风力发电机组的状态监测与诊断

风力发电机组的状态监测与诊断

杜建强, ,程婷婷

国家电投甘肃疆能新能源有限责任公司  甘肃省  兰州市 730000

摘要：面对中国电网出台的能源转型政策和国务院颁布的双碳政策，能源和环境问题再次受到关注。风能是可再生、清洁型能源，风力发电是解决能源和环境问题最好的发电模式之一。本文主要对风力发电机组的状态监测与诊断做论述，详情如下。

关键词：风力发电机组；状态监测；诊断

引言

相对于火力发电，风力发电更加清洁，成本更低。近年来，随着风力发电技术不断成熟，风力发电在电网系统能源的分量不断增加。在风力发电过程中，发电设备状态直接影响风力发电效果，通常情况下，风力发电设备处在自然环境中，易受到天气、气候等因素的影响，风力发电设备有时偏离健康状态，严重影响电网系统的正常工作。对风力发电设备健康状态进行识别，有利于风电设备工作人员提前了解风力发电设备健康状态，消除存在的风险，对于保证电网系统正常工作具有重要的意义，因此风力发电设备健康状态自动识别模型设计成为当前电网研究领域中的重要方向。

1监测和诊断的重要性

为了能更好地获得风能，风力发电场一般都建设在比较偏僻的山区或近海区。风机高度一般是在70m～80m的空中，这样一来风力发电机在工作过程中不仅需要承受较大的载荷，还容易受到阵风侵蚀影响。风力发电机组的可靠运行与风场的经济效益息息相关。目前风电场多采用传统的事后维修和日常点巡检相结合的方式，这种检修方式存在6点不足：①因点巡检的频次及数据量不够，难以发现早期故障，导致风机大故障、安全事故，如发电机抱轴、叶片掉落、倒塔等；②较多的风机内部机械故障、塔筒晃动、叶片故障等，现有主控系统及人工定检难以及时发现，进而演变成大故障甚至事故；③为预备未知的风机故障，导致风机备件库存多，占用较多的库存资金。④人力巡检工作量大，投入成本高；⑤存在风机过度维修和失修风险；⑥存在延长风机停机时间的可能，影响发电量。存在以上问题的最根本原因在于缺少风机运行实时状态数据，难以了解其运行状态，则难以诊断故障位置、程度，也无法准确预判其劣化趋势。虽然风机都配有风机主控系统，通过该系统可以远程操控风机，监测风速、功率、电流、电压、压力、温度等信号，倾向于监测电气信号。由于风机部件机械损伤、塔筒受损及叶片受损等对SCADA系统监测的电气信号影响极小，为了弥补该系统在这方面的不足，加装风力发电机组状态监测系统存在现实必要性。

2风力发电机组的状态监测与诊断

2.1监测与诊断的方法

风力发电机组的状态监测和诊断主要是通过在设备表面或内部布置传感器和数据采集系统，实现设备运行中的振动、转速、温度等信号的采集，并将数据上传至现场服务器，通过专业系统软件进行处理和分析，从而得出其运行的健康状态。其中状态监测主要包含振动、油液、温度、应变力监测。通过在风力发电机中安装检测设备收集各种信号，然后再对收集到的信号进行处理、分析、判断和诊断，以此来获取发电机工作的情况，便于控制中心对发电机的工作状态进行实时的调控，有效预防发电机产生故障。当设备运行数据异常时，自动触发报警，并可通过短信、邮件以及手机App方式推送至现场相关设备管理人员。现场工程师可通过软件中的分析工具对设备数据进行追踪回溯，判断当前设备状态，也可通过容知远程专家支持实现云端故障诊断，帮助现场确定设备异常原因、部位、损伤严重程度、部件剩余寿命评估等，为运维检修决策提供数据支撑。各个监测技术所针对的监测零部件都不相同，其中应变力监测利用应力变力传感器来收集叶片的运行状况。温度监测是利用温度传感器收集设备的工作运行时的温度，通过温度数值比较来直观体现设备的运行状态。液压系统的主要监测手段是油液监测和诊断，该方法是对机组工作时的润滑油、液压油的性能数据进行记录和对比分析，以此来诊断设备的润滑和磨损情况。通过收集机组振动信号的数据来分析比对，从而诊断机组机械故障问题的监测方法，称为振动监测。简单来说，就是通过计算机对风力发电机组进行远程监控，并根据对各项数据做出分析诊断，实时掌控风力发电机组各个零部件的运行状态，降低故障发生的可能性，确保风力发电机组工作的稳定性以及可靠性。

2.2数据挖掘的风力发电设备健康状态自动识别

在风力发电设备健康状态数据采集和传输过程中，采集设备受到自身的缺陷、不利环境因素等干扰，会产生一些无用的信息存在于原始数据中，这些无用信息常以噪声的形式存在，影响了风力发电设备健康状态数据质量，对后续的风力发电设备健康状态识别产生不利影响，因此本文引入小波变换预处理风力发电设备健康状态数据，抑制噪声对在风力发电设备健康状态识别结果的干扰。为了提高风力发电设备健康状态识别效果，设计了数据挖掘的风力发电设备健康状态自动识别模型，该模型的工作原理为：首先采集风力发电设备健康状态数据，然后采用小波变换对原始风力发电设备健康状态数据进行预处理，去除数据中的噪声，最后采用Elman神经网络对风力发电设备健康状态数据进行训练和学习，并采用自适应遗传算法确定Elman神经网络的权值和阈值，建立最优的风力发电设备健康状态自动识别模型。

2.3物联网架构下风电机组状态视频自动监测方法

风力发电对减少能源消耗、提高能源利用率,促进能源的可持续发展具有直接影响。风力发电主要依靠风电机组的作用实现,采用一定的转换方法,将机组旋转机械能逐渐转换为电能,为工业生产运营与居民日常生活提供电能。受到运行环境、运行条件以及自然条件等多项不确定因素的影响,风电机组的运行状态存在一定的多变性,一旦风电机组运行出现异常,会降低各个部件使用性能,严重情况下,会造成安全事故、经济损失,甚至毁灭性破坏。因此,科学合理的风电机组状态视频监测方法至关重要。现阶段,我国对风电机组状态视频监测的研究逐渐成熟,然而传统的状态视频监测方法在实际应用过程中仍然存在一定的不足。主要体现在监测范围有限,缺乏自动化、智能化与信息化特征,无法做到风电机组状态视频实时自动化监测,风电机组状态视频中信息数据提取的精度较差,降低了监测结果的准确率。针对物联网架构感知层来说,设计采用智能终端传感技术,识别并采集风电机组运行状态数据与运行环境数据。网络层通过移动互联网与专用网络,在物联网架构中实现连接与通信的功能。应用层对接收到的信息数据进行分析与智能处理,组合并排序接收到的信息数据,为视频图像采集提供决策。在此基础上,设置风电机组状态视频采集节点,综合考虑通信信号传输的实时性与通畅性,进行风电机组状态视频图像采集控制,并对视频图像进行自动压缩处理。在压缩处理结束后,将视频图像由移动互联网传输至状态视频自动监测平台。

结语

通过本文的研究,从多个不同的维度,对风电机组状态视频信息数据作出分析,基于状态视频,监测到设备状态参量与特征参量的动态变化,对预测风电机组运行故障与运行状态具有重要意义。

参考文献

[1]苏向敬,山衍浩,周汶鑫,等.基于GRU和注意力机制的海上风机齿轮箱状态监测[J].电力系统保护与控制,2021,49(24):141-149.

[2]王印松,石建涛.基于深度神经网络模型的风电机组传动系统状态监测方法[J].电力科学与工程,2021,37(9):26-34.

[3]金晓航,许壮伟,孙毅,等.基于SCADA数据分析和稀疏自编码神经网络的风电机组在线运行状态监测[J].太阳能学报,2021,42(6):321-328.