風電機組變槳系統故障定位的方法研究

盧向軍

摘 要：齒輪變距換槳風扇系統故障通常是機組經常停機的首要故障原因，通過對齒輪變槳風扇系統潛在技術故障的調查分析，制定了故障維修處理計劃;分析兆瓦級新型風電蒸發機組齒輪換槳系統的故障數據，提取了齒輪變距換槳系統的潛在故障處理特征。

關鍵詞：BP模型神經網絡;SCADA系統;FDA貢獻圖;風電機組;故障定位

1風電系統變槳故障

風機變槳系統是隨著風速的增加而增加風機功率的一種隨動系統。風機輸出后，除發電機額定功率外，通風系統開始工作。螺桿換槳用于自動調節風向螺桿換槳扭矩的轉角，對系統獲得最大溫度風能綜合利用率發展意義重大，系統維護管理難度大，風向與系統歷史設計風向和實際風向密切有關，本文主要分析了歷史風速與柴油發動機最高轉速的密切關系，以歷史風速和風向螺桿換槳扭矩的轉角為風出輸入驅動系統，以高速發動機最高轉速為風入輸出驅動系統，采用一種現代風機數學模型建模分析方法可以預測未來幾年螺桿換槳變矩系統的故障狀態，并與專家scada等對系統的實際故障數據情況進行分析比較，驗證了該分析方法的實際可行性，為了為今后幾個人每月的嚴重故障風機維修維護管理打下基礎，本文對某國家風電場33號超級臺風的故障數據分析進行了統計分析，共有6個變舵風機系統故障及其類型：變槳 3個槳葉位置不同步故障、變槳30°位置傳感器故障 、變槳90°位置傳感器故障、變槳處于緊急模式、變槳安全鏈故障和變槳電機溫度過高故障。

2 BP神經網絡預測

BP前饋神經網絡系統是一種用于對誤差反向映射傳播進行訓練的反向多層映射前饋神經網絡，它主要描述了網絡輸入端與輸出之間高度非線性的反向映射前饋關系。BP中的神經網絡由具有輸入輸出層、隱層和插入輸出端三層部分組成。如果一個輸入網絡節點函數為m或m，輸出網絡節點為m或n，則這個網絡映射是從m到n在n的歐拉勞氏密度空間上的映射。對于該操作系統，輸入輸出節點參數m=3，輸出輸入節點參數n=1。通過自動調整網絡連接點的權值和增加網絡連接模，bp##f的神經網絡模型能夠準確地快速逼近各種實際網絡模型。本文以電機風速、風向和電機俯仰角為主要輸入輸出變量，電機則以轉速為主要輸出輸入變量。證明了三層a和bp層的神經網絡結構能夠完全滿足一個函數空間映射的基本要求。在對于基音系統的機器學習處理過程中通常采用一種BP型的神經網絡。當每個輸入的隱層網絡神經元能夠接收檢測到物體風速、風向和物體俯仰角的相關信息時，將其信息傳遞發送給輸入隱層網絡中的每個輸入神經元。在輸入隱藏器對層中信息進行同步信息處理和進行信息傳輸轉換后，最后一個輸入隱藏層中的信息被自動傳輸發送到一個輸出隱藏層中并進行進一步信息處理。上述傳播過程也被稱為機器學習的向下連續傳播。當實際誤差輸出與系統期望值的輸出不一致時，系統通過誤差值值來修正各層電腦神經元的活動權值。

近年來，基于風電機組SCADA運行數據的電力變槳系統故障診斷已成為研究熱點。在變槳系統故障檢測方面，提出了一種基于多特征參數距離的異常狀態識別方法。在正確選擇合適的絕對距離閾值條件下，該控制方法與相比單純的參數絕對距離閾值運動評價控制方法同樣能更及時、準確地快速識別和測出異常運動狀態。建立了以主軸風速和風輪有功驅動功率電流為進出輸入，風輪主軸轉速、三葉槳距旋轉角和風輪槳葉軸距旋轉角驅動電流為進入輸出的非線性多通道輸入多環路輸出控制系統自動回歸控制模型。實現了變槳管理系統的優劣化運行狀態的實時在線自動辨識。在新型變槳系統故障分析診斷算法方面，在深入分析新型SCADA的數據相關性的基礎上，對新型變槳傳動系統故障分析診斷方法進行了深入研究，識別出兩種常見的變槳故障類型。目前主要提出了一種基于自適應式的神經模糊推理診斷系統（anfis）出現故障時的診斷分析方法。以當前風力發電電機SCADA 的系統統計數據為基礎，建立了canfis系統故障分析診斷模型，擬定綜合系統風速、俯仰角、電機運行轉速、功率投入輸出與當前風力發電發動機組正常運行物理狀態之間的關系規律，實現自動化適應系統故障分析診斷。目前，大多數研究人員通過分析SCADA數據來獲取故障信息，從而對變槳系統進行故障檢測和診斷。實際上，SCADA系統本身也具有故障檢測和診斷的功能，但當SCADA系統檢測到故障時，往往會發出一系列報警并給出一組虛假報警信息，包括故障和來源。它的產生或發生順序是隨機的。從報警信息中無法確定哪一個是真正的故障源。過多的冗余鏈信息會導致決策者忽略重要的報警信息，造成嚴重后果。為了有效解決這一復雜問題，需要通過采用非線性故障狀態殘差估計法的方法對兩個基音上的系統殘差進行一次故障狀態檢測，并分別提出了一些特征參數對系統殘差的直接影響和概率。進一步有效實現了汽車故障自動定位。遺憾的一點是，本文沒有明確給出各種特征參數對材料殘差測量影響和效率的具體數值計算分析方法。本文以分析SCADA中的數據為基礎，采用scfisher判別分析法的方法研究求解有關故障偏差數據的判斷偏差取值方向和各偏差變量對故障偏差取值方向的數據貢獻率。生成基于FDA兩個貢獻的視圖，用最大貢獻率對應的變量確定故障的主要因素，識別故障源，實現變槳系統的故障定位。

3基于FDA貢獻圖的故障定位原理

Fisher方法是一種常用的判別技術，它能將各種類別相互結合，已成功地應用于工業過程控制、缺陷檢測和診斷。為了在多維同類特征樣本空間中快速找到不同方向上的向量，可以通過最大化獲取同類特征樣本在每個向量上的梯度投影，而不是在這樣一個向量上妥協，采用Fisher譯碼方法對風機單元通風系統的正常數據和故障數據進行處理，方向向量可以分離故障數據，正態數據和這個向量只存在。方向向量元素的大小代表了各個變量的權重，表示一個斷層，作為貢獻率，繪制斷層貢獻圖，在沉積圖中，最大的沉積率變量就是斷層變量，可以根據斷層進一步定位相關分量。

3.1基于 FDA貢獻圖的故障定位方法

FDA理論的核心思想是為了找到最優的判別向量（簡稱FDA向量）并將故障數據與常規數據分離，該向量是根據最大準則計算的一種基于FDA貢獻圖的故障分離方法四.風電機組變槳工況劃分及數據準備

3.2風電機組變槳系統工況劃分

風電機組正常數據集的建立是故障分離的基礎和前提，它是由不同工況組成的。不同工況下的轉速、功率和法向俯仰角范圍不同，法向數據陣列也不同。因此，有必要對螺旋槳系統的工作模式進行區分，并分別進行討論。工況1：從靜態力開始時，螺桿升降角為90，當葉輪轉速達到一定轉速時，控制系統將螺桿升降角改為50°，保持一段時間（45s），在此期間，風機功率為零。工況2：在此期間內，槳機軸距和轉角必須保持在0°上的位置保持不變，不需要做任何角度調節。風機功率大小跟隨風速而變化。工況3：當一臺風電傳動機組中的輸出額定功率已經達到機組額定功率以后，控制傳動系統根據機組輸出額定功率的不斷變化自動調整輸出槳距的偏角為0～30°。改變額定氣流對渦輪葉片的傳動攻角，從而有效改變利用風力發電渦輪機組轉動獲得的額定空氣電流動力轉矩，保持額定功率輸出最大功率，這類似于FDA對不同變量在不同模式下的模擬過程，選擇工況3中的數據集進行建模。

4結論

本文以風電機組變槳系統為研究對象，針對SCADA系統給出的連鎖報警信息。應用FDA方法，計算故障方向向量，生成FDA故障貢獻圖。根據貢獻圖中變量的貢獻率，分離出變槳系統的故障變量，從包括故障源信息在內的一連串報警信息中，準確地識別出真正故障源，實現故障定位。

參考文獻：

[1]喬淑娟.中國風力發電綜合機組安全控制管理系統安全故障分析診斷問題研究[d]北京：北方工業大學，2014.

（神華（康保）新能源有限公司，河北 張家口 075000）