风电机组主要部件故障预警及其应用

风电机组主要部件故障预警及其应用

付开南

中电建新能源集团股份有限公司 云南分公司

云南省 昆明市  邮编   650011 

男  汉   云南.景谷   本科   中级     机械设计制造及其自动化

    摘要：风电机组故障预警技术是实现风电机组安全稳定运行的重要保障。本文针对风电机组主要部件的故障预警问题，介绍了目前主流的基于灰色系统理论、神经网络和模糊控制等的故障预警技术。以风电机组中风机齿轮箱和发电机为例，分析了风电机组主要部件故障预警技术的应用现状，并结合故障预警技术在国内某风电场的实际应用情况，介绍了基于灰色系统理论、神经网络和模糊控制等技术的故障预警技术在该风电场风电机组中的应用情况。结果表明：该风电场风电场主要部件故障预警系统能够实现对风电机组主要部件进行实时监测和预测，能够在较大程度上提高风电场运行人员对风机运行状态的管理能力。

关键词：风电机组  齿轮箱  发电机  故障预警

一、引言

随着全球能源危机和环境污染问题日益突出，风能作为一种清洁能源，越来越受到世界各国的重视。在众多可再生能源中，风力发电作为最具潜力和最具发展前景的可再生能源，已经成为世界各国争相发展的领域之一[1]。截至2022年年底，全国风电装机容量达到6.61亿千瓦，约占全球风电装机容量的三分之一。在全球新增风电装机容量中，中国以15.6%的份额位居第一。据国家能源局统计，2021年全国新增风电装机容量3047万千瓦，占全国新增电力装机的比重达到16.9%。其中，东部地区新增风电装机约为1580万千瓦，占全国新增风电装机比重达到93.6%；西部地区新增风电装机约为158万千瓦，占全国新增风电装机比重为94.9%。风电机组的安全稳定运行对保障电网安全、提高风能利用率、减少弃风损失具有重要意义。随着风电机组的单机容量不断增大和变桨距结构的广泛应用，风机故障发生率也随之增加。因此，如何实现对风电机组主要部件的实时监测和故障预警，及时发现和排除风机故障隐患，从而保证风机安全稳定运行已成为风电行业亟待解决的问题。本文就以风电场风力发电机组中的主要部件——齿轮箱和发电机为例进行研究[2]。

二、风电机组故障预警技术现状

随着风电行业的快速发展，风电场的数量不断增加，风电机组运行维护难度越来越大。针对风电机组中的关键部件故障预警问题，目前主要有以下两种技术方案：

（1）基于智能控制和数据库技术的故障预警技术；

（2）基于灰色系统理论、神经网络和模糊控制等技术的故障预警技术；

对于风电机组中的风机齿轮箱、发电机等关键部件，如果能够对其运行状态进行实时监测和预测，则能够有效地避免发生故障。在实际应用过程中，也可以通过将数据挖掘技术引入到风电机组主要部件的监测和预测过程中，建立基于数据挖掘的故障预警模型，实现对风电机组主要部件运行状态进行实时监测和预测。在此基础上，实现对风电机组主要部件的故障预警，能够有效地减少风电场运行人员对风电机组运行状态管理能力不足而造成的经济损失[3]。

三、根据风电机日常运行中的数据进行大数据分析

  基于大数据的风电机组故障预警技术在国内的研究工作主要集中在两个方面，一方面是基于对风电机组运行状态的数据进行挖掘，实现故障预警；另一方面是针对风电场已有的基础设施建立大数据分析平台，对海量的风电机组运行数据进行有效分析，提取故障预警指标。主要通过对风电机组运行过程中所产生的大量数据进行分析，利用数据挖掘技术实现故障预警。在数据分析技术方面，可以利用数据挖掘中的模式分类技术和关联规则挖掘方法对风电机组运行数据进行有效处理。比如，利用大数据挖掘技术对风电机组运行数据中的故障特征进行提取和关联规则挖掘，可以实现故障预警。

四、故障预警的理论基础

由于风电机组中主要部件的故障具有较强的随机性和不确定性，因此采用目前主流的基于灰色系统理论、神经网络和模糊控制等技术的风电机组故障预警方法进行研究，可在一定程度上实现对风电机组主要部件故障的预测。其中，灰色系统理论是一种处理信息不完全和不确定问题的有效方法。其基本原理是通过对原始数据进行预处理，建立一个灰色模型，从而实现对风电机组主要部件故障的预测。

神经网络是一种模拟人脑工作原理的神经网络模型，具有很强的非线性映射能力和较强的自学能力，在故障预警中也具有重要作用。其基本原理是将风电机组主要部件故障数据作为输入量，通过反向传播（BP）网络对风电机组主要部件故障进行预测[4]。

五、基于灰色系统理论的故障预警

灰色系统理论是一种研究不确定系统的方法，它将不确定的问题通过对灰色模型的处理得到确定性问题。灰色系统理论在风电机组故障预警中的应用主要有：①风机齿轮箱的振动信号分析，利用数据处理软件对齿轮箱振动信号进行数据分析，得到风电机组齿轮箱的振动特性，建立齿轮箱振动模型；②通过对风电机组发电机状态监测数据进行分析，得到发电机的输出功率、输入电流等关键参数；③利用灰色系统理论预测风电机组发电机转速、电流和温度等关键参数，建立故障预警模型。

在国内某风电场，风机主要部件故障预警系统通过采集风力发电机组各个传感器数据，实现对风机主要部件故障预警系统中风电机组振动信号分析、振动信号特征提取、风电机组主要部件故障预警、风机主要部件故障预警等功能模块的应用。实际运行结果表明该系统能够对风电机组主要部件进行有效预警。

六、基于神经网络的故障预警

基于神经网络的故障预警技术是指利用神经网络建立风电机组主要部件故障预警模型，实现对风电机组主要部件故障的实时预测和预警。神经网络是一种由多个节点组成的非线性动力学系统，它具有良好的非线性映射能力和学习能力，因此可通过神经网络进行风电机组主要部件故障的预测和预警。与传统的风电机组主要部件故障预警技术相比，基于神经网络的故障预警技术具有更强的鲁棒性和容错性，并且具有很强的非线性映射能力[5]。

目前，国内某风电场风电机组采用了基于神经网络的故障预警技术进行风机主要部件故障预警，取得了良好效果。本文以该风电场中风力发电机齿轮箱为例，介绍了基于神经网络的风电机组主要部件故障预警系统。

七、结语

本文针对风电机组主要部件故障预警问题，介绍了目前主流的基于灰色系统理论、神经网络和模糊控制等故障预警技术的基本原理，并以国内某风电场风电机组为例，介绍了该风电场风电机组主要部件故障预警系统的功能和应用情况。

通过对该风电场风电机组主要部件故障预警系统的应用，得到以下结论：

（1）该风电场风电机组主要部件故障预警系统能够实现对风机主要部件进行实时监测和预测，能够在较大程度上提高风电场运行人员对风机运行状态的管理能力。

（2）通过对该风电场风电机组主要部件故障预警系统的实际应用，可以发现该系统在风机故障预警方面能够实现对风机故障的提前防范，能够在一定程度上降低风电机组故障率，提高风电机组的运行效率。

（3）在未来的研究中，可以考虑将人工智能等技术引入到该系统中，进一步提高该系统的智能化水平。

参考文献

[1]吕靖峰.我国风能产业发展及政策研究[D].中央民族大学[2023-10-30].

[2]郑浩.轴承故障检测技术及其在风力发电机组中的应用[D].山东大学[2023-10-30].

[3]常永亮.基于现场数据的大型风电机组故障诊断研究[D].华北电力大学[2023-10-30].DOI:CNKI:CDMD:2.1016.276618.

[4]伍席文,胡超波,金钊,等.基于NARX的神经网络时间序列模型的风电机组主轴故障监测及预警系统[J].电力设备管理, 2023(2):97-100.

[5]乔福宇,马良玉,马永光.基于功率曲线分析与神经网络的风电机组故障预警方法[J].中国测试, 2020, 46(8):7.DOI:10.11857/j.issn.1674-5124.2020050137.