基于大数据的风电设备远程故障监测与诊断技术应用研究

徐俊山?孔小强?马廷?姬廷?董临治

摘要：将大数据、云计算、物联网等新技术应用在风力发电行业中，可帮助实现对风机故障的智能诊断，并且还能够对风机设备运行过程中的状态进行实时动态监测。特别是基于大数据技术的远程故障监测与诊断系统，较大程度的降低了人工巡检和维护成本，且提高了风力发电场气象预报和产能预报的准确性，有利于达成风电场日常运维降本增效的总目标。本文介绍了基于大数据的风电设备远程故障监测与诊断技术的系统设计，并结合变桨控制系统故障进行了具体应用分析，以供参考。

关键词：大数据；风电设备；故障监测；数据采集

随着科技的不断进步，可再生能源行业在近年来得到了快速发展，其中风电行业尤为突出。然而，风电设备的故障检测与诊断仍然是一个重大挑战。在传统的风电设备故障检测与诊断方法中，往往依赖于人工定期检查和维修，这种方法不仅效率低下，而且不能实时监测设备的运行状态。近年来，大数据技术和人工智能的快速发展为风电设备的远程故障监测与诊断提供了新的解决方案。通过收集和分析风电设备的运行数据，可以实时监控设备的状态，预测可能出现的问题[1]。同时，通过对大量数据的深度挖掘和分析，可以提取出设备的运行规律和潜在故障模式，从而进行更精准的故障诊断。

一、基于大数据的风电设备远程故障监测系统组成及架构设计

（一）系统组成

基于大数据的风电设备远程故障监测与诊断系统包括前端硬件、设备端软件和智慧云平台三部分。一旦安装设备，系统会利用声纹探测、音频采集等传感器进行数据采集和智能计算。这些数据包括设备运行情况和各种参数，它们会被上传至云平台进行智能分析，例如故障判断、异常监测和巡检管理。通过这种方式，系统可以实现对风电设备的远程监测和诊断，提高效率并及时发现潜在问题。

（二）整体架构设计

1.应用展示层

智慧云平台借助云计算和物联网技术对数据进行分析，展现设备的运行状态，识别并准确定位故障，实时发出告警。这使得运维人员能够及时处理故障事件，实现了运營管理的数字化和智能化。通过这种方式，风电设备的监控和维护变得更加高效、准确和及时。

2.传输分析层

通过声纹识别算法对采集到的声纹信号进行识别分析，以及利用波形分析法和参数分析法对风电机组的运行状态进行评估，这是一种先进且有效的检测方法。声纹识别算法可以帮助精准识别风电机组中的异常声音，而波形分析法和参数分析法可以提供详细的运行状态评估，从而有效地进行故障预测和预防性维护。这些技术的结合可以提高风电设备检测的准确性和及时性，有助于提升设备的可靠性和安全性。

3.数据采集层

这种利用传感器对风力发电机组关键组件振动、转速等参数进行采集，并通过分布式八路边缘计算网关将数据传输至终端云平台的方法，可以实现风力发电机组的全息化实时监控。通过传感器采集的数据可以提供设备运行状态的综合信息，而分布式边缘计算网关可以实现数据的实时传输和处理，从而实现对风力发电机组运行状态的实时监控。这种监控方法可以帮助运维人员及时发现潜在问题并进行预防性维护，从而提高设备的可靠性和安全性，同时也有助于优化运行效率和延长设备寿命。

4.系统功能

（1）风场基本信息概览

风场基本信息模块的主要功能是可以通过矩阵型、环线型、列表型、地图型四种模式查看整个风场的运行状态。

（2）风机远程监视模块

风机监视模块的主要功能是可以查看单个风机的运行详情，并可以对单个风机进行远程启动、远程停机等操作。

（3）风机远程控制模块

风机控制模块的主要功能是可以对整个风场、单个环线、单个风机、多个风机进行集中。

（4）大数据分析模块

对各类实时和历史数据分析，按照时间条件，折线图、柱状图和数据表的形式显示各个风机的有功功率、瞬时风向等，并在此基础上自动形成报告。

（5）风机能量管理模块

风机能量管理模块主要由风速传感器、风力发电机控制单元（GCU）、能量管理系统（EMS）等构成。其主要功能是收集和分析风力发电机组的运行数据，进行能量调度和管理，以实现最大化能源利用效率。当电网出现故障或过载时，保护电路可确保风力发电机组的安全，防止设备损坏。

（6）故障监测与报警模块

故障监测与报警模块中的报警记录分为三级：机组报警、风场报警、系统报警。机组报警模块可以查看各个风机机组的报警记录；风场报警模块可以查看整个风场的报警记录；系统报警模块可以查看整个系统的报警记录。

（7）实时动态监控快照记录

实时动态监控快照记录模块分为报警快照和主控快照。报警快照可以查看报警前后5分钟的详细运行数据；主控快照可以查看主控前后5分钟的详细运行数据。这两部分记录都可以将驱动报文以TXT文件格式进行预览或下载。

（8）运行日志管理

运行日志管理模块分为三部分：系统日志、风机运行日志和风机操作日志。系统日志支持以时间段或关键字作为筛选条件来查看系统日志；风机运行日志支持以时间段及关键字为筛选条件来查看各个风机的运行日志；风机操作日志支持以时间段为筛选条件来查看各个风机的操作日志。

二、系统优势及价值

（一）核心优点

一是硬件架构简单易用。系统的硬件设备施工简单，部署及维护方便，无需特定技能即可完成安装，节约时间和人工成本，同时保证安全可靠。二是分布式边缘计算集成。采用八路分布式监测，内置智能识别算法，极大程度保障数据的安全和隐私，同时服务响应更加迅速[2]。三是智能声纹识别算法。通过对异常状况进行提前分析和预判，可实现智能实时告警，协助巡检人员解决问题，高度智能化以大大减轻运维人员的压力，实现无人值守。

（二）系统价值

首先，通过在线实时监测和远程数据传输，风电公司能够及时掌握设备的运行状况，减少由于故障造成的停机时间，提高发电量和经济效益。其次，利用机器学习算法对大量的传感数据进行分析，能够提前预警可能的设备故障，并及时采取维修措施，降低维护成本和风险。此外，全方位的状态监测还有助于优化设备的运行和维护计划，延长设备寿命，提高可靠性。

三、实践应用分析

变桨控制系统是风力发电系统的关键部分，也是容易发生故障的系统。本研究以变桨控制系统为具体案例对象，对基于大数据技术的变桨系统故障监测及诊断进行分析。

（一）风电变桨系统功能及结构

1.变桨系统功能

风力发电厂处在自然环境中，风力的大小、速度会直接影响风力发电效果。变桨系统的主要功能是调节桨距角。该系统通过监测风速，根据不同的风速合理调节桨距角的大小，从而实现最大效率地利用风能[3]。

2.变桨系统主要故障分析

变桨系统经常发生的故障主要包括机械故障、电气故障和通信故障。机械故障是变桨系统中最常见的故障类型，主要包括桨距角调节机构卡滞、轴承磨损、齿轮箱损坏等。这些故障通常由于长期使用、维护不当或恶劣天气条件下的持续运行所導致。例如，桨距角调节机构卡滞可能是由于润滑不足或异物进入而导致机构无法正常运转。而轴承磨损和齿轮箱损坏可能是由于超出负载运行或长时间在振动环境下运行所引起。电气故障主要包括电机故障、控制器故障以及驱动器故障。这些故障可能是由于电气元件的过载、短路、过热或损坏引起的。例如，电机故障可能是由于电机内部电气元件出现故障，导致电机无法正常运转[4]。而控制器故障可能是由于控制程序错误或硬件故障引起的。驱动器故障可能是由于驱动器内部的电气元件出现故障，导致驱动器无法正常输出。通信故障主要包括网络连接问题、数据传输问题以及设备通信问题。通信故障一般是由于网络连接不稳定、数据传输错误或设备通信协议不匹配等问题引起的。

3.变桨电机温度故障分析

本文深入探讨了一种三相笼型异步交流电机驱动方式的风力发电系统中变桨电机温度升高的故障。研究发现，变桨电机在运转过程中，一旦发生堵转，会在短时间内造成电机温度升高。根据对变桨电机转速的实时监测的实践，发现当变桨电机转速的编码器反馈值与预设给定值出现大于0.5°/s的偏差，并且传输时间上存在约5s的延迟时，变桨电机就可能会出现堵转现象。除了以上内在因素外，本研究还发现一些外在因素也会导致变桨电机的温度异常上升[5]。例如，当风力发电机承受过大的载荷时，将会引发电机过流现象，从而使得电机温度上升。变桨齿轮因异物侵入或润滑不良等原因发生卡死，也会使得变桨电机的负载增大，导致温度升高。

变桨电机温度过高会对电机本身和整个风力发电机组产生严重影响。电机内部的绕组和轴承长时间过热会导致性能下降，甚至损坏，从而影响电机的正常运行。电机温度过高会影响电机的输出功率和效率，使得风力发电机的发电量下降。此外，变桨电机温度过高还会对风力发电机的其他部件产生影响，例如轴承过热会导致润滑不良，齿轮箱过热会导致传动系统效率下降等。为了预防变桨电机温度故障的发生，可以采取以下措施：定期检查和维护变桨电机，清理内部灰尘和杂质，检查轴承润滑情况，确保电机内部清洁且润滑良好；加强电机的散热效果，可以通过增加散热面积、提高散热效率等方式来降低电机温度。

（二）基于回归预测的变桨电机温度异常预警模型

本研究项目使用回归预测技术检测变桨电机温度异常，下面详细介绍温度预测模型建立和模型评估过程。

1.时序数据要求及数据形态分析

（1）测点时序数据要求

数据范围方面，选取某风场某风机三个月的历史数据进行建模。在采样周期方面，对于工业大数据预算法来说，重点是分析和判断设备长周期性能变化趋势。单次计算的数据量很大，综合考虑计算精度和计算负荷，实际使用的现场时序数据的采样周期为1分钟。为了方便查看测点时序数据形态，以一个月的数据为例，样本数据覆盖的风机范围比较全面，包含了小风速段和大风速段，也包含了停机不发电区间和满发区间，具有较高的代表性。

（2）时序数据治理

原始时序数据经常出现数据质量异常的情况。为了保证计算和建模结果的准确性，需要在计算之前判断并剔除异常数据，提高进入后续计算环节的数据质量。相关的数据治理内容如下。

超限数据：时序数据严重超限，超过工艺设定的有效数据上下限范围。例如，环境温度超过100度，风机功率超过额定装机容量的200%。这类严重超限的异常数据需要剔除。

通讯异常数据：对于某些测点值，正常情况下不可能出现长时间数据恒值不变的情况。一旦发现这类测点出现数据恒值不变的情况，并且连续恒值不变时间超过预先设定的阈值，则认为发生了通讯异常现象。如果单个设备同时有2个以上测点都发生了通讯异常，则认为发生了设备级通讯异常，该设备同时间段内的所有测点数据都需要剔除处理。

（3）非发电状态数据判断

当风机处于非正常发电状态（停机、检修或待机等）时，此时产生的各种数据之间都不符合风机发电状态时的物理关系。因此，在建模和预测的过程中，不使用非正常发电状态下的数据。应该剔除非正常发电期间的数据，仅保留发电期间的数据用于后续计算和建模。

2.特征量的相关性分析

首先计算所有测点数据之间的相关性系数，使用Pearson（皮尔逊）相关系数进行具体计算。分析变桨电机温度测点与其他测点之间的相关性大小和方向。根据以上相关性分析，结合之前对变桨系统原理的分析，可以得出以下结论：变桨速度、桨距角、对风角等测点和变桨电机温度之间基本没有相关性；环境温度和机舱温度之间信息冗余性较强。由于环境温度的相关性比机舱温度弱，因此剔除环境温度，保留机舱温度。

3.变桨电机温度XGBoost回归预测建模

在原生的Python编程环境中，使用XGBoost回归包XGBRegressor来建立变桨电机温度的回归预测模型。模型的输入时序数据包括：功率、风速、轮毂转速、机舱温度、桨距角、变桨控制柜温度、变桨逆变器温度和变桨速度。建模的主要工作在于对算法参数进行调优。

四、结束语

传统的风力发电机组的监测主要依赖人工巡检和定期维护，存在着一定的局限性。这些巨大的结构通常分布在广阔的地理区域，很难进行实时监测和故障诊断。因此存在着无法及时发现潜在故障、难以准确判断设备运行状态等问题。为了解决这些问题，基于大数据的风力发电机组智能远程故障监测与诊断系统致力于构建物联网智慧运营体系，实现风力发电场“无人值班，少人值守”的目标。这样可以有效降低运维成本，实现减少企业运营成本，增加经济效益的目的。本文详细介绍和分析了变桨系统的结构、工作原理和常见故障，并使用现场生产数据进行验证。结果显示，预测数据可以较好地跟踪实际温度趋势，并给出合理的故障监测预警结果，为生产运维提供了指导参考意见。