（新疆金风科技股份有限公司 新疆乌鲁木齐市 830026）
摘要：风能的开发和利用近些年正处于一个快速上升阶段。风力发电机是风能转换电能的重要设备，其中的变桨子系统在维持风机的功率输出稳定和运行安全上起着重要的作用。相对于发电机、齿轮箱等其他子系统，变桨系统故障诊断方法的研究起步较晚，本文就风力发电机组变桨系统故障分进行了分析。
关键词：风力发电机组；变桨系统；故障
前言
自从迈入21世纪，传统化石能源的急剧消耗以及世界范围内生态环境的恶化，这已经严重影响了人们的生活状况。因此解决能源以及环境恶化问题已经显得尤为重要，全球各个国家正在积极寻找可替代能源。因此风、光等新型的可再生能源进入各个国家的视线中。全球每个年度产生的风力资源大约有2.74×108MW，其中可以利用的风能大约为2×108MW，相比于目前地球可以开发利用的水能显得尤为巨大。而中国由于具有较长的海岸线以及内地风场，因此具有丰富的风力资源，使得国内装备的风电机组容量逐年增加，显示越来越快的增长。但是风力发电场所在区域的环境较为恶劣，为了保证其能够大容量高效的进行发电，设备的维护与保养迎来了巨大的挑战，尤其是故障频发的变桨系统。变桨系统能够根据外界环境的改变，调节桨距角，从而实现恒定的输出功率，因此它是风电场风力发电设备的重要组成部件。由于其经常变动，这也导致了它是风机发生故障的重要因素之一。每次发生故障，大约有33%概率是它发生了故障。变桨系统的故障给风力发电电网的正常运行带来了巨大的挑战，因此为了确保电力系统的正常运行，需要对其进行快速而准确的识别变桨系统发生的故障。
1变桨系统故障类型
根据变桨执行机构的驱动力不同，目前风力发电机中的变桨形式可分为电-液变桨形式和电动变桨形式。电-液变桨形式又称做变桨，它是以电动设备作为驱动源，以油作为传递介质从而控制桨叶的运动；电动变桨形式是以电机作为驱动源，通过电气设备控制桨叶的运动。现阶段，我国风电机组变桨类型主要为电动变桨类型。因为风电机组在运行过程中，其所处环境或运行状态的参数都是会变化的，且与风机的运行状况密切相联。所以，可以从这些参数中判断风机是否故障或故障程度。
2变桨系统故障诊断方法研究
2.1基于解析模型的诊断方法
2.1.1基于状态估计的诊断法
基于状态估计的诊断法即通过获取一个系统外部的数据，从而判断系统运行状态的方法。该方法只能了解系统外部数据的变化特征和趋势，无法了解一个系统内部的运行规律或故障原因。但近5年来，人们开始尝试将基于状态估计法用于一些非线性或复杂估计等问题，从而出现了一些新的方法和思想。
2.1.2基于参数估计的诊断法
基于参数估计的诊断法，即通过分析手中的数据，推理其中存在的内在联系。从已有的样本中找到相关参数，从而表征样本数据，并能分析全体样本特征、趋势的方法。它是概率论中数理统计的一个重要分支，该方法相对于状态估计诊断法，不需要计算残差生成分析，更有利于故障的分离。目前更多的研究是将参数估计和模型建立等其他方法的结合。
2.2基于信号分析的诊断方法
基于信号分析的诊断方法即指将记录在某种媒介上的信号，对信号的进行分解然后组合处理，从而得出该系统所处状态。传统的时域、频域分析常适用于平稳、线性的信号输出。
但由于风速的随机性和不确定性导致获得的信号是非稳定以及非线性的，这使得传统信号分析方法并不适用于风力机变桨故障的诊断。近些年来许多学者提出了很多新的用于分析非稳定信号的方法，迅速发展小波变换、Wigner-Ville技术、Hilbert解调、FFT频谱分解、经验模态分解等新的信号分析方法。
2.3基于人工智能的诊断方法
近年来，在风电机组故障诊断中基于人工智能的诊断方法得到大力发展，因为它不需要确定被控设备的具体模型，能很好地应对风电机组不确定性、突发性等一系列随机故障。目前基于人工智能主要有以下几个方面：神经网络方法、模糊逻辑推理方法、专家系统知识库、遗传算法等。这里主要介绍了神经网络方法和模糊逻辑推理在风力发电机组变桨系统故障诊断中的运用。
2.3.1神经网络方法
神经网络是一种基于数理统计的新型数学建模方法，具有逼近任意映射非线性的特点，是在大数据发展的今天，提出的一种新的数据处理方法。将神经网络方法运用到风力发电机组中，它在运用特征参数提取到故障识别的过程中，扩大了故障诊断的准确性，显示了其极大应用潜力。通过深层的神经网络（DBN）方法用于风力发电机故障检测和诊断优越的全面数据驱动方法。DBN不需要物理模型的知识，而是使用历史数据而无需任何预选，并验证了该方法的高精度、强鲁棒性、广泛实用性和良好的稳定性。但DBN需要大量的离线培训数据，这是一个耗时的过程。人工神经网络在无人监督和监督下的应用，尤其是针对于风力发电机组的故障诊断。深度学习是一种基于深度人工神经网络技术的机器学习模式，近年来在各种应用中取得了巨大的成功。此外，还发现深度学习在SCADA数据中的应用由于其相对较低的维度而受到阻碍，提出了处理高维SCADA数据的方法。
2.3.2模糊逻辑推理方法
模糊逻辑推理能够很好地解释和推理模糊、复杂或随机的数理关系，对于复杂、复合、不确定等问题的解决具有重要的作用。由于风电发电机组故障随机、不确定因素较大，模糊逻辑推理方法的发展为风力发电故障诊断开辟了新的道路。
以风力发电机组中变桨系统的桨距角控制故障为研究对象，运用模糊推理技术，结合了现场工作人员的经验和风机的实际运行性能，建立了一个变桨控制系统故障诊断模型。通过建立故障树，运用模糊理论解决不确定性推理问题。该方法提高了诊断精度，同时提前了故障确认时间。若将其与神经网络的结合，能够更加快速准确地定位变桨系统桨距角故障。通过对桨距角故障、电机故障以及输出功率故障的详细分析，分析风电机组故障之间存在强的耦合性，传统的物理和数学模型建立方法是无法准确描述的。基于自适应神经模糊推理理念，以SCADA系统中的特征量作为输入量建立风电机组变桨系统故障模型，与广泛运用的BP神经网络进行对比表明，该模型的诊断能力更具有优越性和准确性。将故障诊断理论运用于基于Petri网的方法建立了一种新的模糊故障Petri网系统，将其运用于风力发电机组仿真，可得该方法比前两者都具有优势。但其存在自适应能力、学习能力不强，收敛速度慢，不能准确描述故障机理的缺点，这在混合式故障融合诊断技术中能得到很好的解决。
结束语
风力机变桨系统是一个复杂的系统，与普通物理系统的复杂性不同，风力机变桨系统的复杂性是非线性的、非稳定的（例如：风速、转速、温度等）。未来，可借助于复杂科学理论，以系统论的观点，探究风力变桨系统与风电机组运行参数及其他各个子系统的内在联系，能够建立一套完整的变桨故障诊断知识库，并能套入风电机组诊断系统中，形成一套完整的风电机组的专家评估系统，为风电机组系统独立、自主进行故障诊断提供理论基础。
参考文献：
[1]刘敬智，宋鹏，白恺，等.风力发电机组故障预测技术研究[J].华北电力技术，2016，（12）：49～54.
[2]高军强.风电机组电变桨系统故障诊断[J].机械研究与应用，2018，（2）