大功率併網風電機組狀態監測與故障診斷

大功率併網風電機組狀態監測與故障診斷是指對於整機根據系統現在或歷史性能狀態預測性地診斷部件或系統完成其功能的狀態（未來的健康狀態），包括確定部件或者系統的剩餘壽命或正常工作時間。

基本介紹

• 中文名：大功率併網風電機組狀態監測與故障診斷
• 外文名：Condition monitoring and fault diagnosis of high power grid connected wind turbines
• 現狀：急迫需求
• 背景：對風電狀態監測的迫切需求
• 故障原因：環境惡劣等
• 診斷內容：葉輪齒輪箱發電機變流器變槳系統

背景

近年來，風能在世界能源結構中地位越來越突出，風電將逐步成為火電、水電之後的第三大常規能源。隨著我國大型海上風電建設規劃相繼啟動和現運行的大部分風電機組質保期逐漸超出或鄰近超出，高故障發生率和高運維成本的現狀越來越引起風電運營商、製造商和第三方運維公司等機構的關注。

相比陸地風電機組，海上風電機組將面臨更惡劣的運行環境和更高的運行維護成本。據統計，海上風電機組的維護成本至少為陸上風電機組的2 倍，運維成本高達經濟收入的30%~35%，其中約25%~35%為定期維護費用，65%~75%為事後維修費用。隨著單機容量不斷增加，大功率風電機組的複雜性程度增加，將會面臨更高的故障率和運維費用。為了降低故障率和減少維修費用，開展風電機組的狀態監測和故障診斷研究，對及時掌握風電機組運行狀態，及早發現潛在故障徵兆，降低故障率，減少運維成本，從而保證風電機組安全高效發電運行有著重要學術研究意義和工程套用價值。

鑒於風電機組對狀態監測和故障診斷的急迫需求，國內外相繼出台了標準規範，如2009 年歐盟推出了關於《風力機及其部件的機械振動測試與評估標準VDI3834》；2011 年國家能源總局提出《風力發電機組振動狀態監測導則》。

上述標準主要是針對風電機組關鍵部件的振動特徵量制定的規範要求，對於實現全面的風電機組狀態監測和故障診斷的要求還遠遠不夠。與傳統火電、水電機組相比，風電機組在高空運行，是多部件協同工作的複雜系統，監測特徵量類型多、數量大，受風速大小和風向的不確定性以及變速恆頻發電控制的約束，運行狀態通常在不同工況之間隨機頻繁切換，各類特徵量隨機波動範圍較寬，利用單一或幾個特徵量採用傳統狀態監測和故障診斷方法，難以得到風電機組真實的運行狀態和實現準確故障定位。基於上述風電機組特殊性，有必要了解風電機組狀態監測和故障診斷領域研究現狀，綜述該領域的研究方法和成果，進一步促進該領域研究的開展。

目前，風電機組狀態監測和故障診斷領域的研究處於起步階段，已有的研究成果中，對於整機的研究側重於狀態評估和故障預測，對於機組的關鍵部件研究側重於故障診斷。本文首先介紹風電機組的運行環境及其故障統計情況；其次，對整機狀態評估和故障預測研究現狀，從統計分析、多參數融合和故障預測角度進行綜述；再次，重點介紹和評述風電機組關鍵部件故障診斷方法的研究現狀；最後，結合當前研究現狀和存在的問題，指出風電機組狀態監測與故障診斷技術的發展趨勢。

風電機組故障統計與分析

風電機組長期工作在惡劣的自然環境中，受到正常和極限極端溫度、太陽輻射、降雨、積雪、鹽霧、沙塵、地形輪廓等因素影響，各部件的絕緣強度、疲勞強度和運行性能等必將不可避免地隨運行環境和運行時間的變化而逐漸下降，導致故障發生。易發生故障的齒輪箱、發電機、低速軸、高速軸、槳葉、電氣系統、偏航系統、控制系統等關鍵部件，約占風電機組總成本的80%～90%。國外某機構的各部件故障率與平均故障排除時間統計情況，如圖1 所示，可見電氣系統的故障率相對較高，齒輪箱、發電機和傳動鏈的平均故障排除時間相對較長，約在5 ~ 8 d。

圖1

另外，我國的2012 年《全國風電場設備運行質量狀況調查報告》故障統計情況，變流器的每年故障發生頻次最高為0.20 次/ 台；齒輪箱相對較低，約為0.09 次/ 台。各部件的故障詳細情況如表1 所示，可見葉片的平均排除故障耗時最長，達到229.54 h，其次是齒輪箱和發電機，分別是158.01 h和105.93 h。上述為國內外陸地風電機組的故障統計情況，統計結論基本相似：平均故障排除時間少的部件對應故障率較高，相反，故障率較低的部件對應的平均故障排除時間長。但值得注意的是，上述的統計分析結果僅來自於陸地風電場的情況，隨著海上風電機組安裝與併網運行，故障率高的關鍵部件，如變流器、變槳系統等電氣控制系統，由於海上複雜運行環境和高難度的維修狀況也必將花費較長的檢修時間或更多的故障排除時間。因此，對於大功率風電機組的狀態監測而言，不僅需要關注機械系統的關鍵部件，故障率高的電氣系統同樣也要引起高度重視。

風電機組整機綜合狀態評估與故障預測

風電機組一般要求服役20 a，風電運營商或者電網調度部門更多關心的是整機安全性、運行可靠性、發電能力、運行狀態變化趨勢及服役剩餘時間等指標，因此，有必要開展整機的綜合狀態監測方法研究。目前，關於整機的狀態方法研究大多是在風電機組數據採集與監視控制（SCADA）系統的運行數據基礎上開展，其故障預測3 個方向分別進行綜述。

1、基於統計分析的風電機組綜合狀態監測與評估利用統計分析方法，通過分析大量的風電機組狀態監測的各類特徵量（功率、風速、轉速、溫度、振動等）離線運行數據，提取某些有規律的指標，與出廠設計標準值進行對比，或通過多個機組之間的比較，達到對風電機組整機狀態監測的目的。

圖2

目前，對功率運行數據進行統計分析研究較多，例如2 台1.5 MW 風電機組功率曲線如圖2 所示，它是通過獲取反映機組運行性能的實測風速、功率等數據，採用Bin 方法對數據進行統計處理後獲得2 台機組的功率曲線。通過2 台機組的功率曲線、風能利用曲線及其標準差值，對機組的運行性能進行了對比分析和評估。圖2（b）所示機組2 的實際功率曲線在低於額定風速以下區間內要比圖2（a）機組1 的低一些，而且在高於額定風速時，有部分Bin 區間內功率的標準差偏大，運行狀態不太穩定。

上述研究是通過對功率信息進行統計分析來實現整機的狀態監測，能否採用其他特徵量的統計結果來更好地表征整個風電機組的運行狀態，值得深入探索研究。

2、基於多參數融合的風電機組綜合狀態監測與評估

在該研究方向，大多數研究是在風電SCADA 系統運行數據基礎上進行開展的。風電機組SCADA 系統中包括的物理特徵量有：角度、壓力、溫度、速度、機艙振動、電氣等，通過分析這些運行數據，可以反映整機的運行狀態。

目前，關於風電機組多參數融合的狀態監測和評估方法，包括人工神經網路、高斯混合模型參數估計、物元分析、模糊綜合評判等。

3、風電機組的故障預測方法

故障預測是指根據系統現在或歷史性能狀態預測性地診斷部件或系統完成其功能的狀態（未來的健康狀態），包括確定部件或者系統的剩餘壽命或正常工作時間。

故障預測的3 種方法為：基於模型的方法、基於統計可靠性的方法和基於數據驅動的方法。目前，基於模型的風電機組故障預測研究方向比較鮮見，而另外2 個研究方向已出現在相關文獻中。

a. 基於統計可靠性的風電機組故障預測研究。

目前，關於已出質保期或服役了較長時間的風電機組，其運行性能下降和各部件劣化度增加，導致可靠度不斷降低和平均故障間隔時間MTBF（Mean TimeBetween Failures）逐漸縮短，對於上述方面的故障預測研究比較少見。而對試運行期間風電機組MTBF的預測已有少量文獻報導，一般是在假設風電機組可靠性服從某種分布（如Weibull、非齊次泊松等分布）的基礎上開展研究。

b. 基於數據驅動的風電機組故障預測研究。

在該部分的研究多集中利用SCADA 數據對風電機組關鍵部件（如齒輪箱、發電機、主軸等）開展故障預測研究，現有的故障預測方法有支持向量機、ARMA 方法、多元線性回歸方法、人工神經網路等方法。

圖4

大多數研究的基本思路是通過殘差趨勢分布來實現故障預測，如圖4 所示的故障預測框架，將SCADA 的監測數據作為預測模型的輸入，通過所建立如人工神經網路或支持向量機的預測模型獲得預測值，進而將實際監測值與預測值結合求取殘差，結合利用事先通過專家經驗或常態分配等方法確定的殘差閾值，通過檢測是否超過閾值或通過殘差趨勢分析實現對故障預測。

風電機組關鍵部件的線上故障診斷

風電機組是由多個部件組成，開展對其關鍵部件線上狀態監測和故障診斷的研究，可及時識別故障徵兆、實時掌握故障漸變發展程度和節省故障排查時間，為最佳化運維檢修策略進而提高整機的運行可靠性具有重要的學術意義和工程實用價值。包括風電機組的葉輪、齒輪箱、發電機、變流器和變槳系統5 個關鍵部件的線上故障診斷研究現狀。

1、葉輪

葉輪是捕捉風能關鍵部件，包括葉片和輪轂。目前，對葉片老化和損壞、葉輪不平衡故障的研究較多，現有的線上狀態監測和故障診斷方法現多處在實驗室模擬仿真階段，在實際套用中比較鮮見。

a. 葉片老化和損壞。葉片運行環境惡劣，酸雨、冰凍等侵蝕以及葉片旋轉時變化的衝擊力破壞，引起葉片裂紋甚至破裂。關於葉片動態無損線上監測技術有聲發射、超音波、光纖光柵和振動分析等技術。相比超音波和光纖光柵技術，聲發射可獲得葉片上較為全面的缺陷信息，具有相對較高的靈敏度和解析度，能夠準確監測到薄弱區位置

b. 葉輪不平衡故障。隨著單機容量不斷增大，葉輪直徑越來越長，風力機的柔性也越強，尤其在北方冬季，葉片結冰使得葉輪不平衡造成整體結構振動進一步加大，將在傳動鏈部件產生疲勞應力，嚴重影響機組壽命。現有大多數研究是從發電機的電氣信號中提取故障特徵。

2、齒輪箱

關於齒輪箱線上監測和故障診斷的研究較多，除離線檢測的油液分析方法外，線上的分析方法主要包括：振動分析、溫度分析和電氣分析。

a. 振動分析

通常從振動特徵量的時域和頻域中提取齒輪箱的故障特徵。

目前，現有的風電機組狀態監測系統產品也大多以振動特徵量分析為主，採用數據離線分析和專家輔助分析方式，獲取得到齒輪箱軸承和齒輪的狀態監測和故障診斷結果。但是，振動分析對於低頻信號具有一定的局限性，且在齒輪箱本體上安裝感測器獲取振動信號需增加投資和維護費用。

b. 溫度分析

圖5

溫度特徵量在一定程度上反映齒輪箱的運行狀態。利用非線性狀態估計方法建立齒輪箱正常工作狀態下的溫度模型並用其進行溫度預測。通過模擬齒輪箱的故障情況，在SCADA 監測數據中加入溫度偏移來模擬故障，分析結果如圖5所示，均值曲線的95% 置信區間的上限在第451 個滑動視窗超出了預先設定的均值閾值，在第551 點處，監測出齒輪箱溫度的異常變化情況。然而，由於溫度具有熱慣性特性，變化緩慢，易受到外界環境因素影響，採用固定閾值時，當發出預警信號時，部件已經嚴重劣化，故障可能即將發生，難以起到早期故障診斷的作用。因此，有必要研究多種工況下的溫度特徵量動態閾值確定方法。

c. 電氣分析

從發電機中電氣信號的時域和頻

域中提取故障特徵信息來實現齒輪箱的故障診斷。相比其他信號，電氣特徵量的採集不需要另行加裝感測器，不會影響到機組的完整性。但是風電機組運行環境複雜，干擾源較多，還可能存在多部件異常特徵交叉重疊發生，需考慮實際運行環境，深入研究基於電氣特徵量的齒輪箱狀態特徵提取算法。

d. 油液分析

齒輪嚙合在非正常的磨損狀態出現，會瞬間產生巨大磨損顆粒，或磨損率上升導致磨損顆粒數量顯著增加。油液分析被認為是實現齒輪箱狀態監測和故障診斷最有效的技術之一，包括紅外光譜技術、鐵譜技術、顆粒分析技術、氣相色譜技術等，通過提取油液中各項監測指標，包括運動粘度、PQ 鐵譜、酸值、水分等，監測和分析油液中各類監測指標變化情況，實現齒輪箱異常檢測。目前，我國許多機構先後建立了油液監測實驗室，但是因受限於監測硬體（感測器）設計和製造技術，存在測量誤差較大、精度低因素，還沒有在實際中實現線上油液監測。

3、發電機

關於發電機的故障診斷研究，大多是通過線上監測定子電流、轉子電流、有功功率變化情況，對匝間短路、單相或多相短路、軸承損壞、轉子偏心等進行故障診斷。

4、變流器和變槳系統

a. 變流器

變流器作為電能回饋至電網的關鍵控制通道，是影響風電機組及入網安全穩定運行的重要環節。現有文獻中多採用基於樣本訓練的線上變流器的智慧型故障診斷方法。

研究主要側重於風電變流器的故障診斷，然而，由於風速的不確定性，風電變流器運行的可靠性受機側變流器低頻運行和風速隨機波動影響較為嚴重，變流器輸出功率變化很大，使得功率器件運行在不同載荷水平下，可能導致器件結溫的變化，功率器件會承受長期、頻繁的不均衡電熱應力，造成疲勞累積，導致焊料開裂、焊線脫落等故障現象發生。圖所示為11 m/ s 的湍流風速及雙饋風電機組的機側變流器IGBT 結溫變化情況，可見IGBT 功率器件在整個變流器壽命周期內需要承受頻繁波動且幅值為20 °C 的結溫熱循環，不可避免地將加快器件老化和失效速度，因此，基於疲勞、失效機理的風電變流器的器件的線上狀態監測應該引起關注。目前關於功率器件的該領域研究比較少見。

b. 變槳系統。關於變槳系統的故障診斷研究較少，變槳系統轉速極低，運行不連續，負載隨機，對其線上狀態監測可採用振動分析或發電機的電流信號進行分析。另外，考慮基於單一參量的絕對閾值評估方法，可能導致現有變槳系統狀態監測方法不能及時準確地線上判斷其異常狀態的問題。

展望

隨著大功率風電機組安裝與併網運行，對其運行可靠性將提出更高的要求，必將促進風電機組狀態監測與故障診斷技術進一步發展。風電機組整機狀態評估和故障預測方法以及其關鍵部件故障診斷的研究現狀進行綜述，綜合分析了現有的風電機組狀態監測與故障診斷技術研究現狀和存在的不足，提出以下研究要點及趨勢。

（1） 對於地處偏遠、交通不便的陸地風電機組和受複雜運行環境約束的海上風電機組往往存在故障診斷難、維修時間長等問題。通過對風電機組故障統計情況分析可知，除了對導致停機時間長的機械系統等部件關注的同時，還應對故障頻率高的電氣部件引起高度重視，如變流器、變槳系統等，對電氣系統的線上監測和故障診斷技術研究可能是今後的發展趨勢之一。

（2） 受隨機風速大小和風向隨機變化影響，風電機組SCADA 等監測信息呈現出頻繁的波動性和不確定性，基於數據挖掘的整機綜合狀態評估和故障預測可能是今後的研究趨勢。如，套用數據挖掘技術，考慮原始運行數據波動性和間歇性，探索基於監測數據的風電機組整機運行狀態漸變規律的新方法，制定出整機長期和短期狀態趨勢變化的定量指標。

另外，還可以考慮監測數據不同時間尺度固有特點，研究基於數據驅動方法的整機故障預測方法，獲取整機的線上運行狀態和剩餘運行時間。

（3） 從風電機組關鍵部件的故障診斷研究現狀分析情況可知，現有的方法各有優缺點和局限性，如何準確地從監測數據中提取故障特徵以提高故障診斷的精確度，研究多類故障診斷技術將可能是今後的研究熱點。近期可能的研究趨勢如下。

① 基於電氣特徵量的關鍵部件狀態監測和故障診斷研究。風電機組是一個機電耦合較強系統，任何機械和電氣故障勢必會在電氣特徵量中有所反映，如當齒輪箱齒輪、各部件的軸承損壞，發電機定子和轉子的匝間短路和相間短路等故障發生時，會不同程度地引起發電機轉軸振動，進一步改變氣隙分布情況，進而將故障特徵信息疊加在定子和轉子的電氣特徵量上。如何基於電氣特徵量，尋求各類故障的機理和演化規律，特別是揭示異常的根源，實現有效故障診斷需進一步深入研究。

② 多參數信息融合的關鍵部件狀態監測和故障診斷研究。目前，單一參數信息含量有限或者故障特徵提取較難，很難準確反映關鍵部件的異常狀態，特別是早期的潛在故障。

可考慮充分利用多類型參數信息，依據某種方法實現時空冗餘和互補信息融合，獲取更為準確關鍵部件狀態監測和故障診斷結果，如行星輪的通過效應或行星架和太陽輪的旋轉對嚙合振動產生額外的調幅作用，導致橫向振動信號的頻譜結構非常複雜，需藉助於複雜的故障特徵提取方法實現對故障頻率的提取，而扭轉振動信號不受這些額外的調幅效應影響，使得頻譜結構更加簡單，但是扭振振動信號還可能受測量誤差和噪聲干擾等影響，提取的故障特徵準確性會受到影響。

然而，對這2 類特徵量的監測信息，採用基於信息融合的故障特徵提取方法，可能會獲得更準確的故障診斷結果。

③ 基於老化失效過程的關鍵部件狀態評估和故障預測研究。受隨機風速大小和風向隨機變化影響，電氣系統老化失效過程存在不確定性和難預測性，有必要開展基於老化失效過程的電氣部件狀態評估和故障預測研究，如探索關鍵部件在運行過程的不同階段的磨損、老化和失效過程的一般規律，研究關鍵部件狀態評估和故障預測方法，如變流器功率器件作為整個系統中故障發生率高且較為脆弱的部件之一，在掌握其不同運行階段的磨損、老化和失效過程的一般規律基礎上，考慮變流器功率器件的應力分布、疲勞積累，以及在非平穩工況導致的功率器件結溫大幅度波動等因素，從狀態監測角度研究出適合功率器件線上狀態評估、運行可靠性以及故障預測建模的新方法。