謝川江
新疆風能有限責任公司 新疆烏魯木齊 830001
相關統計數據表明,在風電機組中較常發生故障的部件主要有變流器、齒輪箱、控制柜以及偏航系統等。對于這些風電機組關鍵部位的預測,目前所采用的方法大致分為兩類,分別為狀態監測方法與歷史數據統計分析法,通過這兩種方法可以將風電機組關鍵部位的故障特征進行提取,并結合其故障特征的變化情況來對可能發生的故障進行一定程度的預測[1]。
就目前狀況而言,我國風電場對于風電機組的故障診斷,大多沿用了傳統的故障檢修方式,即對故障代碼、故障原因以及檢修過程進行一定程度的總結,并在此基礎之上統計成冊,然后再根據制成的故障手冊對故障原因進行排查。隨著科學技術的發展以及研究的日益深入,國際上已經開始研究故障診斷算法,即針對風電機組的具體結構,建立起動態故障樹,并在此基礎之上運用基于BP神經網絡理論以及貝葉斯網絡尋優算法,進而對風電機組智能診斷方法進行有效構建。
相關統計數據表明,當風電機組發生故障且需要停運對相應的構件進行更換時,如果風電場的備品備件充足,則構件在一天之內便可以完成;如果設備廠家的備案管理中心有相關部件的儲備,則整個維修與更換的時間大約在一周左右;而在需要更換構件時,沒有充足的備品備件,只能聯系供應商采購時,則整個檢修更換流程所需要花費的時間在二十天至一個月左右,因此做好備品備件庫存管理工作,降低因故障帶來的損失十分重要。就目前情況來看,大多數風電場對于備品備件的管理僅僅停留在庫存記錄階段,過分依靠個人經驗的判斷,缺乏足夠的準確性與科學性。
就風電場的維護計劃決策而言,其所維護的對象主要包含有變電站、匯集系統以及風電機組等。當前狀況下,風電場對于風電機組的維護方案主要有例行維護、故障檢修、試驗或者更換主要部件等。在這其中,例行維護具有一定的周期性,例如半年檢計劃與全年檢計劃;在故障檢修的過程之中,往往是通過人為判斷來避開惡劣天氣或者時段,由于故障檢修所需要的時間相對較長,所以備件的供應時間也會隨之變長;對于狀態維護而言,它主要指的是基于狀態監測結果的故障預處理,通過這一操作可以對設備在限定范圍內工作進行一定程度的保證。
對于風電機組而言,它是一個復雜程度較高的系統,包含各類子系統與部件,例如系統有液壓系統、控制系統、電氣系統以及電力電子系統。部件有葉片、輪轂、齒輪箱、軸等。要想對風電機組的故障進行有效的預測,就必須基于這些子系統與部件的充分了解,對風電運維的大數據進行有效的分析,這些數據主要包含有SCADA 數據、風功率預測數據、狀態監測數據、預防性試驗數據,以及歷史維護記錄、異常運行記錄、故障檢修記錄、缺陷記錄、家族缺陷記錄等非結構化數據等。
(1)故障診斷自適應尋優算法:這一算法主要是以故障代碼信息以及SCADA數據作為輸入量,并在此基礎之上將貝葉斯網絡理論與之進行有機結合,進而研究自適應尋優算法,通過算法輸出故障原因的概率分布,然后再據此自主學習并對模型與算法做出有效的優化與完善。(2)維護作業指導平臺:結合實際需求建立起專家知識庫,這一知識庫中所包含的內容需要有檢修視頻、可視化圖紙以及維護手冊等,然后通過專家知識庫研發維護作業指導平臺,由平臺對標準化的作業包進行有效輸出,進而為現場維護提供科學的指導。(3)可視化只能移動終端:將智能終端與維護作業指導平臺通過無線互聯的方式有機結合在一起,進而實現遠程資料查詢、專家視頻通話、遠程信息錄入等一系列的功能,進而對故障進行有效的閉環處理。
(1)對風電機組的平均陪停次數與時間等相關數據進行統計與總結,并在此基礎之上進行權重因子分析,從而獲取變電站、匯集系統電氣設備的狀態評價方法;(2)對風電機組關鍵部位的故障進行相關性分析,并由此提出風電機組的機會維修策略,然后對各種約束因素與影響因素進行綜合性考慮,以故障的停機時間最小為目標進行有針對性的優化;(3)對備品備件的庫存特征信息進行科學合理的整理與分析,并以此建立出備品備件庫存動態優化模型[2]。
對相關研究成果進行信息化處理,在原先的各項系統與技術的基礎之上,提出數據二次加工的方法,并由此建立起風電場多類型海量運維數據管理平臺。通過二次開發,對不同廠家、不同機型的多種診斷算法予以有效的實現,并使其能夠適應算法的發展與變化,對其適用性進行一定程度的提升[3]。
本文主要針對風電場智能化維護技術進行研究與分析。首先對當前狀況下風電場維護技術研究情況與發展方向進行了一定程度的闡述,然后在此基礎之上從故障預測技術、故障診斷與維護指導技術、運行維護策略優化技術以及智能化運行維護系統等方面對風電場智能維護關鍵技術進行了具體分析。