风力发电机典型智能故障诊断方法综述高峰

风力发电机典型智能故障诊断方法综述高峰

高峰

（华电福新黑龙江省华富电力投资有限公司黑龙江哈尔滨150090）

摘要：随着风电装机容量的持续增长，风能在能源中占比不断增加，对风电机组的故障诊断和故障预测提出了更高的要求。根据故障诊断类别与风力发电机基本结构，对比分析了相应的智能诊断方法，并给出每类算法的改进方法。通过对不同算法理论与实验的比较分析，给出了当前智能故障诊断方法在风力发电机应用领域中的现状、存在的问题。因此，通过监控和数据分析实现对风电机组基于条件的维护和性能调整，而不是基于固定时间间隔的维护检修和性能调整，是非常必要的。

关键词：风力发电机；典型智能故障诊断；方法综述

引言

风能作为一种清洁无污染的新能源，己受到各个国家的广泛的关注，在世界的范围内得到了大力的发展。风力发电不仅在世界能源格局变更的进程中的起到重大推动的作用，更是解决当前环境污染愈发恶化的重要手段之一。随着风力发电技术的发展，以单体机组大型化、集中安装和控制为特点的风电场成为主要发展方向。。风电机组通常安装在较为偏远的地区，环境恶劣，设备维护较难；同时，意外故障造成的维修不仅会导致成本增加，还会使生产时间滞后。此外，随着风电机组老化，部件失效，电力生产性能也会下降，最终严重影响效益。

1国内风力发电行业的现状概述

近年来，我国的风力发电量年增长在50%左右，但截至目前，我国风电装机容量还只是占全国电力装机总量的0.11%，因此，风力发电有着巨大的发展潜力。2003年，为了实现风力发电的大规模商业化开发，国家发展与改革委员会开始实施风力发电特许权项目，通过招标的方式选择开发商和投资商，其目的主要是提高国产设备的制造能力，扩大开发的规模，约束发电的成本以降低电价。“九五”和“十五”期间，国家实施“乘风计划”，支持建立了首批6家风电整机企业进行风电技术引进和消化吸收，实现了产业化发展的第一步。经过“十五”期间的科技攻关和研发，新疆金风科技股份有限公司于2005年4月研制出了我国第一台1.2MW直驱式、永磁风力发电机。20%年1月《中华人民共和国可再生能源法》的颁布实施，极大地促进了我国的可再生能源产业的发展，也使我国的风电事业迎来了快速增长时期。通过自主研发或联合研发等手段，已经成功研制出兆瓦级以上风力发电机组产品，这些都显著地加快了中国风电装备制造业的产业化发展进程。我国大部分企业采用的是变桨变速恒频技术，该技术主要包括两大主流技术—双馈式和永磁直驱式，也包括混合驱动技术。1.SMW各种机型己经产业化，3MW机型正在逐渐进入市场，SMW机型己经研发成功，已经着手开始研发更大容量的机型。自2005年以来，我国的风电场建设持续高速发展，装机容量连年翻番，截至2009年底，全国装机容量己经超过25GW。另据有关专家预测，到2020年时，我国风力发电机组装机容量将达到1SOGM"'o

2风力发电机的主要结构及组成

DFIG发电机是目前风力发电商业市场上的主力型式。一个典型的DFIG风电机组的机械组成和控制系统如图1所示，包括叶片、主轴和主轴承，增速齿轮箱和双馈发电机等。发电机定子与电网直接连接，转子通过两个背靠背的交-直-交变频器连接到电网中。当发电机转子旋转频率fr2变化时，自动控制系统控制转子励磁频率f2来保证定子输出频率f1与电网频率相等，即f1=pnfr2+f2。式中pn为发电机的极对数。

图1DFIG风力发电机组的基本组成

3各部件故障分析与诊断方法比较

3.1各部件故障分析

发电机是风电机组的主要核心部件之一，其功能是将旋转产生的机械能转化为电能，为电气系统供电。发电机常见的故障包括发电机振动过大、发电机过热、轴承过热、定子或转子线圈短路、转子断条等。齿轮箱是风电机组中的一个重要部件，属于传动系统，其主要功能是将风轮在风力作用下所产生的动力传递给发电机，并使其调整至相应转速。齿轮箱由齿轮、轴承、轴和箱体４个部分组成，常见的故障有齿轮损伤、齿面胶合、断齿、轴承过热、轴承磨损失效、轴承疲劳失效、轴不对中等。叶片是风电机组中的重要部件，通过它将流动空气中的动能转化为机械能，再传递到发电机中转化为电能。由于叶片直接暴露在自然环境中，容易受到恶劣环境的破坏，其常见的故障有表面覆冰、裂纹、弯曲，以及疲劳失效等。然而，仅通过发电机端的数据很难诊断出叶片故障，故研究人员关注、研究的热点在于建立安全、有效、迅速的传感器网络。变频器在风电机组中的主要作用是将电压和频率不变的交流电变换成电压、频率可变的交流电，从而降低发电机启动时造成的冲击载荷，达到软启动的目的。变频器的故障主要有过电压、过电流、误动作、过热、欠电压等。

3.2信息融合

近年来，信息融合技术在各个领域都得到了广泛应用。信息融合或数据融合技术是将多传感器探测到的多源信息按一定规则进行分析、过滤、综合及相关合成处理，并完成决策和估计任务的过程。信息融合技术主要包括数据级、特征级、决策级３个层次的融合。其中，应用于风力发电机故障诊断方面的智能算法，主要包括特征级融合中的特征提取与决策级融合中的模式识别与决策，涉及到的有关理论有随机集、粗糙集、模糊集、证据理论等。通过对收集的数据在特征提取时结合随机集、粗糙集、模糊集等技术手段，对特征属性进行约简，然后作为输入样本进行故障诊断分类；或直接将故障类型作为决策属性，利用智能优化算法将连续属性离散化，然后对离散属性进行约简，生成简化后的故障规则决策表，都达到了较好的诊断效果。证据理论作为人工智能领域中的一种经典方法，在故障诊断领域主要作为决策级融合的方法，即利用合成规则，根据特征属性求出证据进行融合，从而为故障诊断做出决策。提出一种基于随机模糊变量（ＲＦＶ）的Ｋ－ＮＮ证据融合方法，根据故障特征历史样本构建ＲＦＶ形式的故障样板模式，利用Ｋ－ＮＮ算法获取测试样本的Ｋ个近邻历史样本，并定义它们的ＲＦＶ待检模式；经样板模式和待检模式的匹配得到Ｋ个诊断证据，通过融合做出最终的故障决策；实验证实了此方法的稳定性和有效性。其中提出一种基于最小二乘ＳＶＭ和Ｄ－Ｓ证据理论的变压器故障诊断方法。将最小二乘ＳＶＭ多分类模型输出的后验概率作为Ｄ－Ｓ证据理论的基本概率，并求取Ｄ－Ｓ证据理论的基本概率分配函数值进行分配，然后用Ｄ－Ｓ合成规则和决策规则完成故障诊断。实验同样证实了该方法的有效性。

结束语

近年来，随着风力发电机装机容量的不断增长与风电占比的不断提高，鉴于风电机组常在较为恶劣的环境下工作，对风机的可靠性提出了更高的要求。处理性故障使技术人员提高了检查统计、分析及解决问题的有效方法，了解故障处理的流程，为解决处理其它故障积攒的经验。随着系统复杂性与不确定性的不断增加，特征信息维度也随之上升，如何在复杂非线性系统中避免维数灾难，并保证了诊断的准确性，是未来研究的方向之一；同时，对于故障特征偏离正常特征较小的情况，部分方法也存在无法成功提取的局限性。

参考文献：

[1]张泉，张卓然，辛迈，冯天保.多转子极DSEG风力发电机的铁耗分析[J].微电机，2016，49（09）：19-24+29.

[2]刘晓英.基于FMEA法的风力发电机组故障模式研究[J].通讯世界，2016（03）：163-164.

[3]叶云洋，陈文明，覃事刚，王迎旭.基于“校企共同体”，校企共建共享风力发电综合实训基地[J].信息化建设，2015（11）：1-3.