(华电新能源黑龙江省华富电力投资有限公司黑龙江哈尔滨150090)
摘要:随着新能源的不断发展,风能发电是目前较为环保的有绿色的发电方式。由于风力发电的设备处在各种环境中,风力发电机发生故障已经是习以为常,在恶劣的环境下对于故障的维修也是比较困难的,风力发电机组状态的监测和故障的诊断一直以来就是一个技术难题,能够对风力发电机组状态的实时监测能够及时的发现潜在的故障,最小的降低造成的损失;从而对于风力发电机组的故障能够提供有效的数据参考,对于故障可以更快的处理。因此降低风力发电机组的故障需要很大程度突破风力发电机的监测和故障诊断技术。
关键词:风力发电;新能源;发电机
引言
近年来随着环境的污染,作为新能源风力发电将被广泛的运用于各个行业,风力发电场一般均在比较偏远的地带,在恶劣的环境下,对于风力发电机组的复杂多变的故障问题以及难以统一信号的监测技术难题,从风力发电机故障较多的地方入手,在依据不同监测下的数据为切入点,分析风力发电机组在发电过程中常出现的问题,对于风力发电机的监测和故障技术问题更深入的研究。
1、风力发电机组的故障特点
风力发电场的的位置大多为一些偏远地区和高山上,恶劣的自然环境、风速多变以及外部载荷的不稳定长期影响对于风力发电机组内部的部件很容易引起故障。而风发电机组的故障一般都是主要有齿轮箱、发电机、变频器三部分的故障。我们主要是对于风力发电机组中发电机部分做主要的研究,风力发电机组的发电机一般故障有发电机轴承过热、发电机运行时的振动过大以及发电机机身的温度过高等方面的故障。经过长时间的研究发现,造成以上故障的主要原因是轴承损坏、定子绕组的绝缘损坏以及转子的平衡问题等原因。对于不同的故障问题以及部件应采用相适应的处理方法,是对其进行最有效的状态监测和故障诊断的有效措施。
2、风力发电设备结构分析与故障原理
2.1风力发电设备的结构
风力发电设备结构主要由叶片、风轮、轴承、齿轮、发电机、电气系统、液压系统、刹车系统等,如图1。
图1
风力发电设备主要是利用叶片捕捉风的能量,将风能专递到发电机那里,刺激发电机做功,进而输出电能,实现能量转化,在通过变频器将电能输送到城市电网中。
2.2风力发电设备故障原理
从调查统计情况看,风力发电设备每年发生故障的几率较高,尤其是机器运行的前几年,之后设备进入稳定期,但到了运行一定的年限后又开始增加故障发生的可能性。据统计显示,风力发电设备中最容易出现问题的部件是叶片、齿轮、传感器、电气系统、液压系统,出现故障最少的部件是轮毂,齿轮和轴承是传动系统的一部分,也容易发生故障。有其部门地区的沿海风电设备,由于风力较大,设备更容易出现故障。
2.3风电机组运行状态监测
设备运行状态监测是发电企业的常见工作,也是设备故障判断的前提和依据,国外最早开始研究状态监测的国家是美国,主要是针对航天设备的状态监测和故障诊断,之后延伸到发电企业和其他大型设备企业,美国有很多专门从事发电设备状态监测与故障诊断的公司,如Bently公司。传统的状态监测主要是专家根据积累的经验进行研究,对设备进行观察,确定其运行状态与可能存在的故障,存在一定的误差。随着科学技术的发展,我国逐渐建立起专业化的发电设备转台监测体系,状态监测技术比较实用,现在很多发电企业都是利用计算机技术进行状态监测,将数据传输到电脑中,对这些数据进行分析,结合发电设备建立监测网,从而实现大规模的监测。
3、风力发电机组的故障诊断技术分析
3.1基于振动信号的故障诊断技术
基于振动信号的针对风力发电机组中叶片、齿轮箱、轴承等关键部件的监测与故障诊断方法在我国已经非常成熟。科研人员根据风电机组的故障特点,利用小波神经网络方法对风电机组齿轮箱进行故障诊断,主要是针对风电机组的微弱故障信号,根据集平稳子空间分析的信号分析以及连续的小波变化,总结出风电机组齿轮箱的故障特征。利用谱峭度可以诊断行星齿轮箱的故障,基于频率解调方法识别行星齿轮箱的故障情况,再对风电机组振动信号进行降噪,运用流行学习算法对风电机组的早期微弱故障进行诊断。另外,对叶片故障的诊断,是通过分析对压电陶瓷传感器监测到的振动信号完成的。
3.2基于电气信号的故障诊断方法
相对于振动信号,电气信号中与故障相关的内容往往比较弱,还时常被电机固有的电气信号等噪声掩盖。因此,要运用先进的技术,在电气信号中找出与故障相关的部分,再结合电机、转子动力学等模型,总结出风电机组的故障。电机的动力学模型可以展示出电流信号与电机系统的扭矩波动之间的关系,利用模型可以仿真分析齿轮箱故障与电流信号的关联,从而找出齿轮箱的电机传动系统的故障所在。然后,利用维纳滤波滤去除电流信号的噪声,通过分析统计过程控制图可以对电机轴承故障做到早期诊断。根据轴承故障的特点,明确地判断轴承的不同故障。直流无刷电机的转子故障,可以利用加窗Fourier变换以及Wigner-Ville分布,通过分析动态的电流信号进行诊断。专家们利用同步采样方法,从电流信号中分析出故障特征,利用关联维数分析,可以完成风电机组不同故障的定量分析。电机的定子匝间短路故障的诊断,是通过选取隐马尔可夫模型的阶次,建立HMM故障诊断模型完成的。齿轮的故障诊断,可以应用调制信号双谱分析法完成。对转子断条电机和偏心故障的诊断要求的精度相当高,用Hilbert模量频谱分析,进行仿真实验可以实现。另外,以谱峭度法为依据,再结合利用Hilbert分析方法,可以有效地识别单一的、混合式的电机故障。
3.3基于模式识别法的故障诊断技术
基于模式识别法的故障诊断,即分析风电机组的多元化信号,在时域、频域或时频域上构建一套高维模型,进行特征的融合、降维和分类,继而进行可视化分析,得出故障特征。轴承的故障特征,可以通过对重构的高维结构进行分类分析提取,故障诊断包括以下方法:(1)基于拉普拉斯特征的映射算法,可以保留故障信号的整体几何结构,提取出内在的流形特征,用于装备的故障诊断;(2)基于非线性流形学习方法,在局部空间优化的基础上可以实现滚动轴承的故障诊断,还可以应用新的聚类算法;(3)采取线性判别分析方法,可以对电机轴承的粗糙度故障以及点故障进行诊断。
结束语
风力发电机组的检测以及故障诊断是通过计算机系统、电气系统、控制系统等多个系统的融合的人工智能的结晶,在我国众多的风力发电场可整合到一个监控系统中,在一个监测系统中可检测到全国各地的发电厂是否在正常的运行。我们要收集故障的数据根据不同地区不同条件研发出适合当地环境条件下发电的发电机组部件,有效的从根本上解决故障的发生提高零部件的使用寿命增加发电的周期,同时要结合先进技术来提高监测技术的精度,对故障的发生可以及时应对。更大程度的提高我国对于发电机组的监测和故障诊断技术。
参考文献:
[1]汪可询.风力发电机故障诊断技术与工程实践研究[D].华北电力大学,2017.
[2]刘轩.风力发电机故障预警方法研究[D].华北电力大学,2017.
[3]毛小丽.风力发电机组故障特征分析与诊断方法研究[D].华北电力大学,2017.
[4]郭梅.风力发电机传动系统振动监测与故障诊断系统研究[D].浙江大学,2017.
[5]孔德同,贾思远,王天品,刘庆超.基于振动分析的风力发电机故障诊断方法[J].发电与空调,2017,38(01):54-58.
[6]赵勇,韩斌,房刚利.风力发电机状态监测与故障诊断技术综述[J].热力发电,2016,45(10):1-5.