风力发电机组故障诊断与预测技术研究综述

2022-07-02许春福

能源与环境 2022年3期

许春福

（福建晋江天然气发电有限公司福建晋江 362251）

随着我国社会的不断向前发展，各种资源面临短缺，人们对于可再生性清洁资源的使用重视程度越来越高。风力发电是实现将可再生性风能资源有效转化成电力资源，为社会提供更加优质和充足的电能，推动整个社会快速向前发展。在风力发电过程中需要使用到大量的风力发电机组，由于风力发电机组的系统构成相对比较复杂，在工作过程中转子叶片的转速会随着外部风速的变化而做出相应的调整。在一些强阵风的作用条件下，风电机组的叶片受到外力作用，在运转过程中的平衡性会受到一定的影响，进而造成叶片会受到相对比较复杂的冲击荷载作用，直接影响到整个机组部件的运行安全性和稳定性。从整个风力发电机组的工作环境条件上进行分析，风力发电机组在长时间工作过程中，不可避免会产生一些比较严重的故障情况，但是由于各种原因的存在会造成人工检修存在一定的困难，因此必须要对风力发电机组故障问题进行正确诊断，同时提出相应的预测技术来加以解决。

1 风力发电机组故障诊断技术分析

结合某风电场风机故障案例进行分析，主要包含加速度故障（振动）、变桨系统故障（包含编码器及其回路故障、变桨驱动及其回路轮毂CAN 通讯故障）、偏航液压系统故障（包含偏航保护开关故障缺陷、液压站上器件损坏、扭缆传感器故障）、变频器故障（包含电子器件损坏、IGBT 损坏、断路器MCB故障和冷却系统故障）、自控系统故障（机舱PLC AIO288 故障）。基于上述故障问题，选择有针对性的故障诊断方法来进行处理。

1.1 基于振动信号的故障诊断技术方法

风力发电机组的系统构成相对比较复杂，其中发电机组的叶片、主轴承、发电机、塔筒等关键性部位在运转工作过程中会生成相应的振动情况。通过对关键性部位进行震动监测，属于1 种比较常用的故障诊断工作方法。传统方法有3 种：①加速度传感器法是将加速度传感器安装在结构物上，测量其在振动时的加速度，通过加速度积分求位移，此方法的缺点是加速度两次积分后位移误差较大；②位移传感器是1 种接触性传感器，对于难以接近的点无法测量；③全站仪自动扫描法存在以下缺陷：环境条件差时不能观测（台风、下雨等），各测点不同步，大变形时不可测，实时性差，效率低。改进方法，可采用加速度传感器与RTK 融合分析，利用RTK 高精度定位的特性，并通过算法还原风机塔筒姿态，在塔筒中心位置归零时初始化加速度传感器，从而消除加速度传感器的累积误差（见图1）。

图1 加速度传感器与RTK 融合分析图

1.2 基于电气信号的故障诊断工作方法

相比于振动信号来讲，电气信号在产生的过程中和故障相关的内容相对较少，同时经常会被电机运转过程中产生的电气信号以及大量的噪声所覆盖，因此必须要使用更加先进的诊断技术来进行处理。基于电气信号的故障诊断工作方法，主要是在电气系统当中准确找到故障问题产生的相关信号信息，通过电机运转过程中的动力模型分析，可以得出电流信号的整体变化情况，对风力发电机组电机系统的扭矩波动大小情况进行全面判断。通过仿真模型有效分析机组产生的故障和电流信号故障之间存在的关联，可以直接找到故障问题情况。如基于风机电气设备模型判断，如不同风速下三叶片变桨电机驱动电流模型与实际风机运行时的电流对比，可以提前预判变桨电机、驱动是否存在“亚健康”状态下运行的情况，提前消除隐患，减少变桨系统故障。

1.3 基于大数据人工智能技术的故障诊断方法

基于大数据分析技术、人工智能技术、深度机器学习技术和在线建模技术构建智能预警预测平台，进行风机设备异常状态预测与健康识别，在设备故障早期识别劣化迹象并预警，避免设备损坏与非停带来的损失。

系统以风机设备为核心，主要针对风机核心设备、控制系统、主要参数、传感器4 个方面，通过机器学习识别设备亚健康状态，实现参数越限、参数趋势恶化、设备启停状态变化、设备故障和其他紧急事件告警管理，从而减少非计划性停机损失和隐藏的发电性能不合格损失，使传统远程监测中心转型资产风险预警中心（见图2）。

图2 大数据预测告警+智能诊断分析图

2 风力发电机组故障预测技术研究分析

2.1 风电机组机械结构系统故障预测方法

针对风力发电机组在早期运行工作过程中存在的各种问题，主要是对风电机组的机械设备结构使用寿命进行判断，可以全面提高风电机组运行工作的安全性和稳定性，降低后续机组的维修工作费用。故障预测和故障诊断工作之间有着相似之处，因此风电机组的振动数据参数数据也可以直接使用到故障预测工作当中［1］。根据风电机组在运行工作过程中所具有的结构特性以及功能特点，通过振动数据的合理使用可以实现对发电机组的叶片、主轴承、发电机等重要的机械传动部位，以及结构支撑部位功能问题进行全面预测和分析。首先，需要连续录取运行工作过程中风电机组产生的震动参数数据，然后分析数据特征，有效提取时域信号或者是频率信号，其中频率信号信息的特征值，对故障问题的表现更加敏感。根据统计学的工作规律设定出特定的参数预警数值以及报警数值，可以对风力发电机组运行过程中产生的严重故障问题进行合理预测［1］。

2.2 基于设备故障模型和大数据神经网络预测方法

随着风电机组单机容量的不断加大，直驱式风电机组在风力发电市场当中得到了非常广泛的应用。但在运行工作中产生的各种故障问题，未能得到有效的事前预警。基于风机设备故障机理模型和基于大数据神经网络等AI 诊断技术融合，建立核心设备数字化模型镜像，得到了任意时刻该设备的真实运行状态和理论上应该具有的状态对比结果（见图3）。和常规报警策略相比，提升了设备异常参考基准值的准确性，改善了异常记录和报警的准确性，实现故障预警、定性、定位、危害性评估，提供有效运维检修方案。

图3 基于大数据神经网络预测模型图

以系统、设备、参数为主线，按重要程度进行分级分类，对过程报警进行整合，形成精确报警，避免大量误报警。同时，提供越限预警、故障主因诊断、辅机设备及部件劣化趋势等报警提示信息，为运行人员赢得故障处理时间，提高机组运行水平。通过对实时数据库中存储的海量历史及实时数据进行自动挖掘，软件自动根据不同工艺系统的设备特征进行离线或在线建模［2］。可将机组实时运行数据代入机组及工艺系统的工况预警模型中进行运算和分析，得出不同工艺段、设备参数及工艺子系统的运行故障诊断及事故预报信息，对设备的健康状态异动和潜在故障进行早期预警，自动发现各种潜在的故障关联点。