基于風機關鍵部件狀態的主動安全控制研究

國家能源（山東）新能源有限公司 單立國 楊紹濤 孫 彬 孫華高 黨 琳

1 引言

風力發電是發展最快的可再生能源，已經得到了世界主要國家與地區的認可。近年來，中國是風力發電裝置容量和增長率最高的國家。隨著風電裝機容量的迅速增長，風電運營部門對于風電設備的優化措施越來越深入。風電機組是由多個部件組成，尤其是雙饋機組結構更為復雜，不僅包含機艙、輪轂、葉片、主軸、發電機，還包含結構復雜的齒輪箱。同時把風電機組作為一個設備整體，也要深入了解和研究風機的各個關鍵部件，如何基于設備狀態綜合考慮發電量收益，如何對大量投入運行的設備進行深度的了解，制定比出廠時更為完善的綜合運行策略是當前國內外研究的重點領域。國內外風電領域都在沿著智能化、高端化和信息化的趨勢發展。歐盟和美國等風電領域的研究機構和企業也在開展關鍵部件狀態、健康度分析的內容。國內的運營商和風電整機制造商在風電場運維優化，尤其是風電場運行數據分析和風電場智能化方面研究和實踐都非常積極。由于國內的行業差異，我國運營商對應用大數據技術提升風電場運維更為看重。各大運營商紛紛以各種形式開展了這方面的研究和實踐。同時，風電整機廠商也在故障預警，控制優化等方面做了很多嘗試和探索。

文獻[1]通過模糊判斷法構建了多參數狀態下風機的健康狀態評估模型，并在此基礎上對CMS系統采集的振動數據進行分析，有效判定軸承故障；同時對SCADA 系統采集的功率與風速、風機水平和豎直方向的振動進行了研究，提出了基于SCADA 系統的風機健康狀態評估模型，并提出了評估等級；將CMS 振動數據與SCADA 環境數據進行結合分析能更準確且高效地判定風機的健康狀態。文獻[2]先對滾動軸承數據進行時域、頻域、時頻域的故障特征提取，將提取特征作為預測模型輸入；將一部分樣本作為訓練集輸入LSTM 預測模型，分批次輸入模型進行訓練，并調整網絡參數，建成模型后利用測試集進行測試。相比于支持向量機（Support Vector Machine，SVM），基于LSTM網絡的壽命預測模型能夠充分利用全生命周期時序數據的前后關聯信息，對滾動軸承壽命預測具有更高的準確率。文獻[3]針對齒輪箱軸承故障特征易受到風機變工況干擾的問題，提出了一種變分模態分解與瑞利熵相結合的特征分析方法，實現對風電齒輪箱高速軸軸承健康狀態系數的估計。本文以雙饋異步風機齒輪箱高速軸軸承作為研究對象，研究了其在變轉速變負載工況下的外圈故障特性。通過對比振動信號的頻域特征參數與小波包分解能量特征結果，證明變工況運行條件下變分模態分解與瑞利熵相結合的故障診斷方法能夠有效地辨識故障軸承。文獻[4]提出了一種基于皮爾遜相關系數、支持向量回歸和統計過程控制相結合的預測方法，首先，利用皮爾遜相關系數對特征變量進行篩選，減少冗余特征變量。然后，利用支持向量回歸對風機齒輪箱的正常狀態建立預測模型。最后，利用統計過程控制分析預測模型的殘差分布，并設定齒輪箱故障預報警閾值。通過仿真對比了齒輪箱正常與故障狀態下的溫度預測曲線以及殘差分布曲線。仿真結果驗證了所提方法對齒輪箱故障預測的有效性。文獻[5]根據某風機運行狀態的歷史數據，分別采用組合評價方法以及傳統評價方法對齒輪箱的運行狀態進行評價以驗證該方法的科學性和準確性，結果表明：基于預測數據所得劣化度能夠克服現有SCADA 系統中固定報警閾值所帶來的缺陷；該組合評估方法在凸顯劣化程度較大但由于常權值較小所隱藏的故障信息的同時，能夠較早地準確發現風機故障。

現有的機組的運行控制對關鍵部件的狀態缺少深入的考慮，當設備運行多年，主要部件不同程度的發生劣化，尤其是主要的功率器件，比如發電機、變流器等?，F有的機組及控制和場級監控僅僅考慮了設備的超限保護邏輯，也就是當設備的關鍵參數超限發生后就簡單的停機?？刂品绞胶涂刂撇呗詫υO備的狀態考慮的因素比較少，處理的方式單一。這種情況在很大程度上造成了發電量的損失，故障停機時間過長，并且對設備損耗和壽命都有不良的影響，最終往往會演變成安全問題。為了應對這種狀況，我們結合現有機組的實際情況，提出一種考慮關鍵設備運行狀態的主動安全控制優化方案。該方案通過對變流器、發電機、齒輪箱、變槳和偏航等系統進行深度監測，采取機組側綜合優化運行措施，以主動安全控制為目標，以設備狀態分析和基于歷史數據的設備狀態建模為基礎，對機組進行優化能量控制。從而達到減少故障停機次數，降低故障停機時間，避免設備長期亞健康運行帶來的安全問題，在總體上提升發電量的目的。

2 研究內容

風力發電經過多年的快速發展，存量風電資產的規模已經非常大。對于已經投運的風力發電設備，如何降低運維成本，提升運行質量已經成為整個行業共同面對的問題。預測型維護是達成提質增效的有效手段，大型風力發電機組關鍵部件的故障預警是預測型維護的基礎。結合對風電機組設備機理和特性的了解，應用當前先進而有效的機器學習理論和方法，進行關鍵部件故障預警。

現有的風電機組控制系統普遍采用的設備保護策略是超限報警，這種策略有它的現實意義，但也有明顯的缺陷。以超限保護為基礎的控制方式和控制策略對設備的狀態考慮的因素比較少，處理的方式比較單一。

對機組的基本情況和運行現狀進行調研。調研的內容包括，機組平均無故障運行時間（MTBT），機組實時和歷史運行數據的分析。機組設計功率曲線和實測功率曲線的對比情況，機組主要部件的配置和運行情況等。調研方式包括和運維人員的調研溝通和機組歷史運行數據的分析。根據調研的結果進行優化方案的制定：

確定影響機組平均無故障時間的因素包括主要部件的故障率，主要輔助設備的控制邏輯是否合理，主要輔助設備和主要電氣控制單元的可靠性評估和優化方案制定。優化主要包括邏輯優化和設備優化。

根據機組運行數據和功率曲線實測數據分析，確定功率曲線優化的方向和方案。功率曲線優化主要通過優化控制策略和控制系統參數提高風能利用效率來實現。

優化方案的載荷分析和風險評估。優化的控制策略，要通過載荷計算來評估和避免風險。優化方案實施分3個階段：控制策略和參數調優，仿真驗證和載荷評估階段、樣機試驗階段、小批量推廣階段。

事實上，設備的真實狀態早在超限停機之前相當長的時間里已經發生變遷，處于亞健康或著異常狀態。由于普遍采用的控制策略缺少對設備狀態的深度評估和監測，這種在參數超限之前的長時間運行，會加速設備向不好的方向發展，使得故障停機增多，故障帶來的直接損失和間接損失得不到有效控制。

根據特定機型特型，基于歷史數據分析和研究現有風機關鍵部件的特性，并建立基于狀態分析的優化運行模型。通過對變流器、發電機、齒輪箱、變槳系統和偏航系統的歷史運行數據進行分析，建立各個部件的關鍵參數和機組整體運行狀態之間的模型，分析各個部件的故障數據，對部件的狀態變化特性，比如溫升曲線等，進行分析和挖掘，得到關鍵部件的主要參數變化和發電運行之間的關系模型。

在這種模型的基礎上，通過仿真模擬，制定優化算法，實現基于設備狀態的主動安全控制。從而實現減少故障停機，提升機組運行安全性，降低發電量損失，總體上提升發電量的目的。

一個典型的案例是，通過建立模型，可以根據變流器關鍵部件的溫度數據，提前對機組進行一定幅度降負荷控制，從而避免機組在短時間內溫度超限停機，損失更多的發電量。

在主動安全控制的框架下，可以開展建模、狀態監測和主動安全控制的關鍵部件包括：

變流器系統：變流器系統的功率器件會因為運行環境的變化發生不同程度的劣化和衰減，通過主動安全控制策略可以有效避免在極端情況時發生的對變流器功率器件的壽命損傷，減少潛在的故障停機時間。

主軸承：主軸承是風電機組的關鍵部件，也是容易發生各種狀況的部件。通過對主軸承溫度的深度分析，建立整個機組狀態與主軸承溫度的關系，可以更細致地監測軸承狀態，避免到發生問題時才引起的超溫停機。通過主動安全控制，可以避免軸承受到額外的損傷，減少重大故障的發生。

齒輪箱：齒輪箱超溫停機問題是比較頻繁發生的一個故障類型。齒輪箱的溫控系統很容易因為某些部件的老化導致溫控效果不好。通過主動安全控制，可以在溫控系統發生問題的早期采取措施，減少齒輪箱溫度異常發生的時間，減少齒輪箱因此帶來的設備損耗，降低發生故障停機的時間和次數。

發電機及其輔助系統：發電機是能量轉換的主要部件，通過對發電機狀態的監測，采用主動安全控制策略，可以避免對發電機本體設備的不合理損傷。如果僅僅依靠超溫報警，會造成在報警之前，長時間的亞健康運行，造成更為嚴重的故障，更長時間的停機等。

偏航及液壓系統、變槳系統等：趨勢模型可以在常規的超發生限報警之前相當長的時間里發現異常，通過主動安全控制可以降低設備進一步損壞的風險，同時通過信息提示的方式，幫助運維人員盡早發現問題進行實際檢查。從兩個方面保證了設備安全，同時也減少故障停機時間，減少檢修時間，從而提升了發電量。

機組運行綜合評估根據SCADA 歷史數據對機組的主體設備，輔助設備和控制系統等進行評估。評估的目的有兩個：一是發現設備運行中的一些異常情況，在設備尚未發生故障時，盡早發現征兆。當機組在運行過程中如果發生異常，幾乎都會全部或者部分地在運行數據中有所表現。機組綜合評估這個模塊就是用數據分析的方法，提供一組工具和手段去發現這些問題。二是發現機組發電量的潛在損失。這是提升機組發電量的一個重要手段。通過對機組運行數據的深入挖掘，發現運行過程中不被關注的某些環節，而這些環節對發電量的影響往往不被人們重視，通過數據挖掘的方式去發現這些對發電量有潛在影響的環節。

偏航對風是風電機組運行過程中的重要環節。風電機組在初始安裝、葉輪擾流和維護等環節都可能因為各種原因，比如安裝誤差等，給機組的偏航對風帶來靜態誤差，這種靜態誤差會帶來發電量的損失。根據機組運行原理，這種誤差達到一定程度時，帶來的發電量損失是非常可觀的。

所以，如何發現并且消除這種誤差就成為一個很有價值的問題。已有的解決方案需要給每個待校準的機組安裝激光雷達測風設備，然后根據雷達測風數據進行偏差估算。但是這種方式需要投入的成本很高，激光測風設備的購置或租賃費用一般都很高，安裝也需要人力成本和時間成本。

因此提出一種基于機組歷史運行數據進行偏航對風靜態誤差發現的方法，并且進一步根據不同機型給出消除這種偏差的方法。我們提出的方法在明確問題和設備運行機理的情況下，借助機器學習和數據處理技術，完成機組工況識別，數據自動篩選，借助自動尋優和數據可視化相結合的方法，完成機組偏航對風誤差的估算。找到機組的偏差后給出明確、具體的操作建議，并根據不同機型給出切實可行的修正方案，不需要修改機組的控制邏輯，一般只需要修改偏航誤差修正系數或者校核風向標零位。按照之前做過的案例，一個風場的平均偏航靜態誤差接近10度，潛在的發電量提升約3%。

大型旋轉設備大量應用在能源，化工等工業生產領域。典型的如風力發電機組的傳動和能量轉化系統，火力發電機組的汽輪機和發電機，大型工業過程里的泵與風機系統等。在這些旋轉設備里，軸承是重要的部件，并且是故障發生和產生維護成本的主要部件之一。軸承故障帶來的潛在損失非常大，系統停機，更換等成本很高，比如風力發電機組，軸承部件和旋轉設備安裝在幾十米甚至上百米高的塔架上，更換和維修成本高、工期長，帶來的潛在損失很大。因此，如何在早期發現軸承的故障征兆，在第一時間進行必要的維護和保障措施來避免更為嚴重的故障發生就成為非常有價值也很迫切的問題。

裝置主要包括數據獲取模塊、在線計算模塊、模型訓練模塊。數據獲取模塊的實現依賴于設備的數據獲取途徑，包括直接采集、網絡通訊等。在線計算模塊的載體是一個完整的計算機系統并和數據采集模塊完成對接，模型訓練模塊是一個軟件系統，它同時和數據采集和在線計算完成數據對接，并完成在線和離線的模型訓練。

建立數據驅動的結冰檢測模型和機理分析結合起來，實現基于實時運行數據的結冰檢測系統。根據機組的運行機理，結合機組葉輪結冰后的氣動表現，對結冰工況進行建模。同時，結合機組運行的歷史數據，建立數據驅動的模型。結冰工況建模的主要特點是機理和數據相結合，從機理出發，以數據為基礎和支撐。根據結冰工況建立的模型為基礎，采集機組運行的實時數據，對機組工況進行實時滾動檢測，應用機器學習和深度神經網絡方法，識別結冰工況。檢測方法是以機組運行數據為基礎，用結冰工況模型進行判斷。模型主要根據機組運行的主要相關變量來判斷。這些變量的相互關系反應了葉片的氣動特性，如果葉片結冰，則氣動特性受到影響，這些變量關系會表現出異常。

偏航運行分析、輔助設備運行狀態評估和齒輪箱運行狀態評估。以上模塊都是根據實際機型定制的評估模塊，其目的在于評估整個系統或設備的運行是否符合機組設計的預期，是否在正常狀態。通過大數據分析和智能算法發現系統運行過程中的早期異常，從而及時制定應對措施，避免更進一步的問題和損失。

3 研究方法

和變流器這樣的典型案例一樣，對關鍵部件的關鍵參數進行趨勢預警和異常狀態監測，通過功率控制減少軸承在非正常狀態下的損失（比如欠潤滑甚至磨損等）。通過對極個別時間段的主動安全控制可以明顯降低機組故障，減少綜合發電損失。

基于上述研究，主要完成如下目標：在主動安全控制的框架下，建立關鍵部件的狀態分析模型，通過實時分析設備狀態，能夠進行主動安全控制。通過基于狀態監測的主動安全控制策略可以減少故障停機，提高關鍵部件的運行質量，提升整場的發電量表現。完成的關鍵部件狀態監測模型包括：變流器系統、主軸承、齒輪箱、發電機及其輔助系統、偏航及液壓系統和變槳系統等。

通過分析歷史數據，分析特定機型的特點建立關鍵部件的變流器、發電機、齒輪箱、變槳系統和偏航系統的狀態模型，制定綜合優化控制策略實現基于設備狀態的主動安全控制。實現提升風機運行安全，降低故障停機時間，減少發電量損失，總體上提升整場的發電量。通過主動安全控制策略提升整個風電場設備運行的安全水平。

以上案例是某風電機組的關鍵傳動設備的預警案例。首先通過設備機理分析，采用機器學習算法計算設備健康異常指數。通過圖1可以看出，在設備發生異常時，設備健康異常指數發生突變。在設備損壞前3個月，設備健康異常指數就發生了突變，發出故障征兆預警。為預測型維護，爭取了足夠的時間窗口，從而避免嚴重的設備損壞。

圖1 案例分析