智慧風場運維管理關鍵技術分析

北京中拓新源科技有限公司 李慶光

現階段，作為產業化條件相對成熟的可再生能源，風力發電已成為戰略性新興產業。但部分企業風力發電機組管理質量不佳，導致機組故障頻發，高額的設備維修成本，在一定程度上制約了經濟的可持續發展。為此，本文以某地方風場為例，提出常見故障的應對措施。

1 工程概況

該項目為海上離岸風電場，其特點在于風速較高、發電量偏大，所在地區呈狹長分布，南北寬在3～5km，場區地形表現為沿海灘涂，全區地勢低洼，地面高程為3m。風電場中基礎設施占比30%，風電機組裝置占比70%，主要電氣設備見表1。

表1 風場主要電氣設備

項目一期裝機容量為50MW，總投資達到4.6億元，單機容量為1.5MW。風場風向較為穩定，有效風能密度在284W/m2，風速為6.4m/s，風力資源優良，具有較高的商業開發價值。但根據實際調查顯示，由于風場的管理方式較為傳統，已逐漸無法滿足現代化需求，導致相關設備、系統在長時間運行過程中，出現乙烯類故障問題。

2 常見故障

2.1 齒輪箱溫控閥故障

齒輪箱的作用在于實現風輪主軸的轉速加速，利用柔性聯軸器，傳遞至電機高速軸，達到風電的目的。而溫控閥則是用于進行油液降溫操作，可自動根據潤滑油溫度，完成閥門開度的調控，改變油液流量大小。其內部配有測溫傳感器，在長期處于高溫、高壓環境下，容易造成測量精度減少，使用壽命縮短。本文選取的風電場于2023年12月曾發生過此齒輪箱故障報警，故障警報發生后，維護團隊立即進行了周密的系統診斷，最后確認了問題出在溫度調節閥損壞上。由于此類損害并不立即導致嚴重的機器停運，故而發電裝置不會立刻觸發報警信號。該現象使得使用警報時間點來精確定位溫控閥實際損壞區間變得較為困難。

2.2 偏航系統故障

偏航系統是指對風設備，屬于風力發電機機艙的組成部分，其作用在于當風速適量產生方向變化時，可平穩對準風向，使風輪獲得最大的風能。偏航系統的故障主要表現為顯示值與實際結果存在偏差、齒圈齒面磨損嚴重、偏航壓力不穩、噪聲異常，機艙振動幅度較大、液壓管滲漏。該問題的形成原因大多為，偏航齒圈存在異物，編碼器無法正常使用，剎車半泄壓工作異常，導致剎車片難以有效釋放。

3 智慧風場的運維管理關鍵技術實現路徑

為解決上述問題，推動風場的智慧化管理，筆者將提出以下幾種故障解決措施。

3.1 故障識別

3.1.1 設置模型

盡管溫度控制閥對于調節潤滑油的溫度起著關鍵作用，但是僅憑潤滑油達到臨界溫度的標志并不能有效指示出故障的前兆，而此種現象的原因主要是因為，在潤滑冷卻系統開始工作降低油溫時，油溫可能會升至70℃以上。為此，筆者提出以時間序列分析為依托，打造正常行為模型，用以進行正常油溫與實測值的比對，達到識別溫控閥故障征兆的目的。

在模型設置時，需要結合發電機組的運行歷史信息，考慮正常工況下，油溫與相關物理量的非線性關系，如公式所示：yt=F（yt-w,…,yt-1,Xt-w+1,…,Xt），式中：yt表示齒輪箱溫度的估計值，W代表時間窗口大小，Xt代表某時刻與相關變量形成的向量，至于F則代表歷史數據映射后，獲取的狀態估計值。根據該映射關系，可準確估計油溫正常行為。該模型與傳統時間序列模型的差別在于，對目標變量的估計需要結合歷史數據以及相關變量歷史信息，也能進一步挖掘變量間的非線性關系。

通過搭配核主成分分析功能，確保輸入層注意力機制可確定變量產生的具體影響。若相關變量與目標變量的關聯性較小，則變量權重為0，反之，則權重值較高。由此可見，采用該模型，可省略對相關變量的降維分析，只須將變量作為模型輸入便可。在實際運用時，需要獲取發電機組數據采集與監視控制系統中記錄的運行信息，通過定制化實現油溫的正常行為建模，具體數據包括風速、有功/無功功率、油溫等。之后將目標變量以外的物理量作為相關變量，結合風場運維記錄，篩選適用于模型訓練的信息。

3.1.2 引入神經網絡

本文介紹的神經網絡模型在機器翻譯領域已相對完善，其可以通過編碼器接收輸入的數據陣列來執行編碼過程，并從中提取出高級信息特征，然后由解碼器負責將這些信息轉換為另一種語言。這種方法顯著減少了傳統機器學習回歸技術所依賴的特征工程需求。但在許多商業應用中使用的神經網絡，盡管投入了相關數據，卻忽視了不同數據間對預測結果可能產生的不等影響，簡單地對所有輸入進行均等處理，此類做法可能會導致序列初期特征在最終的輸出中被削弱。為此，筆者認為可在神經網絡引入雙層注意力機制，量化輸入變量對目標變量的影響，并賦予差異性權重，達到數據降維分析的目的。

編碼器輸入n個變量歷史數據，輸出w個神經元狀態向量，用于辨識信息抽象編碼，之后通過輸入編碼向量以及目標變量歷史信息，由解碼器輸出神經元狀態向量。結合線性函數便可估算目標變量的正常狀態值。在此過程中需要注意，充分運用輸入層注意力機制量化變量權重，梳理好編碼器運算流程。

將隱藏層狀態向量作為神經元輸出結果，將記憶狀態向量作為神經元狀態，結合softmax函數確定變量的權重量化公式，即：

其中：ven、Wen、Uen均屬于網絡參數，而則代表某變量權重，與整體網絡參數進行共同訓練，最終確定神經元直接輸入為：至于在解碼器方面，同樣要進行規則的更新，提高解碼器對特征向量的記憶，實現多個特征向量的量化處理，將時序注意力機制確定為：

其中：ht-1；st-1代表神經元隱藏層狀態向量與記憶向量的拼接體，vde、Wde、Ude均屬于網絡參數，表示狀態向量權重系數，同樣與網絡參數共同訓練。最后要利用線性函數完成目標變量的正常行為估計，通過模型參數表示變量的復雜關系，并完成學習。

3.1.3 故障模式識別

為了進一步實現溫控閥的故障識別，保證故障征兆被第一時間辨識，筆者將進行油溫測量值與模型估計值的比對，以正常行為模型為依托，估算兩者的殘差值，將其作為設計方案中用于評估異常行為的控制閾值。一般而言，估算的殘差是由隨機誤差和意外的噪聲所構成，其在標準操作條件下僅在零值周圍有小幅度波動。為了消除在特殊情況下由高頻擾動引起的效應，可以采用指數加權移動平均技術對殘差數據進行平滑處理。

具體公式為：zt=ηyt+（1-η）zt-1，其中：zt表示指數加權移動平均值，yt代表待分析時間序列數據，η表示平滑常數，取值在0～1。相關技術人員在標準操作條件下對預測的殘差進行過濾時，應使用直方圖來適配概率密度分布，并通過假設檢驗來確定置信區間。在確定這一區間的上下界后，將其作為衡量變量異常活動的控制界限。同時，結合工程實際情況，設置殘差的最大可接受偏差，以識別可能的故障跡象。該過程旨在識別故障模式并實施預防性故障警報。

3.2 故障分析

若出現風力發電機組故障原因排查效率較低的問題，必然會延長停機時間，造成發電機組產能下降，影響業主的經濟收益。為此，筆者提出以上述故障模式識別為依托，打造故障失效分析機制，結合貝葉斯推理法，提高故障的檢修效率。

3.2.1 定性分析

故障樹定性分析可以理解為以行業背景、專家知識為依托的分析方法，利用樹形圖描述故障與原因的邏輯關系，簡化故障原因的演繹推理，確定故障組合形式，改善系統設計缺陷。其主要目的在于推導結構函數，獲取最小割集。

首先在構建故障樹模型時，需要將不希望發生的事件定義為根節點，之后分析故障原因，完善故障樹模型，找出中間事件，表示事件發生原因，將條件事件、開關事件作為底事件，定義為葉子節點。通過或門、非門等邏輯門，實現事件串聯。用以呈現系統失效與零件失效的邏輯關系，衡量故障發生概率。其次要完成模型的數學描述，結合邏輯運算符號，采用布爾函數表示故障與底層原因的映射關系，采用狀態變量表示系統是否發生故障。再次，要進行故障樹模型的預處理，搭配布爾理論運算法則，將復雜邏輯門轉換為基本邏輯門的組合形式。最后，則要完成模型的最小割集求解，利用上行法、下行法實現割集搜索，完成邏輯門遍歷、時間狀態量布爾表達式的計算。

3.2.2 定量分析

在完成定性分析后，需要通過二元決策圖，進行故障失效的定量分析，利用重構故障樹，找到造成系統失效的割集。該方法的割集屬于相互排斥的狀態，因此應采用概率不交公式，直至頂事件發生概率。二元決策圖的優勢在于事件發生概率計算精確性高，計算效率快，且計算量小。在實際分析時需要注意：由于最小割集之間可能出現相同基本事件，因此應利用容斥原理去除交集部分。而對于不互斥的幾何，則要去除相容事件交集。而在獲取二元決策圖后，還要裁剪多余重復和矛盾的分支，找出結構函數不變化表示式中的加和項，再采用不交和公式推導頂事件發生的概率[1]。

3.3 快速排故

后驗概率是指在設定系統產生失效故障，結合貝葉斯公式，計算故障原因責任比例。根據后驗概率計算結果可準確判定故障直接原因，若發現可能故障原因未發生，則假定系統已完成停機操作，之后選取第二可能的故障原因。在實際維護中，相關維護團隊需要迅速進行故障診斷直到找到停機的確切原因，以此有效防止由于維護人員知識和經驗不足導致的盲目故障排查，極大減少診斷過程所消耗的時間，并減輕由檢修引起的電力損失。

本文通過貝葉斯推理法，將后驗概率作為排查順序的制定標準，依托最小割集、故障樹結構函數，找尋最有可能引發故障的原因。其中，貝葉斯推理是指一種推論統計方法，在獲得更多證據與信息后，更新特定假設的概率。可將后驗概率推導為第二個前列、先驗概率記憶似然函數的結果，具體表達式為：P（H|E）=P（E|H）/P（E）×P（H），其中：丨表示時間成立條件，H表示假說，其概率可能受到試驗數據的影響，E代表證據，對應新的數據，是指還沒用來計算先驗概率的數據。P（H）表示先驗概率，P（H丨E）代表后驗概率，P（E丨H）是指似然函數，P（E）代表邊緣似然率。如果相關維護人員在現場檢修的過程中未發現最可能故障原因，技術人員應進行二次假設系統故障，以此確定最可能故障原因，再基于所確定的具體故障原因，技術人員可結合貝葉斯公式完成推理，進而獲取現場其他環節中可能存在的故障原因，并明確各個原因的責任占比。從中選取占比最高的，將其設為次要故障原因[2]。

綜上所述，通過以某地方風場作為研究對象，闡述該風場運營過程中常見的故障問題，并基于深度神經網絡、貝葉斯推理、故障樹、行為驅動程序，提出故障失效分析模式、故障模式識別算法、快速排故等應對措施，實現風場的智慧化運營管理，最大限度提高風力發電機組的運行性能，降低故障停機頻率，保證風場產能效率的最大化。