风力发电机组故障诊断技术综述卢林林--中国期刊网

字体：大中小

首页> 原创作品> 正文

风力发电机组故障诊断技术综述卢林林

发表时间：2021/6/10 来源：《基层建设》2021年第6期作者：卢林林

[导读] 摘要：目前，我国的经济在快速发展，社会在不断进步，风力发电机组因运行环境恶劣较易发生故障，实现对风电机组适当的状态维护或预防性维护，既能减少故障发生概率、降低维修成本，又能改善电力系统运行的安全性与经济性。

        韶关市南雄粤风新能源有限公司广东省南雄市 512400
        摘要：目前，我国的经济在快速发展，社会在不断进步，风力发电机组因运行环境恶劣较易发生故障，实现对风电机组适当的状态维护或预防性维护，既能减少故障发生概率、降低维修成本，又能改善电力系统运行的安全性与经济性。首先，通过回顾近年来国内外在风电机组状态维护或预防性维护方面所做的相关研究工作，系统归纳了当前针对风电机组关键部件开展故障诊断和状态预测的难点问题及其研究进展；然后，对基于数据驱动的风电机组故障诊断与状态预测方法进行了重点论述；最后，对未来该领域的研究建议进行了展望。
        关键词：风力发电机组；故障诊断；综述
        引言
        风能作为一种清洁、高效、可再生的新型能源，有效地解决了不可再生能源的短缺及其所带来的环境问题。近年来全球风电市场的装机容量迅速增长，据统计，截止到2019年我国风电并网总装机容量已经高达210GW，跃居世界第一。在风电市场快速增长的同时，由于前期发展阶段技术不成熟以及把控不到位等原因，出现了发电性能不好、故障频发等一系列的风机问题，甚至还出现了机组飞车、倒塔等严重事故，所以机组安全成为风电行业的关注焦点，保证机组安全运行是行业持续发展的关键之一。机组振动是反应机组安全运行的重要参数，机组振动超限会导致机组停机，影响机组的运行稳定性，造成发电量损失。如果长期振动过大或周期性振动，可能会导致风轮、传动系统等损坏。风力发电机组主要由风轮、变桨系统、机舱、发电机系统、变流器和塔筒等组成，是将风能转换为机械能，机械能带动转子旋转，最终输出交流电的电力设备，其控制系统是复杂的刚柔耦合的多维度控制系统。随着机组的容量增大，机组结构和体积也不断增大，从而更容易引发振动问题。风力发电机组的振动特性极其复杂，一般采用在机舱安装加速度传感器的方法对机组的振动进行监测，实时传入主控系统中，并且传感器接入安全链独立回路中。当出现机组振动值超过限值后，机组将会报出故障，断开安全链，保护机组安全。
        1实际振动引发故障
        机组实际振动触发限值并不多见，即便发电机及齿轮箱轴承、主轴轴承发生异常，一般不会引发机舱加速度超过限值。除非严重失效，但也因此故障点已十分明显，本文不做讨论。实际振动故障特点：（1）发生在相对高风速段或启停过程；（2）能够感受到机组运行声音异常及高能振动；（3）从加速度数据（毫秒级）看幅值存在渐变过程，不存在跳变。导致实际振动的原因有：（1）塔筒基础或结构刚性未达到设计要求，导致固有频率下降，与叶轮转频过于接近引发共振；（3）机械传动链的某一异常振动频率与系统固有频率重合；（3）控制系统设计缺陷，导致机组在启停过程中没有很好的避开大部件固有频率。（4）控制系统异常；（5）叶轮转矩波动导致共振。
        2风力发电机组故障诊断技术综述
        2.1数据采集与预处理
        对风电机组进行准确诊断和状态预测需要以可靠的数据为基础，因此，数据采集与预处理是故障诊断与状态预测的重要环节。目前，用于机组故障诊断和状态预测的数据大部分来源于数据采集与监控（supervisorycontrolanddataacquisition，SCADA）系统。随着信息物理融合系统（cyber-physicalsystem，CPS）的提出与发展，对设备的监测与控制手段也在逐步提升，借助大数据分析中的流式计算和数据摘要等技术，可从更广泛的角度对风电机组所处环境和运行状态进行实时监测和控制。由于受实际因素（如信息采集过程中环境温度的变化、电磁干扰等）的影响，所取得的原始数据质量较低，因此首先应进行数据预处理操作。目前可用的方法包括：数据清理、数据集成、数据变换、数据归约等。

期刊文章分类查询,尽在期刊图书馆

其中，数据变换过程中常常含有不能表征机组运行状态的“噪声”或“干扰”，这类信号对故障分析无用，甚至会导致错误的诊断结果，因此必须对数据进行信号处理操作。常用的信号处理技术包括：包络分析，带通滤波，平滑方法，域变换（如时频变换、小波变换、Hilbert变换）等，以及大数据处理方法。
        2.2风力发电器的仿拟验证分析与探讨
        创设风力发电机故障的模拟平台，要想对所有类别故障的诊断算法开展实验，就需要在开展故障信号模拟的同时，开展风力发电机事故的监测和诊视。在此之前有人已经做好了定子不平衡状态或转子不平衡状态的模拟实验，其电阻值需要与定子或者转子相等。实验台可以模拟很多故障，例如传动系机械的不正常运作、发电机的定子绕组短路事故等。创设的风力发电机可以模仿很多事故，其中有定子绕组匝间短路事故、定子不平衡和转子不平衡现象，因为这一实验模仿平台有一个感应的发电机是滑环双馈式的绕线感应发电机。定子和转子会出现一些故障，例如定子、转子在绕组时每匝之间的短路现象、层间短路现象以及相间短路现象等，都能够通过双馈型的风力发电机故障模拟实验平台来开展模拟实验，采用和实际运行的双馈发电机差不多的结构，同时，可以人为进行控制。
        2.3数据分析方法
        目前数据分析方法主要有时域分析和频域分析两种方法，时域分析方法是用专业软件将采集的数据转换为时域波形，观察时域波形的形状、幅值、周期性等变化情况，从而推断故障发生的原因，由于时域分析方法只能对数据在时域内的特性进行分析处理，分析处理的结果往往不能反映到频域上，不利于对故障定位；频域分析方法是用专业软件将采集的数据转换为频域波形，观察幅值随频率的变化情况，从而推断故障发生的原因。频域分析方法只能对信号的频域成分进行分析，假设检测信号为周期循环，通常分析频谱更多表征为数据检测时段内平均值的概念，很难反映准确对应时序信息，所以数据分析时采用时频联合分析法。即先在时域上进行分析，如果存在明显的周期性波形，将对此波形进行频域分析。机组振动是一个连续的信号，当主控以一个较高采样频率对机组振动值进行取样，就实现了振动信号的离散化。采样频率越高，可以显示的信号频域就越宽，总的采样时间越长，基频就越小，可以显示的信号频分辨率就越高。根据香农定理，采样频率至少是信号频率的2倍才能用于频谱分析，目前故障时的主控数据满足要求。
        2.4深度学习
        深度学习（deeplearning，DL）是机器学习的一个重要分支，可以理解为ANN的发展，主要通过组合低层特征形成更加抽象的高层来表示属性类别或特征，以发现数据的分布式特征表示，从而提升分类或预测的准确性。常见的DL算法包括：深度置信网络、卷积神经网络、循环神经网络以及堆栈式自动编码器等。例如，针对齿轮传动系统中齿轮等零部件易出现故障的问题，提出了一种基于DL理论的齿轮传动系统故障诊断方法，首先利用深度置信网络提取齿轮传动系统的振动信号，然后通过深度置信网络的复杂映射表征能力对故障信号进行故障判别。
        结语
        本文针对机组振动超限故障问题，分析了故障产生的机理，并从自身检测和外部影响两方面着手，重点分析了某风场由于转速周期性波动导致塔筒共振的原因，计算出陷波器传递函数并搭建仿真模型，对转速控制进行陷波器滤波处理，通过理论仿真再到现场实施，对振动的抑制明显，最终实现了对振动故障的处理，减少了机组故障停机次数，提高了机组稳定性，更提升了机组的安全性。
        参考文献：
        [1]黄树红，李建兰.发电设备状态检修与诊断方法[M].北京：中国电力出版社，2008.
        [2]沈艳霞，李帆.风力发电系统故障诊断方法综述[J].控制工程，2017（20）：789-795.