基于远程诊断平台的风力发电机组故障预警技术研究

2020-12-09王非，马雁

中国金属通报 2020年22期

王非，马雁

（1.国家电投集团河南电力有限公司技术信息中心，河南郑州 450000；2.郑州电力高等专科学校电力工程学院，河南郑州 450000）

近年来，随着风电机组容量不断增加、规模不断扩大，对机组安全、可靠、经济运行的要求日益提高。传统的监测方式已经无法满足“风电场群集中控制，少人值守，无人值班”管理新模式，严重制约风电企业经济运营能力提升。以管控一体化的思想作为主线，建立风电机组远程预警平台，实现风电机组海量信息的远程化、精细化、自动化处理，实现精确的远程监测和故障预警。

1 基于人工智能的趋势预警技术

趋势预警是对电厂、设备、生产过程的一种状态监视和预测技术。与传统以阈值报警为技术路线的预警诊断技术相比，该技术能够在渐变性故障发生之前，劣化趋势达到一定程度前给出早期预警，提供充足的时间窗口，安排必要的行动计划。该技术能够在各种运行工况下持续监视所有设备和生产流程，可用于监视负荷变化工况和机组启停工况，并能在到达临界点之前发现那些蠕变的缺陷。趋势预警核心技术是以神经元网络为基础加上人工智能算法、深度学习算法的机器学习技术，建立模型并进行必要的历史数据学习和训练。在投运后该模型就可以自动分析计算出设备在当前工况下的正常运行区间，只要当前实际运行数据超出了这个正常运行区间系统就会自动产生报警。能够及早发现监视设备的潜在故障，从而尽早进行分析处理，确定必要的运行或者检修措施，从而尽可能地减少损失，防止非停事故的发生。

如图1 所示，基于远程诊断的报警不再只是在绝对限值被超过时才产生，而是大大提前，只要当测量值偏离了正常运行值时候就被及时产生。

2 远程诊断平台体系结构

远程诊断平台由电厂侧和诊断中心侧组成，按照功能架构分为四层：数据采集层、数据存储层、业务处理层、信息展示层。主要功能由多个业务子系统完成：远程诊断决策支持系统、集中预警处理系统、核心诊断系统、辅助诊断系统。

系统功能架构如图2 所示，整个系统包括数据采集层、数据存储层、业务处理层和信息展示层。

3 风电远程诊断平台数据汇总与分级展示

通过风场、风机、设备部件等预警视图自上而下，辅助运行人员迅速发现预警密集的“重灾区”，并逐层定位至运行异常的设备，及时采取有效措施。具体包括：在地图上展示各风场的实时预警密度，可视化呈现各风场的预警严重程度；可通过地图进入具体的风场，显示总体预警趋势、预警处理情况，以及各风机的预警排名；可钻取进入具体的风机视图，通过图表直观展示本风机各模型的预警分布、预警严重级别、变化趋势；可进入具体的设备模型，监测实时数据，分析设备运行情况、劣化趋势。

4 风电机组设备故障诊断模型的搭建

4.1 平台建模方法

该平台诊断模型对应设备级，用户可以利用平台提供的模型生成和配置工具对需要进行监测诊断的设备或工艺过程进行建模，选取影响该设备或工艺过程主要性能的一些相关联测点，组成该模型下的测点集合，同时选择合适的监控模式。

4.2 模型及故障预警类别

根据风电机组故障模式建立相应设备模型，主要内容包括：基于振动信号，建立风电机组传动系统故障诊断模型，实现监测主风电机组的传动链(主轴、齿轮箱、发电机)上各轴、轴承、齿轮的运行状态，能够发现轴承、齿轮箱及发电机故障的早期征兆，精确定位故障部件、故障类型以及严重程度；基于叶片应变信号，建立风电机组叶片故障诊断模型，实现监测叶片早期结构损伤；基于风电机组润滑油检测分析，建立风电机组润滑油系统故障诊断模型，实现对油液水分、颗粒度、粘度等参数实时监测；基于发电机定转子电流信号，建立风电机组发电机故障诊断模型，实现在线监测发电机定转子电流，并采用谐波分析等方法评估发电机当前的运行状态。

4.3 建立多源信息融合的故障智能诊断知识库

通过对风机的重要部件（叶轮、齿轮箱、发电机、机舱、塔筒等）进行监测和分析，根据对应的机器故障机理特性将机器故障划分为转子类、轴承类、齿轮类、电气故障类等具体故障。充分利用成熟的故障机理信息建立征兆到故障之间的多维映射关系，通过产生式规则、决策树、专家推理等技术实现计算机自动的诊断与推理，提供初始的诊断结果与意见。