风力发电机组故障诊断与预测技术研究综述

风力发电机组故障诊断与预测技术研究综述

永强

大唐（通辽）霍林河新能源有限公司 内蒙古通辽市028000

摘要：风力发电是实现将可再生性风能资源有效转化成电力资源，为社会提供更加优质和充足的电能，推动整个社会快速向前发展。在风力发电过程中需要使用到大量的风力发电机组，由于风力发电机组的系统构成相对比较复杂，在工作过程中转子叶片的转速会随着外部风速的变化而做出相应的调整。在一些强阵风的作用条件下，风电机组的叶片受到外力作用，在运转过程中的平衡性会受到一定的影响，进而造成叶片会受到相对比较复杂的冲击荷载作用，直接影响到整个机组部件的运行安全性和稳定性。从整个风力发电机组的工作环境条件上进行分析，风力发电机组在长时间工作过程中，不可避免会产生一些比较严重的故障情况，但是由于各种原因的存在会造成人工检修存在一定的困难，因此必须要对风力发电机组故障问题进行正确诊断，同时提出相应的预测技术来加以解决。

关键词：风力发电；机组；故障诊断；预测技术

随着环境污染问题的日益突出，同时为了克服能源危机，风能作为一种绿色可再生能源越来越受到世界各国的重视，风力发电机组作为将风能转化为电能的关键装备得到了迅猛的发展。风电机组通常坐落于偏僻的、交通不便的、环境恶劣的远郊地区以及沿海或近海区域，且机舱一般安装在离地面几十米甚至上百米的高空，因此风电机组日常运行状态检测困难，维护成本昂贵。

一、风力发电与风力发电机组发展现状

近年来，各国对新能源产业的呼声越来越大，并着力发展太阳能、风能等。截止到2021年，全球资源中风能约为2.74×109MW，其中约为73%为可利用风能，其利用率相比水能具有超过十倍的优越性。随着我国科学技术水平的持续提升，风力发电设备装机容量持续加大，在技术水平的进一步提升下，风能开发成本将进一步压缩，并且将实现大规模普及。据资料显示，我国近年风力发电设备装机容量持续扩大，已经超过19.66GW，并且仍在持续上涨中,我国风力发电事业正处于高速发展阶段。

二、风力发电机组故障诊断

1、依据振动信号诊断。此诊断方法在实际的应用中使用频次最高，其能够对机组中各个关键部位进行深入的检查，具有很好的应用效果。近年也有技术专家利用该方法进行拓展，找到了更具操作性及使用价值的新技术。举例来说，以Huang Q为首的一组技术专家就利用该方法研究出一种新技术机组中齿轮箱进行深入的诊断；-“小波神经网络”，能够对Ghoshal A等专家还将振动信号应用于机组叶片故障诊断，也取得了很好的应用效果。利用不同位置的振动信号，有关技术人员能够通过数据的收集和计算找出各部位的故障问题，通过诊断找出“病因”，采取合理措施解决故障。

2、依据电气信号诊断。相较于振动信号此方法中应用到的电气信号更加微弱，甚至常常被电机等设备的运作声音淹没，分析难度较大。所以，在应用此方法时，应使用较为先进的信号接收及分析设备，对相关信号进行准确识别，并从中找出故障信息。在此基础上，将转自动力学模型与数据相结合，对故障问题进行分析和总结。此模型能将电气信号与电机扭矩波动联系起来，分析出机组齿轮箱故障与信号间的实际关系，并将实际情况仿真模拟出来，准确找到故障位置。与此同时，在实际的分析中，还可以应用维纳滤波对噪音进行清理，进而判断出机组中轴承的故障。另外，通过信号双谱分析法、Hilbert 模量频谱等方法也能够对部件进行故障诊断，在实际应用中，有关技术人员可以依据实际情况进行选择，科学诊断故障。这种方法不需要额外购置传感器，具备很好的经济效益，而且诊断结果相对准确，应用前景较好。

3、依据模式识别诊断。此诊断方法是立足于机组的多元化信号研究出来的，通过在时域及频域中建立模型的方式分析故障。以轴承的故障诊断为例，应用此诊断方法可以从构建出立体模型，进而找出故障并予以解决。具体方法如下：利用Laplacian Eigenmaps 算法能够构建出故障的可视化模型，为技术人员提供立体的图形，并呈现出故障的特征，基于此可以快捷找出故障所在；借助非线性流形学习，能在立体空间结构的基础上对动态轴承进行故障分析；对于轴承的粗糙程度故障可以利用线性判别法进行分析及诊断，锁定故障位置，加快解决速度都能够有效诊断轴承故障，在实际应用中都具备一定的可行性。在当前研究环境中，此方法分为有、无监督两种，但是不论有无监督，其所需的算法数量都很大，且数据获取需要相当长一短的时间，应用中会耗费一定的成本，若将该方法应用于故障频发部位，也可能会加大企业的负担，应依据实际情况择优选择诊断方法。

三、风力发电机组故障预测技术

1、风电机组机械结构系统故障预测。通过分析发现，风力发电机组运行过程中容易出现诸多故障问题，例如叶片故障、电机故障、齿轮箱故障等。相较于电气结构，风力发电机组的机械结构故障更为严重，不仅关系着风电机组运行的稳定性、安全性，并且一旦发生机械故障，还会产生高额的维修费用。因此，对于风电机组机械结构故障的预测显得至关重要。与故障诊断不同，故障预测主要是通过日常监测发电机组的运行状态、运行数据从而对可能发生的故障进行分析，并采取相应措施防止故障或降低故障发生率。二者虽然存在本质上的区别，但也有一定的相似之处。例如，在预测风电机组机械结构故障的过程中，可以参考风电机组的振动数据。风电机组运行过程中，不同结构都有其独特的功能和特性，因此通过对振动数据的监控分析，能够全面预测发电机组的机械部位可能存在的功能问题。首先，风电机组日常运行过程中，需要定期收集风电机组振动所产生的参数数据；其次，对收集到的数据进行深度分析，提取其中的频率信号、时域信号。通过分析信号的特征值，能够精准确定机组机械结构各部件的运行状态，发现可能存在的故障问题；最后，以统计学理论为基础，根据风电机组的运行规律制定报警数值，进而在保证不影响机组正常运行的状态下对可能发生的严重故障问题进行精准预测。

2、基于设备故障模型和大数据神经网络预测。随着状态监测和故障诊断技术的不断进步，上个世纪末逐渐发展起来一种新的维修方式——基于状态的维修(CBM)。该维修方式综合运用各种技术手段获取设备的运行状态信息,并运用数据分析与维修决策技术对设备状态进行实时或者周期性的评价，最终做出科学化的维修决策。实现了通过状态监测预测即将发生的故障，制订合理的维修决策。本文将智能诊断技术进行有效融合，通过大数据神经网络、机组设备故障模型，构建了一套风电机组核心设备的数字化镜像模型，能够完全还原机组的真实运行状态，从理论上将具有与机组相同的状态结果。基于大数据神经网络的机组故障模型预测进一步提高了对机组运行异常数据的捕捉能力，提升了异常记录以及警报的准确性。不仅如此，该模型除具有警报功能外，还能够对可能发生的故障进行定性、定位，预估可能造成的危害性，并根据风电机组的实际情况提供可行的检修方案，更加智能化、便捷化。该模型主要参考机组设备、系统的运行参数，并根据重要性对所收集到的参数进行类别划分，同时通过对过程报警的进一步整合，在很大程度上提高了报警的准确性，降低了误报警情况的发生。

现阶段，为满足“双碳”战略发展目标，风力发电逐渐成为主流供电方式，为保证风电机组的稳定运行，亟需制定一套高效、精准度机组运行故障、预测方法，结合当前风力发电及发电机组的发展现状，简要分析了风电机组运行过程中的常见故障，并深入探讨了风电机组的故障诊断及预测技术，以期能够进一步提高风力机组运行的稳定性，促进风力发电行业的健康发展。

参考文献：

[1]龙霞飞,杨苹,郭红霞.大型风力发电机组故障诊断方法综述[J].电网技术,2017,41(11):31.

[2]刘敬智,宋鹏,白恺.风力发电机组故障预测技术研究[J].华北电力技术,2019,5(12):49-54.