大功率并網風電機組狀態監測與故障診斷研究綜述

高曉慧

摘要：大功率并網風電機組進行狀態監測和故障診斷，不但能夠降低機組的運行維護成本，還能夠確保機組運行的安全與穩定。所以，加強對風電機組的狀態監測和故障診斷具有非常重要的現實意義。目前，風力發電機組狀態監測與故障診斷的研究還處于起步階段。在現有的研究成果，研究側重于整個風力發電機的狀態評估和故障預測，風力發電機關鍵部件的研究集中在故障診斷，準確描述和預測風力發電機功率曲線，在風力發電機狀態監測和故障預測，可以有效地利用風力發電，電力公司保證風電場的安全運行，同時，具有重要的理論意義和工程應用價值。

關鍵詞：風電機組;狀態監測;故障診斷

近年來，風能在世界能源結構中地位越來越突出，風電將逐步成為火電、水電之后的第三大常規能源。隨著我國大型風電建設規劃相繼啟動和現運行的大部分風電機組質保期逐漸超出或鄰近超出，高故障發生率和高運維成本的現狀越來越引起風電運營商、制造商和第三方運維公司等機構的關注。目前，風電機組狀態監測和故障診斷領域的研究處于起步階段，已有的研究成果中，對于整機的研究側重于狀態評估和故障預測，對于機組的關鍵部件研究側重于故障診斷。

一、風電機組故障

基于統計分析的風力發電機狀態監測和評估合成，使用統計分析方法，通過分析大量的風力發電機狀態監測的各種特征的離線數據，提取一些一般性的指數，與工廠設計標準相比，或通過比較多個單元，實現風力渦輪機的目標機器狀態監測，風力機功率曲線如圖所示。

得到反映機組運行性能的實測風速、功率等數據，用Bin方法對數據進行統計處理后得到機組功率曲線。通過機組功率曲線、風能利用曲線及其標準差值，對機組運行性能進行分析評價。當風速超過額定風速、標準差的一部分權力范圍內的本大，運行狀態是不穩定的。可以判斷，因此，它的性能（a）對應圖優于第二單元對應圖（b）。此外，一個概率模型，建立了風力發電機功率曲線，和相關函數模型和基于操作數據的利用SCADA系統。結果表明，該方法能有效地監測變轉子系統的葉片退化、偏航和早期故障信號。采用T2統計方法對機組有功運行數據進行分析，確定整機運行狀態。以上研究是通過對功率信息的統計分析來實現對整個風力機的狀態監測。其他特征變量的統計結果能否更好地代表整個風力機的運行狀態，值得進一步的探索和研究。

二、風電機組的故障預測方法

故障預測是基于現在的系統或歷史性能預測診斷組件或系統完成其功能的狀態，包括確定組件或系統的剩余壽命，或正常工作時間，基于統計的風力渦輪機故障預測的可靠性研究是保證風力發電機或服務很長一段時間，其操作性能和組件退化程度增加，導致可靠性下降，平均故障間隔時間MTBF逐漸縮短，對于故障預測的研究相對較少。然而，關于風電機組MTBF在試運行過程中預測的研究報道較少。一般的研究都是基于風力機的可靠性服從一定分布的假設。例如，在試運行過程中，對風力機的MTBF進行了預測，提出了一種基于多機組運行信息的MTBF估計方法。其基本思想是根據風電機組的安裝特點和故障數據，并對風電機組的可靠性進行kaplan-meier非參數估計。在初步估計結果的基礎上，進行了兩參數威布爾分布擬合，并根據威布爾分布的性質計算了機組的平均TBF。示例顯示，在測試運行期間，單元的MTBF一直在增加。提出了一種基于廣義伽瑪分布的可靠性增長預測方法。根據隨機過程和可靠性增長預測理論，非齊次泊松過程的失敗方法是伴隨著風力渦輪機的測試期間的維護操作，在未來風力發電機的故障時間分布進行了分析， 和失敗的時間點和區間估計和故障平均時間沒有預測。以風機運行故障數據為例，tij （I = 1，2，3，4）為第j臺風機的觀測故障時間。根據預測方法，當置信度為0.8時，第41次故障時間預測的預測點估計為1704.44h，與觀測后的1733h相比，誤差為1.6%。它對于縮短機組的測試運行時間，保證機組在交付給用戶時滿足可靠性指標具有重要作用。

三、風電機組關鍵部件的在線故障診斷

風電機組由多個組件組成，都是關鍵的組件的在線狀態監測和故障診斷研究，實時控制失敗能夠及時識別癥狀，梯度發展程度和節省時間的故障診斷和優化運行維護策略，提高整機的運行可靠性具有重要的學術意義和工程實用價值。

1、發電機。發電機故障診斷的研究大多是通過在線監測定子電流、轉子電流和有功功率變化、匝間短路故障診斷、單相或多相短路故障診斷、軸承損壞故障診斷和轉子偏心故障診斷。從轉子電流和電壓中提取[4]諧波分量，對匝間短路進行監測。但當匝間短路程度較弱時，提取其諧波分量比較困難。當定子繞組發生輕微匝間短路時，定子三相電流時域波形略有變化，而跟蹤三相電流的park矢量誤差發生變化，在三圈短路情況下，公園矢量軌跡的橢圓環寬度和傾斜角較大，故障特征可用于判斷是否存在短路，判斷匝間短路的嚴重程度。[1]使用發電機電流、磁通量密度、溫度和振動的特征數據，利用BP神經網絡和Elman神經網絡，概率神經網絡（和）用于故障診斷的故障診斷，并通過模型試驗結果表明，該故障診斷有較強的容錯能力，自適應結構調整可以執行，根據綜合判斷故障屬于單一或復合信號。

2、變流器。變頻器作為電能反饋到電網的關鍵控制通道，是影響風電機組和電網安全穩定運行的重要環節。基于樣本訓練的在線變流器智能故障診斷方法，對雙饋風力發電機變流器故障進行了分類，提出了基于波形直接分析的BP神經網絡故障診斷方法，但計算復雜，難以實現。將風電變頻器故障電流作為小波神經網絡處理后的學習樣本和測試樣本。改進的小波神經網絡方法可以克服傳統同步發電機故障檢測的誤正問題，提高同步和過同步故障診斷的準確性。

參考文獻

[1]李俊彬，曹家麟.風電場電氣系統現狀分析[J].電力系統保護與控制， 2019，42（10）：14.