風力發(fā)電系統(tǒng)傳感器故障診斷方法探索

劉煥林

摘 要：改革開放以來，我國的經(jīng)濟建設不斷邁步向前。與此同時，各種能源都隨之大量的被消耗著。如今，煤炭、石油等能源即將面臨枯竭的境遇，尋找合適的代替能源刻不容緩，而風能發(fā)電為我國的能源即將枯竭局面做出了緩解。并且，風能發(fā)電還對環(huán)境十分好，有效降低了煤炭，火力發(fā)電帶來的環(huán)境污染問題。如今，隨著風力發(fā)電系統(tǒng)的運行，系統(tǒng)中的一些故障也就此顯露出來，也愈發(fā)復雜。風電給我國經(jīng)濟發(fā)展帶來許多好處，我們更應該將風力發(fā)電系統(tǒng)中的問題解決掉，減少經(jīng)濟損失。本文就風力發(fā)電系統(tǒng)傳感器故障診斷方法做出了一些探究。

關鍵詞：風力發(fā)電系統(tǒng);傳感器;故障診斷

在風力發(fā)電系統(tǒng)中，傳感器是系統(tǒng)的基本元件，它的工作就是將風力發(fā)電系統(tǒng)中的數(shù)據(jù)采集起來，傳送回主控系統(tǒng)，再由主控系統(tǒng)對所收到的數(shù)據(jù)進行處理分析，然后發(fā)出指令，對故障可進行一定的調(diào)整。功能決定結構，由于傳感器在各個點都有應用，所以傳感器的種類繁多，傳感器的故障種類也是五花八門。此外，傳感器的安裝位置也較為獨特，導致了傳感器容易發(fā)生故障，且很難發(fā)現(xiàn)傳感器的故障以及故障位置。傳感器的故障通常來源于傳感器的老化及磨損，長期使用卻沒定期矯正。由此看出，在風力發(fā)電系統(tǒng)中傳感器的實時故障診斷非常重要。

1 風力發(fā)電機的結構與原理

對于風力發(fā)電機組來說，可分為垂直軸風力發(fā)電機和水平軸風力發(fā)電機。此處，我們對水平軸風力發(fā)電機進行一些探討。風力發(fā)電機組的組成部分主要有五個：①風車部分;②支撐部分;③風向控制;④塔架和基礎;⑤發(fā)電機，電力輸出控制系統(tǒng)。這五個部分在機組的運行中缺一不可。風車部分主要零件是葉輪，剎車，變槳裝置和輪毅;支撐部分則是由轉子軸承，主軸承，聯(lián)軸承，變速箱，聯(lián)軸器組成;風向控制由偏航系統(tǒng)控制。風力發(fā)電的作用原理就是利用風的流動帶動葉片轉動，將風能轉化為風力機中的轉軸的動能;然后，再利用風力機的轉軸的轉動帶動變速箱變動，由此使得發(fā)電機發(fā)電將動能轉化為電能。但是，風力發(fā)電機會受到風速以及風向的影響，當這些因素都波動過大時就會導致風力發(fā)電裝置發(fā)生故障。另外，傳感器設備的老化以及磨損也是造成故障的另一個重要原因，這種故障通常是因為設備長期使用未定期的矯正，有些設備因此直接完全失效，由此產(chǎn)生的故障也會對風力發(fā)電系統(tǒng)帶來致命的危害。所以，對風力發(fā)電系統(tǒng)的實時監(jiān)控和診斷都顯得尤為重要。不僅要監(jiān)控它的外在的問題，也要監(jiān)測它的內(nèi)在系統(tǒng)的問題。將兩個問題兼顧得當才能使得風力發(fā)電系統(tǒng)長期有效的運行下去。

2 風力發(fā)電系統(tǒng)傳感器故障診斷

就目前對風力發(fā)電系統(tǒng)的診斷方式來看，可以將其分為兩大類：一是依賴于模型解析的診斷方法，二是不依賴于模型解析的診斷方法。對于依賴于的模型解析的診斷方法來說，其中使用較為廣泛的是觀測器法。它的作用原理就是依靠系統(tǒng)的輸入與可測輸出的設計狀態(tài)觀測器，通過發(fā)出一個錯誤的指令來得到模型的故障反應，從而判斷出風力發(fā)電系統(tǒng)的故障所在。這個診斷方法就目前來說已經(jīng)取得了一系列的成果。

2.1 依賴解析模型的方法

依賴模型解析的故障診斷方法主要可分為兩種：一是線性化模型解析方法，二是非線性模型解析方法。但是這兩種方法都是針對某一非線性的體系進行的，所以兩者的算法的通用性不強，算法也沒有什么兼容性，并且算法本身也不是很完美。但是，對于現(xiàn)在的風力發(fā)電系統(tǒng)來說，它還是不可或缺的一部分，對風力發(fā)電系統(tǒng)的貢獻也是極為重要。

2.1.1 觀測器方法

在對觀測器的研究中，最一開始研究的是全階段的觀測器。該觀測器的增益矩陣可以在線對結構殘差序列未知的隨時間變化的參數(shù)或者是緩慢的漂移故障的殘差序列的影響進行調(diào)整。為了簡化設計，可以利用降價觀測器代替全階段觀測器，但是，降價觀測器有一個缺點，就是它只能應對突變故障，對于其他故障而言，它的作用就沒有那么明顯了。由Bastin等人提出的一種簡單的自適應觀測器，它可以應用于非線性系統(tǒng)。他們將一些非線性的特性參數(shù)作為未知參數(shù)，讓自適應觀測器對這些參數(shù)進行辨識。

2.1.2 濾波器法

與觀測器相比，濾波器法的一大特點就是計算量大，它的模型要求不高。它采用的是擴展卡爾曼濾波器算法對殘余結構等直接進行估算，但是這個方法中的一些數(shù)據(jù)是提前已知的，例如：魯棒性的模型失陪和初始值，噪聲的統(tǒng)計特性等。但從另一方面來說，如果連噪聲的統(tǒng)計特性也是未知的，將會導致殘差的產(chǎn)生，那么這種算法漸變型故障不敏感。這對系統(tǒng)的發(fā)展沒有什么好處。

2.2 不依賴解析模型的方法

就目前對風力發(fā)電系統(tǒng)的故障診斷研究而言，控制系統(tǒng)越來越復雜，在現(xiàn)實中建立精準的解析數(shù)學模型的難度較大，在建模時如果出現(xiàn)較大的誤差將導致檢測不準確、出現(xiàn)誤報、漏報的現(xiàn)象。所以不依賴于模型的方法更加得到人們的賞識，更加為人們所重視，其未來發(fā)展比依賴解析模型的方法更有前景。

2.2.1 模糊推理的診斷方法

模糊診斷顧名思義就是不需要做出十分精準的數(shù)學模型。它主要利用隸屬函數(shù)以及模糊規(guī)則進行模糊診斷。在診斷故障的過程中，往往故障的出現(xiàn)都帶有一定的模糊性，不知是哪一個或者是哪幾個故障出現(xiàn)。所以，一旦存在多個故障點，那么故障與故障征兆之間的關系就會出現(xiàn)模糊的現(xiàn)象。而此時利用模糊語言集合對故障進行核對就能很快速的找到故障所在。

2.2.2 小波分析

對于非平穩(wěn)信號的分析主要運用小波分析的方法進行分析和處理。小波分析對于系統(tǒng)的要求不高，其方法與神經(jīng)網(wǎng)絡的方法大致相同。它主要結合了傳統(tǒng)硬件的優(yōu)點，對信號進行疊加，形成一系列小波函數(shù)。根據(jù)局部函數(shù)構成的小波基，具有許多特性以及優(yōu)點。這個分析方法具有良好的時域性和頻域局部化特性。它是一種時域局部化的分析方法，在低頻和低時間的分辨率下具有較高的頻率分辨率，然而，在高頻部分它又具有較低的分辨率和較高的時間分辨率。

2.2.3 神經(jīng)網(wǎng)絡法