(fù)雜度更高，并且有可能會(huì)出現(xiàn)協(xié)方差陣不存在的情況。

(3) 歐氏距離

文獻(xiàn)[63]通過(guò)數(shù)據(jù)擬合建立風(fēng)電機(jī)組運(yùn)行狀態(tài)模型；以風(fēng)電機(jī)組正常運(yùn)行狀態(tài)模型為參照標(biāo)準(zhǔn)，將狀態(tài)模型曲線與標(biāo)準(zhǔn)模型曲線歐式距離作為健康狀態(tài)的評(píng)價(jià)指標(biāo)。文獻(xiàn)[64]考慮了SCADA數(shù)據(jù)的相關(guān)性，并在不同運(yùn)行工況下對(duì)機(jī)組健康狀態(tài)進(jìn)行定量評(píng)估，所采用評(píng)價(jià)指標(biāo)為歐氏距離，反映的是風(fēng)電機(jī)組即時(shí)運(yùn)行狀態(tài)偏離正常狀態(tài)的程度，具體體現(xiàn)為兩曲線和橫坐標(biāo)軸所圍成面積的差值與風(fēng)速差值之商。其定義為

式中：為風(fēng)電機(jī)組正常運(yùn)行時(shí)通過(guò)SCADA系統(tǒng)，依據(jù)最小二乘法擬合出的風(fēng)速與功率關(guān)系的系數(shù)；為擬合的最高階次；及分別為時(shí)刻滑動(dòng)窗口中最大和最小風(fēng)速。

表1與表2分別對(duì)風(fēng)電機(jī)組健康狀態(tài)評(píng)價(jià)方法與性能指標(biāo)進(jìn)行了對(duì)比。

表1 風(fēng)電機(jī)組健康狀態(tài)評(píng)價(jià)方法對(duì)比

表2 健康評(píng)價(jià)指標(biāo)選取

4 結(jié)論

隨著風(fēng)力發(fā)電的大規(guī)模并網(wǎng)，風(fēng)電機(jī)組的運(yùn)行狀態(tài)及健康狀態(tài)得到了越來(lái)越多的關(guān)注[65]。采用合理的方法對(duì)風(fēng)電機(jī)組的健康狀態(tài)進(jìn)行評(píng)價(jià)對(duì)保證機(jī)組穩(wěn)定運(yùn)行有著重要的意義[66]。本文通過(guò)對(duì)國(guó)內(nèi)外風(fēng)電機(jī)組的健康狀態(tài)評(píng)價(jià)方法及評(píng)價(jià)指標(biāo)進(jìn)行綜述，對(duì)比了不同方法及指標(biāo)的特點(diǎn)。針對(duì)現(xiàn)有的評(píng)價(jià)方法中存在的不足，提出以下研究要點(diǎn)：

1) 監(jiān)測(cè)數(shù)據(jù)的分析及研究

對(duì)于風(fēng)電機(jī)組的健康狀態(tài)評(píng)價(jià)大多是通過(guò)對(duì)SCADA、CMS數(shù)據(jù)進(jìn)行挖掘，采用機(jī)器學(xué)習(xí)算法或智能評(píng)價(jià)模型進(jìn)行評(píng)價(jià)。由于SCADA及CMS數(shù)據(jù)存在非線性、強(qiáng)相關(guān)、高維度等特點(diǎn)，如何利用這種相關(guān)性對(duì)運(yùn)行數(shù)據(jù)進(jìn)行降維，剔除無(wú)用數(shù)據(jù)或?qū)C(jī)組健康狀態(tài)影響極小的數(shù)據(jù)，在不影響評(píng)價(jià)結(jié)果的同時(shí)減少訓(xùn)練模型的輸入數(shù)據(jù)維數(shù)是值得研究的。其次，由于SCADA及CMS的采樣間隔不一致，導(dǎo)致數(shù)據(jù)具有不同的時(shí)間尺度，如何統(tǒng)一其時(shí)間尺度也值得研究。同時(shí)，SCADA數(shù)據(jù)具有大數(shù)據(jù)的特性，特征難以提取，不利于對(duì)機(jī)組健康狀態(tài)進(jìn)行分析，可以采用數(shù)據(jù)融合的思想或利用基于因果關(guān)系的小數(shù)據(jù)分析對(duì)其健康狀態(tài)進(jìn)行評(píng)價(jià)。

2) 將健康狀態(tài)評(píng)價(jià)與機(jī)組控制相結(jié)合的研究

當(dāng)前基于機(jī)組健康狀態(tài)評(píng)價(jià)的研究主要包括：依據(jù)評(píng)價(jià)結(jié)果進(jìn)行風(fēng)電場(chǎng)功率分配；依據(jù)評(píng)價(jià)結(jié)果進(jìn)行機(jī)組使用壽命預(yù)測(cè)；依據(jù)評(píng)價(jià)結(jié)果在發(fā)生故障前進(jìn)行報(bào)警等。然而，機(jī)組的健康狀態(tài)一定程度上與其控制策略相關(guān)，控制策略不當(dāng)會(huì)引起機(jī)組運(yùn)行狀態(tài)的惡化。例如，頻繁的變槳會(huì)加劇執(zhí)行機(jī)構(gòu)的疲勞；在機(jī)組進(jìn)行最大風(fēng)能跟蹤控制時(shí)，由于轉(zhuǎn)速的不斷調(diào)整，有可能引起風(fēng)力機(jī)與發(fā)電機(jī)轉(zhuǎn)矩的不平衡，進(jìn)而引起傳動(dòng)鏈的振動(dòng)，影響其健康狀態(tài)；頻繁地切換控制策略或是在控制策略切換時(shí)的不平滑等也會(huì)引起載荷的波動(dòng)，進(jìn)而影響機(jī)組健康狀態(tài)。如何依據(jù)機(jī)組的健康狀態(tài)實(shí)時(shí)調(diào)整控制策略，進(jìn)而改善其健康狀態(tài)，即所謂的健康意識(shí)控制是值得研究的內(nèi)容。同時(shí)，如何在機(jī)組健康狀態(tài)逐步變差但未達(dá)到“故障”狀態(tài)時(shí)進(jìn)行避錯(cuò)控制，在機(jī)組評(píng)價(jià)結(jié)果已然是“故障”狀態(tài)時(shí)如何進(jìn)行容錯(cuò)控制，使其能達(dá)到等同于健康時(shí)的效果也是值得研究的內(nèi)容。

3) 對(duì)整機(jī)健康狀態(tài)評(píng)價(jià)及預(yù)測(cè)結(jié)合的研究

值得注意的是，在對(duì)風(fēng)電機(jī)組健康狀態(tài)進(jìn)行評(píng)價(jià)時(shí)不僅僅應(yīng)該注意當(dāng)前的評(píng)價(jià)結(jié)果，更應(yīng)注重對(duì)其健康狀態(tài)變化的預(yù)測(cè)?？紤]到風(fēng)電系統(tǒng)子系統(tǒng)之間存在較強(qiáng)的耦合，電氣系統(tǒng)健康狀態(tài)的變差或出現(xiàn)故障會(huì)對(duì)其機(jī)械系統(tǒng)產(chǎn)生影響。例如，發(fā)電機(jī)出現(xiàn)繞組匝間短路或相間短路時(shí)，會(huì)引起電磁轉(zhuǎn)矩的脈動(dòng)，進(jìn)而有可能引發(fā)其傳動(dòng)系統(tǒng)的振動(dòng)。那么，能否不依賴SCADA數(shù)據(jù)，通過(guò)分析子系統(tǒng)間的耦合關(guān)系，建立起整機(jī)的健康評(píng)價(jià)模型，或者依據(jù)各子系統(tǒng)的健康狀態(tài)模型及其相關(guān)性，賦予其動(dòng)態(tài)權(quán)重進(jìn)而得到整機(jī)的健康狀態(tài)評(píng)價(jià)模型也是亟需進(jìn)一步研究的內(nèi)容。

[1] 李輝, 胡姚剛, 唐顯虎, 等. 并網(wǎng)風(fēng)電機(jī)組在線運(yùn)行狀態(tài)評(píng)估方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2010, 30(33): 103-109.

LI Hui, HU Yaogang, TANG Xianhu, et al. Method for on-line operating conditions assessment for a grid-connected wind turbine generator system[J]. Proceedings of the CSEE, 2010, 30(33): 103-109.

[2] 胡姚剛, 劉懷盛, 時(shí)萍萍, 等. 風(fēng)電機(jī)組偏航系統(tǒng)故障診斷與壽命預(yù)測(cè)綜述[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2022, 42(13): 4871-4883.

HU Yaogang, LIU Huaisheng, SHI Pingping, et al. Overview of fault diagnosis and life prediction for wind turbine yaw system[J]. Proceedings of the CSEE, 2022, 42(13): 4871-4883.

[3] 王雙園. 風(fēng)力機(jī)健康狀態(tài)監(jiān)測(cè)及評(píng)估關(guān)鍵技術(shù)研究[D]. 上海: 上海交通大學(xué), 2017.

WANG Shuangyuan. Research on methods of health monitoring and assessment for wind turbine[D]. Shanghai: Shanghai Jiaotong University, 2017.

[4] 龍霞飛, 楊蘋, 郭紅霞, 等. 大型風(fēng)力發(fā)電機(jī)組故障診斷方法綜述[J]. 電網(wǎng)技術(shù), 2017, 41(11): 3480-3491.

LONG Xiafei, YANG Ping, GUO Hongxia, et al. Review of fault diagnosis methods for large wind turbines[J]. Power System Technology, 2017, 41(11): 3480-3491.

[5] TEGEN S, LANTZ E, HAND M, et al. 2011 cost of wind energy review[R]. National Renewable Energy Laboratory, 2013.

[6] WYMORE M L, VAN DAM J E, CEYLAN H, et al. A survey of health monitoring systems for wind turbines. Renewable and Sustainable Energy Reviews, 2015, 52: 976-990.

[7] MAPLES B, SAUR G, HAND M, et al. Installation, operation, and maintenance strategies to reduce the cost of offshore wind energy[R]. National Renewable Energy Laboratory, 2013.

[8] 董玉亮, 李亞瓊, 曹海斌, 等. 基于運(yùn)行工況辨識(shí)的風(fēng)電機(jī)組健康狀態(tài)實(shí)時(shí)評(píng)價(jià)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(11): 88-95, 15.

DONG Yuliang, LI Yaqiong, CAO Haibin, et al. Real-time health condition evaluation on wind turbines based on operational condition recognition[J]. Proceedings of the CSEE, 2013, 33 (11): 88-95, 15.

[9] 肖運(yùn)啟. 基于風(fēng)電機(jī)群健康狀態(tài)優(yōu)化的風(fēng)電場(chǎng)功率調(diào)度控制[J]. 太陽(yáng)能學(xué)報(bào), 2017, 38(7): 1935-1942.

XIAO Yunqi. Wind farm power control strategy based on operating wind turbine health condition optimization[J]. Acta Energiae Solaris Sinica, 2017, 38(7): 1935-1942.

[10] QIAN P, MA X, ZHANG D, et al. Data-driven condition monitoring approaches to improving power output of wind turbines[J]. IEEE Transactions on Industrial Electronics, 2019, 66(8): 6012-6020.

[11] DO M H, S?FFKER D. State-of-the-art in integrated prognostics and health management control for utility-scale wind turbines[J]. Renewable and Sustainable Energy Reviews, 2021, 145.

[12] 鄭小霞, 李美娜, 王靖, 等. 基于PSO優(yōu)化核主元分析的海上風(fēng)電機(jī)組運(yùn)行工況分類[J]. 電力系統(tǒng)保護(hù)與控制, 2016, 44(16): 28-35.

ZHENG Xiaoxia, LI Meina, WANG Jing, et al. Operational conditions classification of offshore wind turbines based on kernel principal analysis optimized by PSO[J]. Power System Protection and Control, 2016, 44(16): 28-35.

[13] MATSUISHI M, ENDO T. Fatigue of metals subjected to varying stress[J]. Japan Society of Mechanical Engineers; 1968, 68: 37-40.

[14] 李德源, 葉枝全, 陳嚴(yán), 等. 風(fēng)力機(jī)玻璃鋼葉片疲勞壽命分析[J]. 太陽(yáng)能學(xué)報(bào), 2004, 25(5): 592-598.

LI Deyuan, YE Zhiquan, CHEN Yan, et al. Fatigue life analysis of the glass reinforced plastic blade of horizontal axis wind turbine[J]. Acta Energiae Solaris Sinica, 2004, 25(5): 592-598.

[15] 許帥, 霍志紅, 許昌, 等. 限功率控制下風(fēng)電機(jī)組葉片疲勞損傷研究[J]. 太陽(yáng)能學(xué)報(bào), 2020, 41(1): 282-289.

XU Shuai, HUO Zhihong, XU Chang, et al. Study on fatigue damage of wind turbine blade under power curtailment control condition[J]. Acta Energiae Solaris Sinica, 2020, 41(1): 282-289.

[16] Wind turbines part 1: design requirements: IEC. IEC 61400-1[S]. International Electrotechnical Commission, 2015: 32-46.

[17] 白雪, 何敏娟, 馬人樂(lè), 等. 風(fēng)力發(fā)電塔預(yù)埋塔筒基礎(chǔ)健康監(jiān)測(cè)[J]. 太陽(yáng)能學(xué)報(bào), 2017, 38(7): 1979-1986.

BAI Xue, HE Minjuan, MA Renle, et al. Structural health monitoring of an onshore wind turbine foundation with inserted ring[J]. Acta Energiae Solaris Sinica, 2017, 38(7): 1979-1986.

[18] 劉勝祥, 李德源, 黃小華. 風(fēng)波聯(lián)合作用下的風(fēng)力機(jī)塔架疲勞特性分析[J]. 太陽(yáng)能學(xué)報(bào), 2009, 30(10): 1250-1256.

LIU Shengxiang, LI Deyuan, HUANG Xiaohua. Fatiguecharacteristic analysis of wind turbine tower under combined action of wind and wave[J]. Acta Energiae Solaris Sinica, 2009, 30(10): 1250-1256.

[19] DHANOLA A, GARG H C. Tribological challenges and advancements in wind turbine bearings: a review[J]. Engineering Failure Analysis, 2020, 118.

[20] 孫娟. 基于模型的風(fēng)電齒輪箱故障檢測(cè)[D]. 南京: 南京理工大學(xué), 2015.

SUN Juan. Wind turbine gearbox fault detection based on model[D]. Nanjing: Nanjing University of Technology, 2015.

[21] 王兆光. 風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)建模方法研究[D]. 北京:華北電力大學(xué), 2018.

WANG Zhaoguang. Research on modeling method of condition monitoring of wind turbine[D]. Beijing: North China Electric Power University, 2018.

[22] 蔣金. 風(fēng)電機(jī)傳動(dòng)系統(tǒng)振動(dòng)故障的智能診斷方法研究[D]. 北京: 華北電力大學(xué), 2015.

JIANG Jin. Research on intelligent diagnosis method of vibration fault of wind turbine drive system[D]. Beijing: North China Electric Power University, 2015.

[23] PEI Y, QIAN Z, TAO S, et al. Wind turbine condition monitoring using SCADA data and data mining method[C] // 2018 International Conference on Power SystemTechnology (POWERCON), 2018: 3760-3764.

[24] LIU Z, YANG B, WANG X, et al. Acoustic emission analysis for wind turbine blade bearing fault detection under time-varying low-speed and heavy blade load conditions[J]. IEEE Transactions on Industry Applications, 2021, 57(3): 2791-2800.

[25] LIU Z, WANG X, ZHANG L. Fault diagnosis of industrial wind turbine blade bearing using acoustic emission analysis[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(9): 6630-6639.

[26] JIN X, XU Z, QIAO W. Condition monitoring of wind turbine generators using SCADA data analysis[J]. IEEE Transactions on Sustainable Energy, 2021, 12(1): 202-210.

[27] 肖運(yùn)啟, 王昆朋, 賀貫舉, 等. 基于趨勢(shì)預(yù)測(cè)的大型風(fēng)電機(jī)組運(yùn)行狀態(tài)模糊綜合評(píng)價(jià)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2014, 34(13): 2132-2139.

XIAO Yunqi, WANG Kunpeng, HE Guanju, et al. Fuzzy comprehensive evaluation for operating condition of large-scale wind turbines based on trend predication[J]. Proceedings of the CSEE, 2014, 34(13): 2132-2139.

[28] 董興輝, 張?chǎng)雾? 鄭凱, 等. 基于組合賦權(quán)和云模型的風(fēng)電機(jī)組健康狀態(tài)評(píng)估[J]. 太陽(yáng)能學(xué)報(bào), 2018, 39(8):2139-2146.

DONG Xinghui, ZHANG Xinmiao, ZHENG Kai, et al. Health status assessment of wind turbine based on combination weighting and cloud model[J]. Acta Energiae Solaris Sinica, 2018, 39(8): 2139-2146.

[29] 李輝, 胡姚剛, 楊超, 等. 并網(wǎng)風(fēng)電機(jī)組運(yùn)行狀態(tài)的物元評(píng)估方法[J]. 電力系統(tǒng)自動(dòng)化, 2011, 35(6): 81-85.

LI Hui, HU Yaogang, YANG Chao, et al. A matter-element assessment method of a grid-connected wind turbine driven generator system under on-line operating conditions[J]. Automation of Electric Power Systems, 2011, 35(6): 81-85.

[30] 曾紀(jì)鈞, 溫柏堅(jiān), 梁哲恒. 基于深度學(xué)習(xí)的安全帽識(shí)別算法研究與模型訓(xùn)練[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(21): 107-112.

ZENG Jijun, WEN Baijian, LIANG Zheheng. Research and model training of helmet recognition algorithm based on deep learning[J]. Power System Protection and Control, 2021, 49(21): 107-112.

[31] KONG Ziqian, TANG Baoping, DENG Lei, et al. Condition monitoring of wind turbines based on spatiotemporal fusion of SCADA data by convolutional neural networks and gated recurrent units[J]. Renewable Energy, 2020, 146: 760-768.

[32] ZHOU Y, WANG J, ZHENG H. The health status prediction of the wind turbine based on the anomaly analysis and the LSTM prediction[C] // 2020 3rd International Conference on Advanced Electronic Materials, Computers and Software Engineering (AEMCSE), 2020: 666-671.

[33] 劉軍, 汪繼勇. 基于風(fēng)電機(jī)組健康狀態(tài)的風(fēng)電場(chǎng)功率分配研究[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(20): 106-113.

LIU Jun, WANG Jiyong. Research on wind farm power distribution based on wind turbine health[J]. Power System Protection and Control, 2020, 48(20): 106-113.

[34] CHEN Hansi, LIU Hang, CHU Xuening, et al. Anomaly detection and critical SCADA parameters identification for wind turbines based on LSTM-AE neural network[J]. Renewable Energy, 2021, 172: 829-840.

[35] 彭華, 王文超, 朱永利, 等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)集電線路單相接地智能測(cè)距[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(16): 60-66.

PENG Hua, WANG Wenchao, ZHU Yongli, et al. An intelligent single-phase grounding fault location for a wind farm collection line based on an LSTM neural network[J]. Power System Protection and Control, 2021, 49(16): 60-66.

[36] KUSIAK A, VERMA A. Prediction of status patterns of wind turbines: a data-mining approach[J]. Journal of Solar Energy Engineering, 2011, 133: 165-175.

[37] 梁穎, 方瑞明. 基于SCADA和支持向量回歸的風(fēng)電機(jī)組狀態(tài)在線評(píng)估方法[J]. 電力系統(tǒng)自動(dòng)化, 2013, 37(14): 7-12, 31.

LIANG Ying, FANG Ruiming. An online wind turbine condition assessment method based on SCADA and support vector regression[J]. Automation of Electric Power Systems, 2013, 37(14): 7-12, 31.

[38] LIU X, SHI K, YU H, et al. Relative health index of wind turbines based on kernel density estimation[C] // IECON 2017 - 43rd Annual Conference of the IEEE Industrial Electronics Society, October 29-November 1, 2017, Beijing, China: 5957-5961.

[39] 楊洪富, 賈曉亮, 任壽偉. 基于數(shù)據(jù)驅(qū)動(dòng)的航空發(fā)動(dòng)機(jī)故障診斷與預(yù)測(cè)方法綜述[J]. 航空精密制造技術(shù), 2016, 52(5): 6-9.

YANG Hongfu, JIA Xiaoliang, REN Shouwei. Review of data-driven aeroengine fault diagnosis and prognosis methods[J]. Aviation Precision Manufacturing Technology, 2016, 52(5): 6-9.

[40] 鄭小霞, 李美娜. 基于小波包和并行隱馬爾科夫的風(fēng)力機(jī)易損部件健康狀態(tài)評(píng)價(jià)[J]. 太陽(yáng)能學(xué)報(bào), 2019, 40(2): 370-379.

ZHENG Xiaoxia, LI Meina. Health state evaluation based on wavelet packet and PCHMM for vulnerable components of wind turbines[J]. Acta Energiae Solaris Sinica, 2019, 40(2): 370-379.

[41] YANG Wenxian, LANG Ziqiang, TIAN Wenye. Condition monitoring and damage location of wind turbine blades by frequency response transmissibility analysis[J]. IEEE Transactions on Industrial Electronics, 2015, 62(10): 6558-6564.

[42] ZHANG Long, LANG Ziqiang. Wavelet energy transmissibility function and its application to wind turbine bearing condition monitoring[J]. IEEE Transactions on Sustainable Energy, 2018, 9(4): 1833-1843.

[43] KIDAR T, THOMAS M, ELBADAOUI M, et al. Application of time descriptors to the modified Hilbert transform of empirical mode decomposition for early detection of gear defects[C] // Condition Monitoring of Machinery in Non-Stationary Operations, 2012, Springer: 471-479.

[44] 楊茂, 張羅賓. 基于數(shù)據(jù)驅(qū)動(dòng)的超短期風(fēng)電功率預(yù)測(cè)綜述[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(13): 171-186.

YANG Mao, ZHANG Luobin. Review on ultra-short term windpower forecasting based on data-driven approach[J]. Power System Protection and Control, 2019, 47(13): 171-186.

[45] 王興貴, 張文蓮, 薛晟. 基于EEMD的MMC串聯(lián)結(jié)構(gòu)微電網(wǎng)微源動(dòng)態(tài)冗余控制策略[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(22): 34-42.

WANG Xinggui, ZHANG Wenlian, XUE Sheng. A micro-source dynamic redundancy control strategy based on EEMD for MMC series micro grid[J]. Power System Protection and Control, 2021, 49(22): 34-42.

[46] CLIMENTE A V, ANTONINO D J A, RIERA G M, et al. Application of the Wigner-Ville distribution for the detection of rotor asymmetries and eccentricity through high-order harmonics[J]. Electric Power Systems Research, 2012, 91(9): 28-36.

[47] SONG Zhe, ZHANG Zijun, JIANG Yu, et al. Wind turbine health state monitoring based on a Bayesian data-driven approach[J]. Renewable Energy, 2018, 125: 172-181.

[48] PANDIT R K, INFIELD D. SCADA-based wind turbine anomaly detection using Gaussian process models for wind turbine condition monitoring purposes[J]. IET Renewable Power Generation, 2018, 12(11): 1249-1255.

[49] 曾軍, 陳艷峰, 楊蘋, 等. 大型風(fēng)力發(fā)電機(jī)組故障診斷綜述[J]. 電網(wǎng)技術(shù), 2018, 42(3): 849-860.

ZENG Jun, CHEN Yanfeng, YANG Ping, et al. Review of fault diagnosis methods of large-scale wind turbines[J]. Power System Technology, 2018, 42(3): 849-860.

[50] XIE T, WANG T. An ECT-PCA-based fault detection method for winding asymmetry of marine current turbine generator[C] // 2021 IEEE 10th Data Driven Control and Learning Systems Conference (DDCLS), May 14-16, 2021, Suzhou, China: 1350-1355.

[51] WANG Y, MA X, QIAN P. Wind turbine fault detection and identification through PCA-based optimal variable selection[J]. IEEE Transactions on Sustainable Energy, 2018, 9(4): 1627-1635.

[52] REZAMAND M, KORDESTANI M, CARRIVEAU R, et al. A new hybrid fault detection method for wind turbine blades using recursive PCA and wavelet-based PDF[J]. IEEE Sensors Journal, 2020, 20(4): 2023-2033.

[53] 張方紅, 荊博, 錢政, 等. 基于相關(guān)向量機(jī)的風(fēng)電機(jī)組功率曲線建模與監(jiān)測(cè)[J]. 船舶工程, 2020, 42(增刊2): 171-174, 191.

ZHANG Fanghong, JING Bo, QIAN Zheng, et al. Probabilistic wind turbine power curve modelling and monitoring based on relevance vector machine[J]. Ship Engineering, 2020, 42(S2): 171-174, 191.

[54] DE ANDRADE VIEIRA R J, SANZ-BOBI M A, KATO S. Wind turbine condition assessment based on changes observed in its power curve[C] // IEEE 2013 International Conference on Renewable Energy Research and Applications (ICRERA), October 20-23, 2013, Madrid, Spain: 31-36.

[55] 褚景春, 郭鵬, 解加盈. 自組織核回歸風(fēng)電機(jī)組功率曲線建模與應(yīng)用研究[J]. 太陽(yáng)能學(xué)報(bào), 2021, 42(7): 372-377.

CHU Jingchun, GUO Peng, XIE Jiaying. Wind turbine power curve modeling and application based on AKKR method[J]. Acta Energiae Solaris Sinica, 2021, 42(7): 372-377.

[56] 梁濤, 張迎娟. 基于風(fēng)電機(jī)組功率曲線的故障監(jiān)測(cè)方法研究[J]. 可再生能源, 2018, 36(2): 302-308.

LIANG Tao, ZHANG Yingjuan. Monitoring of wind turbine faults based on wind turbine power curve[J]. Renewable Energy Resources, 2018, 36(2): 302-308.

[57] 李雄英, 黃時(shí)文, 王斌會(huì). 穩(wěn)健Hotelling T2控制圖的構(gòu)建及其比較[J]. 統(tǒng)計(jì)與決策, 2021, 37(10): 155-159.

LI Xiongying, HUANG Shiwen, WANG Binhui. Construction and comparison of robust Hotelling T2 control charts[J]. Statistics & Decision, 2021, 37(10): 155-159.

[58] HILDEBRANDT S, SUN Qiao. Evaluation of operational strategies on wind turbine power production during short icing events[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2021, 219.

[59] BARALDI P, DI MAIO F, TURATI P, et al. Robust signal reconstruction for condition monitoring of industrial components via a modified Auto Associative Kernel Regression method[J]. Mechanical Systems and Signal Processing, 2015, 60-61: 29-44.

[60] 楊明洙. 風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)的研究與進(jìn)展[J]. 中小企業(yè)管理與科技(中旬刊), 2015(4): 220.

[61] GUO Xiaoli, ZHAO Ying, ZHAO Yang. Research on condition monitoring of wind turbines data visualization based on random forest[C] // 2016 International Conference on Smart Grid and Clean Energy Technologies (ICSGCE), October 19-22, 2016, Chengdu, China: 166-170.

[62] LIANG Tao, MENG Zhaochao, XIE Gaofeng, et al. Multi-running state health assessment of wind turbines drive system based on BiLSTM and GMM[J]. IEEE Access, 2020, 8: 143042-143054.

[63] JIN Xiaohang, XU Zhuangwei, QIAO Wei. Condition monitoring of wind turbine generators using SCADA data analysis[J]. IEEE Transactions onSustainableEnergy, 2021, 12(1): 202-210.

[64] 萬(wàn)恒正. 基于SCADA數(shù)據(jù)關(guān)系的大型直驅(qū)式風(fēng)電機(jī)組健康狀態(tài)識(shí)別與預(yù)警[D]. 湘潭: 湖南科技大學(xué), 2018.

WAN Hengzheng. Identification and early warning of health status of large direct-drive wind turbine based on SCADA data relation[D]. Xiangtan: Hunan University of Science and Technology, 2018.

[65] 陳雪峰, 李繼猛, 程航, 等. 風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)的研究與進(jìn)展[J]. 機(jī)械工程學(xué)報(bào), 2011, 47(9): 45-52.

CHEN Xuefeng, LI Jimeng, CHENG Hang, et al. Research and application of condition monitoring and fault diagnosis technology in wind turbines[J]. Journal of Mechanical Engineering, 2011, 47(9): 45-52.

[66] 周飛航. 永磁同步風(fēng)能轉(zhuǎn)換系統(tǒng)振動(dòng)抑制及魯棒控制研究[D]. 西安: 西安理工大學(xué), 2020.

ZHOU Feihang. Research on vibration suppression and robust control of permanent magnet synchronous wind energy conversion system[D]. Xi'an: Xi'an University of Technology, 2020.

Review of health status evaluation of large wind turbines

LIU Jun, AN Bairen, ZHANG Weibo, GAN Qianyu

(College of Automation, Xi’an University of Technology, Xi’an 710048, China)

Having a good evaluation of the health status of wind turbines is of great significance for distributing wind farm power, reducing operational and maintenance costs and prolonging the service life of wind turbines. With the growth of installed capacity, health status evaluation has attracted extensive attention. There is a complexity of health status evaluation methods, and this may be the reason that there are few summaries of wind turbine health status evaluation methods. Therefore, based on existing research results, this paper combs the literature to assess the current situation of wind turbine health status evaluation. First, this paper introduces the methods, classifies the existing methods, and analyzes their advantages and disadvantages. Second, it introduces a data source of wind turbine health status evaluation and the indicators describing its health degree. Finally, it puts forward the key points for future feasibility study from the aspects of data analysis of health status evaluation, the interaction between unit health status and control, and the health status evaluation and prediction of the whole machine.

wind turbine; health status; monitoring data; operation and maintenance cost

10.19783/j.cnki.pspc.220373

陜西省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目資助(2021GY-106); 陜西省教育廳科研項(xiàng)目資助(JK725)

This work is supported by the Key Research and Development Projects of Shaanxi Province (No. 2021GY-106).

2022-03-21；

2022-06-24

劉 軍(1963—)，男，教授，博士生導(dǎo)師，研究方向?yàn)轱L(fēng)力發(fā)電、智能控制與電力拖動(dòng)等；E-mail: liujun0301@ sina.com

安柏任(1993—)，男，通信作者，博士，研究方向?yàn)榇笮惋L(fēng)力機(jī)健康狀態(tài)評(píng)價(jià)、故障診斷等；E-mail: 2541398198@ qq.com

張維博(1997—)，男，碩士，研究方向?yàn)轱L(fēng)電場(chǎng)功率分配。E-mail: zhangwb0228@163.com

(編輯 魏小麗)