试述风力发电系统传感器故障诊断

潘涛

摘 要：随着我国煤炭资源的不断减少，合理选择新能源就显得尤为重要。而利用风能进行发电，不仅可以有效的降低煤炭的使用量，还能减少空气污染。随着风力发电系统的运行，一些系统故障也逐渐显露出来，而且故障的种类和位置也日益复杂，导致风力发电系统出现故障却难以查明，进而造成停机，给风电场造成严重的经济损失，本文主要对风力发电中传感器故障进行分析。

关键词：风力发电系统；传感器；故障诊断

1 前言

在风力发电系统中，传感器是其中的一种基本元件，主要负责风力发电系统的各项数据的采集，并将采集到的数据传送至主控系统，主控系统经过分析和处理后，再发出相应的控制指令。其功能作用决定了传感器的种类繁多，同时安装的位置相对特殊，而且容易发生故障，如果利用传统的人工定期检修很难发现故障的位置以及原因，因此在风力发电系统中实时传感器故障诊断尤为必要。

2 风力发电机的结构与原理

风力发电机组中的风力机分为水平轴以及垂直轴风力机两种，本文主要就水平轴风力发电机进行讨论。在水平轴风力发电机中，又分为两种，分别是上风风机和下风风机，就目前来说风力发电一般采用上风风机，在风力发电机组中主要的器件有五个：①风车部分，主要由叶轮、刹车以及变桨装置和轮毅组成；②支撑部分，是由转子轴承、主轴承、联轴器、变速箱（齿轮箱）、联轴器等组成；③风向控制，风向控制主要是由偏航系统控制；④塔架和基础；⑤发电机、电力输出控制系统及并网系统。风力发电的主要原料就是利用风的流动性产生的动能推动风力机的叶片转动，从而将风的动能转化为风力机转轴的动能，进而通过风力机的转轴转动带动变速箱主动，进而使得发电机发电。随着风速和风向的变化，风力发电极不是很稳定，同时可能会产生振动，形成故障进而造成停机。因此，对风力发电机组进行监控和故障诊断是十分重要的，本文主要对风力发电机振动的测试方法以及控制技術进行了研究。

3 风力发电系统传感器故障诊断

现在风力发电体系的故障诊断的方法主要有：依赖解析模型的方法、不依赖模型的方法等，依赖解析模型的方法中的观测器法是比较广泛，其基本思想是根据体系的输入与可测输出的设计状态观测器，发生一个输出差错作为残差，用来判别体系是否出现故障，并现已获得一系列效果。

3.1 依赖解析模型的方法

根据对模型的非线性体系故障进行诊断的方法主要有两种：一是线性化的方法，二是对非线性模型的方法。由于这些方法根本都是针对某一特定的非线性体系，因而算法的通用性不强，算法并不是很完善。

3.1.1 观测器方法

在观测器方面的研究中，最早的研究是建立一个全阶观测器，该观测器的增益矩阵可以通过在线进行调整的结构残差序列未知的随时间变化的参数或缓慢变化的漂移故障的残差序列的影响进行补偿。为了简化设计，可以利用降阶观测器替代全阶观测器，但是降阶观测器只能用于突变故障。Bastin等人提出了一种简单的自适应观测器的设计可应用于非线性系统，他们将一些非线性系统的特性作为未知参数，通过对未知参数进行在线辨识，未知干扰设计、参数时变和不精确的模型可以通过参数辨识的体现。

3.1.2 滤波器法

和观测器法相比，滤波器法的计算量是比较大的，它是要求不高的模型，采用扩展卡尔曼滤波算法能够对残余结构等进行直接的估计，但是鲁棒性的模型失配和初始值通常是已知的，噪声的统计特性也是已知的。如果噪声的统计特性是未知的，将产生残差，这种算法渐变型故障不敏感。

3.2 不依赖模型的方法

目前的控制系统越来越复杂，由于现实中对控制系统要建立精准的解析数学模型难度较大，并且在存在建模误差时，将会出现误报、漏报现象。因此具有不需要对象精确模型且具有良好适应性的不依赖于模型的故障诊断方法越来越受人们的重视。

3.2.1 模糊推理的诊断方法

模糊诊断不需要诊断对象的精确数学模型，主要是利用隶属函数以及模糊规则进行模糊诊断。在进行故障诊断的过程中，故障的征兆具有一定的模糊性，一旦存在多个故障点，那么故障和征兆之间的关系就变得十分的模糊，利用模糊语言集合能够更准确地反映故障和征兆之间的关系。

3.2.2 小波分析

小波分析主要就是用于分析和处理非平稳的信号。小波分析的方法与神经网络的方法比较类似，对系统的要求不是很高。主要就是结合了传统硬件冗余以及冗余两种方法的优点。小波分析是将信号进行叠加，形成的一系列小波函数。它根据局部函数所构成的小波基，具有许多特殊的性质以及优点。小波分析具有良好的时域和频域局部化特性。小波函数具有自动缩放和平移功能，可以有效分解测量信号和噪声信号，并提取有效信息，而阈值和小波分解的层数的选取是小波分析的重要一步。用小波分析的方法对信号进行分析时，所用窗口的大小发生改变，但窗口的形状能够进行改动，即能够改动窗口和频率。小波分析是一种时域局部化的分析方法，它在低频和低时间的分辨率下具有较高的频率分辨率，在高频部分具有较低的频率分辨率和高的时间分辨率。

3.2.3 神经网络法

神经网络法主要由神经元组成，所组成的网络结构具有较强非线性映射能力，信息常处于神经元权重范围内，以此增强网络鲁棒性。其中，反向传输算法又是这一算法的别称，即神经网络有序性以及稳定性借助权重有序调节来实现，其中权重分布又可以通过误差函数数值来改变，以此完成适当输出任务。此外，隐含层、输入层和输出层是基本层数构成，这三层又代表了正向传播方向，神经元间互相影响，一旦出现输出结果不符合预期时，此时应适当调整信号传播程序，在此期间，不断缩小误差函数值，确保信息全面提取工作顺利进行。要想提高网络高效性，应有效处理输入样本，此时具体训练方法流程为： 样本对（ 包含输入和输出信息） 正常提交于网络，接下来进行网络有效性训练，以此促使网络神经元合理分配，提高阈值和权值准确性，当网络输入样本所得的输出结果接近于既定输出结果时，则证明网络训练过程能够顺利进行，在这一过程中，训练算法指的是网络权值有效调整以及合理修正的基本规则。

3.2.4 专家系统法

专家诊断法经历了二代的发展，第一代专家故障诊断方法是基于浅知识的，而第二代则是基于深知识的。不论是哪一代专家故障诊断方法，均是通过对传感器知识的系统提取，在计算机里整理成故障规则库，然后总结现场专家的个人的经验进行推断，进行故障诊断。

4 结束语

风电动力是世界上发展最快的可再生动力能源，已经成为处理世界能源问题不行或缺的重要力量。风力发电设备一般建在高山或远离海岸的偏远地域，气候变化不能进行预测，在这样高度恶劣、杂乱的工作环境中，传感器、执行器发生故障时有发生，再加上风力发电系统本身是一个非线性、多变量、强耦合的体系，当参数出现不确定时，体系的控制将会愈加的复杂。为此有必要对风力发电体系进行实时的故障诊断，采用有效的容错控制进行对系统的可靠性进行保障。

参考文献：

[1] 王炳炬.基于信息熵的传感器故障诊断方法研究[D].华北电力大学（北京），2016.

[2] 王建.无线传感器网络节点模块级故障诊断方法研究[D].重庆大学，2016.

[3] 刘巍.液位系统的传感器设计与故障诊断及容错控制研究[D].中国计量大学，2016.

[4] 吴会祥.质量传感器故障诊断技术研究[D].安徽理工大学，2016.

[5] 汤宝平，邓兵，邓蕾，颜丙生.无线传感器网络多级融合的机械故障诊断方法[J].振动.测试与诊断，2016（3601）：92～96+199～200.