风电机组状态检测技术研究现状及发展趋势

风电机组状态检测技术研究现状及发展趋势

甄福兴

甘肃省特种设备检验检测研究院甘肃省兰州市730050

摘要：为了克服能源危机，解决日益突出的环境污染问题，风能逐渐受到人们的广泛关注。截至2020年底，全球风电装机容量达到5.26亿kW，进一步说明新能源发电比重逐步提高。研究海量状态检测数据的智能清洗、智能诊断和故障评估方法，实现基于多源信息融合的大数据预测分析和智能维护，是风电机组健康管理的重要趋势。据统计，风电机组的故障主要集中在叶片、齿轮箱、主轴、发电机、变频器等部件上。风电机组状态检测技术的发展趋势是选择合理有效的检测和监测模式，实现故障诊断和故障预测。

关键词：风电机组状态；检测技术现状；发展趋势

引言

风力发电机工作环境复杂，叶片很容易受到损伤，未被及时发现的表面损伤如裂纹等扩展可能会导致对结构造成不可逆损坏，甚至会导致塔架的损坏。风电系统的维护与检查程序日益复杂，目前已有的检测技术为风电场的正常平稳运行提供了一定的保障，但仍存在实时性、准确性等方面的不足，研究人员一直在进行不断探索。因此系统介绍风电机组叶片损伤检测技术，综述其研究方法和成果，有助于促进该领域研究的发展。

1.MIVAE网络架构

SCADA参量间的耦合关系是复杂多变的，其蕴含的机组健康状态信息的潜隐性高,以关联矩阵为驱动的故障检测模型,不仅需要考虑每个关系结点的本征特征,还需要学习表征结点间关联性结构信息.另者,在关联矩阵建立过程中,不明显的参量相关性会被当做结点处理,生成的多个零值项,导致关联矩阵的稀疏性,不利于模型的重构.因此,在传统变分自编码器(variationalauto-encoders,VAE)的基础上进行了深度扩展,构建MIVAE网络模型。(1)采用基于DCCA的耦合关联矩阵对SCADA数据进行多维参数间的关联耦合性进行量化表征，能在消除信息冗余的情况下,揭示WT健康状态变化引起的内部结构信息变化.(2)构建的MIVAE模型能减少关联矩阵在编码解码中的信息损失,其采用隐变量分布估计与特征逼近方法,能提高对多参量关联矩阵的重构复现能力.(3)在充分考虑WT运行状态变化的时序性与相关性的情况下,采用EWMA的更新迭代法对故障阈值进行了自适应设置,克服了传统故障阈值通过人为设置的主观性,降低了复杂工况环境下WT运行状态的误警率.

2.基于声发射叶片损伤检测技术

声发射检测技术(AcousticEmission,AE)是基于检测裂纹在叶片中扩散动态变形产生的瞬态弹性波能量，是一种有效的无损检测和结构健康检测（structurehealthmonitoring,SHM）技术。声发射检测适用于叶片早期故障的预警，它对于微小的结构变化十分敏感，可以用于检测裂纹初期的进一步扩展或区分损伤机制，诸如裂纹增长、脱粘、大变形、分层和冲击等情况。人工模拟了叶片的疲劳损伤，并成功通过声发射检测出裂纹增长与叶片分层情况。通过声发射传感器记录的信号，用不同的特征属性（例如频率，幅度，周期，能量等）进行分析。声发射的信号分析可用于确定叶片的状态，损伤位置和故障模式：波的到达时间可以确定损坏的位置；而随着叶片损坏的增加，传感器上会积累更多的声能，这样可以检测损坏程度。但同时，由于信号衰减的存在，AE方法中使用的传感器必须尽可能靠近损伤源，这也让该技术的使用受限。为降低衰减特性导致的声发射源定位误差，建立一个概率框架估计AE源和传感器之间的直接距离。

3.一体化检验检测

风电机组核心性能主要包括并网性能和运行性能，其中，并网性能主要指电能质量性能，运行性能包括噪声、机械载荷和功率特性。其测试参数和测试工况互有重叠，具备一体化测试的前提条件。1）风电机组通过标准变压器与电网直接相连，该变压器的额定视在功率至少应与被测风电机组的额定视在功率相当。2）风电机组未发电时,在风电机组输出端测量的直到50次谐波的电压总谐波畸变率10min平均值应小于5%。在风电机组测试前通过测量确定电压总谐波畸变率。3）电网频率的0.2s平均值应在额定频率的±1%范围内，并且测量所得电网频率变化率的0.2s平均值应小于额定频率的0.2%。4）风电机组输出端的电压10min平均值应在额定值的±10%范围内。5）风电机组输出端测量得到的电压不平衡度10min平均值应小于2%。6）满足传感器标定、传感器工作范围的测试环境。如果数据是在异常条件下记录的（风电机组异常或环境条件异常，例如，叶片上结冰或发生极端的风向变化），则需将其单独归类，以便进一步分析，而且不作为正常运行条件下俘获矩阵的一部分。一体化检验检测方法大大缩短了检验检测时间，同时减少了检验检测的误差，大幅提升了风电机组检验检测的效率和稳定性，同时提高了风电机组产品认证的效率。

4.机器人复合检测技术

机器人通常借助摄像头和光学扫描仪等视觉传感器进行检查，结合图像处理和深度学习技术，可以自动监控叶片表面，检测出诸如鸟类撞击，雷击，磨损和断裂等情况。近年来，利用飞行式机器人进行声发射和热成像检测也正在实践应用中。配有多种传感器的机器人提供了更加灵活有效的检测平台。叶片检测机器人的设计需要考虑许多影响因素：叶片长度较长；叶片存在不同曲率的曲面；塔筒壁面存在的焊缝等非平滑区域；检测时要携带一定的负载；实际工作中风力较大等。为提高维护效率，在设计时要按照质量较轻、成本最低、顶部静止时间长的原则，合理地选取吸附方案、移动方案和驱动方案等。根据运动形态，检测机器人的类别可分为以下几种：在水平表面移动的轮式机器人、攀爬式机器人、履带式、模块化机器人、腿足式机器人、飞行式等。开发一种用于风电机组叶片检查的概念轮式机器人。该设备由两个主动轮和两个被动轮组成，这个结构可以将机器人固定在叶片上，从而使机器人可以在叶片表面上移动，通过携带的热成像摄像头，超声波换能器和高分辨率相机设备进行检测，其优点是可以轻松地安装在风电机组叶片上，甚至可以使用于海上风电机组的检测。

结束语

针对目前常用的典型故障诊断方法仅利用单一数据来源的缺点，本文提出了一种基于多种数据源的故障诊断方法。将SCADA数据和振动监测数据融合，并构建了基于自编码网络的海上风电机组典型故障诊断模型，对海上风电机组典型故障进行检测和分类。该方法有效地利用了风电机组的SCADA系统对于风电机组实时监测的全局性和主传动链振动监测系统对于风电机组主传动链振动特征实时监测的针对性和深入程度，克服了单一数据源难以诊断故障的缺点。实际诊断案例表明，基于多类数据源的故障诊断模型的故障诊断正确率比仅采用单一数据源的故障诊断模型更高，且能够更早发现故障。为了能够进行有效的检测，对故障进行准确的诊断，并根据设备的运行状态对故障进行预测，将大数据挖掘技术引入到风电机组运行状态的故障诊断系统中，建立大型数据分析平台，集成多系统、跨设备、设备状态分析，包括海量状态检测数据的智能清洗、智能诊断和故障评估方法。挖掘大数据资源的价值，实现基于多源信息融合的大数据预测分析和智能维护，是风电机组健康管理的重要趋势。随着以云计算、人工智能和大数据为代表的新技术的迅速应用，这些技术在风电机组健康管理中的应用越来越受到重视。这些技术的合理使用，对于降低风电成本，提高风电清洁能源的市场竞争力具有重要作用。

参考文献

[1]张宁宁,范翔民,刘保松.相机阵列在风电机组叶片缺陷检测系统中的应用[J].机电信息,2019(29):55+57.

[2]郑安旺.风电机组叶片气动不平衡检测及精准定位[C]//.风能产业（2019年3月）.,2019:94-98.

[3]张娟.基于机器视觉的风电机组识别及编组标定[D].南通大学,2018.

[4]丁显,徐进,滕伟,柳亦兵.风电机组状态检测技术研究现状及发展趋势[J].可再生能源,2017,35(10):1551-1557.

[5]张文秀,武新芳.风电机组状态监测与故障诊断相关技术研究[J].电机与控制应用,2014,41(02):50-56+63.