基于大數據的風電設備遠程故障監測與診斷技術應用研究

徐俊山?孔小強?馬廷?姬廷?董臨治

摘要：將大數據、云計算、物聯網等新技術應用在風力發電行業中，可幫助實現對風機故障的智能診斷，并且還能夠對風機設備運行過程中的狀態進行實時動態監測。特別是基于大數據技術的遠程故障監測與診斷系統，較大程度的降低了人工巡檢和維護成本，且提高了風力發電場氣象預報和產能預報的準確性，有利于達成風電場日常運維降本增效的總目標。本文介紹了基于大數據的風電設備遠程故障監測與診斷技術的系統設計，并結合變槳控制系統故障進行了具體應用分析，以供參考。

關鍵詞：大數據；風電設備；故障監測；數據采集

隨著科技的不斷進步，可再生能源行業在近年來得到了快速發展，其中風電行業尤為突出。然而，風電設備的故障檢測與診斷仍然是一個重大挑戰。在傳統的風電設備故障檢測與診斷方法中，往往依賴于人工定期檢查和維修，這種方法不僅效率低下，而且不能實時監測設備的運行狀態。近年來，大數據技術和人工智能的快速發展為風電設備的遠程故障監測與診斷提供了新的解決方案。通過收集和分析風電設備的運行數據，可以實時監控設備的狀態，預測可能出現的問題[1]。同時，通過對大量數據的深度挖掘和分析，可以提取出設備的運行規律和潛在故障模式，從而進行更精準的故障診斷。

一、基于大數據的風電設備遠程故障監測系統組成及架構設計

（一）系統組成

基于大數據的風電設備遠程故障監測與診斷系統包括前端硬件、設備端軟件和智慧云平臺三部分。一旦安裝設備，系統會利用聲紋探測、音頻采集等傳感器進行數據采集和智能計算。這些數據包括設備運行情況和各種參數，它們會被上傳至云平臺進行智能分析，例如故障判斷、異常監測和巡檢管理。通過這種方式，系統可以實現對風電設備的遠程監測和診斷，提高效率并及時發現潛在問題。

（二）整體架構設計

1.應用展示層

智慧云平臺借助云計算和物聯網技術對數據進行分析，展現設備的運行狀態，識別并準確定位故障，實時發出告警。這使得運維人員能夠及時處理故障事件，實現了運營管理的數字化和智能化。通過這種方式，風電設備的監控和維護變得更加高效、準確和及時。

2.傳輸分析層

通過聲紋識別算法對采集到的聲紋信號進行識別分析，以及利用波形分析法和參數分析法對風電機組的運行狀態進行評估，這是一種先進且有效的檢測方法。聲紋識別算法可以幫助精準識別風電機組中的異常聲音，而波形分析法和參數分析法可以提供詳細的運行狀態評估，從而有效地進行故障預測和預防性維護。這些技術的結合可以提高風電設備檢測的準確性和及時性，有助于提升設備的可靠性和安全性。

3.數據采集層

這種利用傳感器對風力發電機組關鍵組件振動、轉速等參數進行采集，并通過分布式八路邊緣計算網關將數據傳輸至終端云平臺的方法，可以實現風力發電機組的全息化實時監控。通過傳感器采集的數據可以提供設備運行狀態的綜合信息，而分布式邊緣計算網關可以實現數據的實時傳輸和處理，從而實現對風力發電機組運行狀態的實時監控。這種監控方法可以幫助運維人員及時發現潛在問題并進行預防性維護，從而提高設備的可靠性和安全性，同時也有助于優化運行效率和延長設備壽命。

4.系統功能

（1）風場基本信息概覽

風場基本信息模塊的主要功能是可以通過矩陣型、環線型、列表型、地圖型四種模式查看整個風場的運行狀態。

（2）風機遠程監視模塊

風機監視模塊的主要功能是可以查看單個風機的運行詳情，并可以對單個風機進行遠程啟動、遠程停機等操作。

（3）風機遠程控制模塊

風機控制模塊的主要功能是可以對整個風場、單個環線、單個風機、多個風機進行集中。

（4）大數據分析模塊

對各類實時和歷史數據分析，按照時間條件，折線圖、柱狀圖和數據表的形式顯示各個風機的有功功率、瞬時風向等，并在此基礎上自動形成報告。

（5）風機能量管理模塊

風機能量管理模塊主要由風速傳感器、風力發電機控制單元（GCU）、能量管理系統（EMS）等構成。其主要功能是收集和分析風力發電機組的運行數據，進行能量調度和管理，以實現最大化能源利用效率。當電網出現故障或過載時，保護電路可確保風力發電機組的安全，防止設備損壞。

（6）故障監測與報警模塊

故障監測與報警模塊中的報警記錄分為三級：機組報警、風場報警、系統報警。機組報警模塊可以查看各個風機機組的報警記錄；風場報警模塊可以查看整個風場的報警記錄；系統報警模塊可以查看整個系統的報警記錄。

（7）實時動態監控快照記錄

實時動態監控快照記錄模塊分為報警快照和主控快照。報警快照可以查看報警前后5分鐘的詳細運行數據；主控快照可以查看主控前后5分鐘的詳細運行數據。這兩部分記錄都可以將驅動報文以TXT文件格式進行預覽或下載。

（8）運行日志管理

運行日志管理模塊分為三部分：系統日志、風機運行日志和風機操作日志。系統日志支持以時間段或關鍵字作為篩選條件來查看系統日志；風機運行日志支持以時間段及關鍵字為篩選條件來查看各個風機的運行日志；風機操作日志支持以時間段為篩選條件來查看各個風機的操作日志。

二、系統優勢及價值

（一）核心優點

一是硬件架構簡單易用。系統的硬件設備施工簡單，部署及維護方便，無需特定技能即可完成安裝，節約時間和人工成本，同時保證安全可靠。二是分布式邊緣計算集成。采用八路分布式監測，內置智能識別算法，極大程度保障數據的安全和隱私，同時服務響應更加迅速[2]。三是智能聲紋識別算法。通過對異常狀況進行提前分析和預判，可實現智能實時告警，協助巡檢人員解決問題，高度智能化以大大減輕運維人員的壓力，實現無人值守。

（二）系統價值

首先，通過在線實時監測和遠程數據傳輸，風電公司能夠及時掌握設備的運行狀況，減少由于故障造成的停機時間，提高發電量和經濟效益。其次，利用機器學習算法對大量的傳感數據進行分析，能夠提前預警可能的設備故障，并及時采取維修措施，降低維護成本和風險。此外，全方位的狀態監測還有助于優化設備的運行和維護計劃，延長設備壽命，提高可靠性。

三、實踐應用分析

變槳控制系統是風力發電系統的關鍵部分，也是容易發生故障的系統。本研究以變槳控制系統為具體案例對象，對基于大數據技術的變槳系統故障監測及診斷進行分析。

（一）風電變槳系統功能及結構

1.變槳系統功能

風力發電廠處在自然環境中，風力的大小、速度會直接影響風力發電效果。變槳系統的主要功能是調節槳距角。該系統通過監測風速，根據不同的風速合理調節槳距角的大小，從而實現最大效率地利用風能[3]。

2.變槳系統主要故障分析

變槳系統經常發生的故障主要包括機械故障、電氣故障和通信故障。機械故障是變槳系統中最常見的故障類型，主要包括槳距角調節機構卡滯、軸承磨損、齒輪箱損壞等。這些故障通常由于長期使用、維護不當或惡劣天氣條件下的持續運行所導致。例如，槳距角調節機構卡滯可能是由于潤滑不足或異物進入而導致機構無法正常運轉。而軸承磨損和齒輪箱損壞可能是由于超出負載運行或長時間在振動環境下運行所引起。電氣故障主要包括電機故障、控制器故障以及驅動器故障。這些故障可能是由于電氣元件的過載、短路、過熱或損壞引起的。例如，電機故障可能是由于電機內部電氣元件出現故障，導致電機無法正常運轉[4]。而控制器故障可能是由于控制程序錯誤或硬件故障引起的。驅動器故障可能是由于驅動器內部的電氣元件出現故障，導致驅動器無法正常輸出。通信故障主要包括網絡連接問題、數據傳輸問題以及設備通信問題。通信故障一般是由于網絡連接不穩定、數據傳輸錯誤或設備通信協議不匹配等問題引起的。

3.變槳電機溫度故障分析

本文深入探討了一種三相籠型異步交流電機驅動方式的風力發電系統中變槳電機溫度升高的故障。研究發現，變槳電機在運轉過程中，一旦發生堵轉，會在短時間內造成電機溫度升高。根據對變槳電機轉速的實時監測的實踐，發現當變槳電機轉速的編碼器反饋值與預設給定值出現大于0.5°/s的偏差，并且傳輸時間上存在約5s的延遲時，變槳電機就可能會出現堵轉現象。除了以上內在因素外，本研究還發現一些外在因素也會導致變槳電機的溫度異常上升[5]。例如，當風力發電機承受過大的載荷時，將會引發電機過流現象，從而使得電機溫度上升。變槳齒輪因異物侵入或潤滑不良等原因發生卡死，也會使得變槳電機的負載增大，導致溫度升高。

變槳電機溫度過高會對電機本身和整個風力發電機組產生嚴重影響。電機內部的繞組和軸承長時間過熱會導致性能下降，甚至損壞，從而影響電機的正常運行。電機溫度過高會影響電機的輸出功率和效率，使得風力發電機的發電量下降。此外，變槳電機溫度過高還會對風力發電機的其他部件產生影響，例如軸承過熱會導致潤滑不良，齒輪箱過熱會導致傳動系統效率下降等。為了預防變槳電機溫度故障的發生，可以采取以下措施：定期檢查和維護變槳電機，清理內部灰塵和雜質，檢查軸承潤滑情況，確保電機內部清潔且潤滑良好；加強電機的散熱效果，可以通過增加散熱面積、提高散熱效率等方式來降低電機溫度。

（二）基于回歸預測的變槳電機溫度異常預警模型

本研究項目使用回歸預測技術檢測變槳電機溫度異常，下面詳細介紹溫度預測模型建立和模型評估過程。

1.時序數據要求及數據形態分析

（1）測點時序數據要求

數據范圍方面，選取某風場某風機三個月的歷史數據進行建模。在采樣周期方面，對于工業大數據預算法來說，重點是分析和判斷設備長周期性能變化趨勢。單次計算的數據量很大，綜合考慮計算精度和計算負荷，實際使用的現場時序數據的采樣周期為1分鐘。為了方便查看測點時序數據形態，以一個月的數據為例，樣本數據覆蓋的風機范圍比較全面，包含了小風速段和大風速段，也包含了停機不發電區間和滿發區間，具有較高的代表性。

（2）時序數據治理

原始時序數據經常出現數據質量異常的情況。為了保證計算和建模結果的準確性，需要在計算之前判斷并剔除異常數據，提高進入后續計算環節的數據質量。相關的數據治理內容如下。

超限數據：時序數據嚴重超限，超過工藝設定的有效數據上下限范圍。例如，環境溫度超過100度，風機功率超過額定裝機容量的200%。這類嚴重超限的異常數據需要剔除。

通訊異常數據：對于某些測點值，正常情況下不可能出現長時間數據恒值不變的情況。一旦發現這類測點出現數據恒值不變的情況，并且連續恒值不變時間超過預先設定的閾值，則認為發生了通訊異常現象。如果單個設備同時有2個以上測點都發生了通訊異常，則認為發生了設備級通訊異常，該設備同時間段內的所有測點數據都需要剔除處理。

（3）非發電狀態數據判斷

當風機處于非正常發電狀態（停機、檢修或待機等）時，此時產生的各種數據之間都不符合風機發電狀態時的物理關系。因此，在建模和預測的過程中，不使用非正常發電狀態下的數據。應該剔除非正常發電期間的數據，僅保留發電期間的數據用于后續計算和建模。

2.特征量的相關性分析

首先計算所有測點數據之間的相關性系數，使用Pearson（皮爾遜）相關系數進行具體計算。分析變槳電機溫度測點與其他測點之間的相關性大小和方向。根據以上相關性分析，結合之前對變槳系統原理的分析，可以得出以下結論：變槳速度、槳距角、對風角等測點和變槳電機溫度之間基本沒有相關性；環境溫度和機艙溫度之間信息冗余性較強。由于環境溫度的相關性比機艙溫度弱，因此剔除環境溫度，保留機艙溫度。

3.變槳電機溫度XGBoost回歸預測建模

在原生的Python編程環境中，使用XGBoost回歸包XGBRegressor來建立變槳電機溫度的回歸預測模型。模型的輸入時序數據包括：功率、風速、輪轂轉速、機艙溫度、槳距角、變槳控制柜溫度、變槳逆變器溫度和變槳速度。建模的主要工作在于對算法參數進行調優。

四、結束語

傳統的風力發電機組的監測主要依賴人工巡檢和定期維護，存在著一定的局限性。這些巨大的結構通常分布在廣闊的地理區域，很難進行實時監測和故障診斷。因此存在著無法及時發現潛在故障、難以準確判斷設備運行狀態等問題。為了解決這些問題，基于大數據的風力發電機組智能遠程故障監測與診斷系統致力于構建物聯網智慧運營體系，實現風力發電場“無人值班，少人值守”的目標。這樣可以有效降低運維成本，實現減少企業運營成本，增加經濟效益的目的。本文詳細介紹和分析了變槳系統的結構、工作原理和常見故障，并使用現場生產數據進行驗證。結果顯示，預測數據可以較好地跟蹤實際溫度趨勢，并給出合理的故障監測預警結果，為生產運維提供了指導參考意見。