基于遠程診斷平臺的風力發電機組故障預警技術研究

王 非，馬 雁

（1.國家電投集團河南電力有限公司技術信息中心，河南 鄭州 450000；2.鄭州電力高等專科學校電力工程學院，河南 鄭州 450000）

近年來，隨著風電機組容量不斷增加、規模不斷擴大，對機組安全、可靠、經濟運行的要求日益提高。傳統的監測方式已經無法滿足“風電場群集中控制，少人值守，無人值班”管理新模式，嚴重制約風電企業經濟運營能力提升。以管控一體化的思想作為主線，建立風電機組遠程預警平臺，實現風電機組海量信息的遠程化、精細化、自動化處理，實現精確的遠程監測和故障預警。

1 基于人工智能的趨勢預警技術

趨勢預警是對電廠、設備、生產過程的一種狀態監視和預測技術。與傳統以閾值報警為技術路線的預警診斷技術相比，該技術能夠在漸變性故障發生之前，劣化趨勢達到一定程度前給出早期預警，提供充足的時間窗口，安排必要的行動計劃。該技術能夠在各種運行工況下持續監視所有設備和生產流程，可用于監視負荷變化工況和機組啟停工況，并能在到達臨界點之前發現那些蠕變的缺陷。趨勢預警核心技術是以神經元網絡為基礎加上人工智能算法、深度學習算法的機器學習技術，建立模型并進行必要的歷史數據學習和訓練。在投運后該模型就可以自動分析計算出設備在當前工況下的正常運行區間，只要當前實際運行數據超出了這個正常運行區間系統就會自動產生報警。能夠及早發現監視設備的潛在故障，從而盡早進行分析處理，確定必要的運行或者檢修措施，從而盡可能地減少損失，防止非停事故的發生。

如圖1 所示，基于遠程診斷的報警不再只是在絕對限值被超過時才產生，而是大大提前，只要當測量值偏離了正常運行值時候就被及時產生。

2 遠程診斷平臺體系結構

遠程診斷平臺由電廠側和診斷中心側組成，按照功能架構分為四層：數據采集層、數據存儲層、業務處理層、信息展示層。主要功能由多個業務子系統完成：遠程診斷決策支持系統、集中預警處理系統、核心診斷系統、輔助診斷系統。

系統功能架構如圖2 所示，整個系統包括數據采集層、數據存儲層、業務處理層和信息展示層。

3 風電遠程診斷平臺數據匯總與分級展示

通過風場、風機、設備部件等預警視圖自上而下，輔助運行人員迅速發現預警密集的“重災區”，并逐層定位至運行異常的設備，及時采取有效措施。具體包括：在地圖上展示各風場的實時預警密度，可視化呈現各風場的預警嚴重程度；可通過地圖進入具體的風場，顯示總體預警趨勢、預警處理情況，以及各風機的預警排名；可鉆取進入具體的風機視圖，通過圖表直觀展示本風機各模型的預警分布、預警嚴重級別、變化趨勢；可進入具體的設備模型，監測實時數據，分析設備運行情況、劣化趨勢。

4 風電機組設備故障診斷模型的搭建

4.1 平臺建模方法

該平臺診斷模型對應設備級，用戶可以利用平臺提供的模型生成和配置工具對需要進行監測診斷的設備或工藝過程進行建模，選取影響該設備或工藝過程主要性能的一些相關聯測點，組成該模型下的測點集合，同時選擇合適的監控模式。

4.2 模型及故障預警類別

根據風電機組故障模式建立相應設備模型，主要內容包括：基于振動信號，建立風電機組傳動系統故障診斷模型，實現監測主風電機組的傳動鏈(主軸、齒輪箱、發電機)上各軸、軸承、齒輪的運行狀態，能夠發現軸承、齒輪箱及發電機故障的早期征兆，精確定位故障部件、故障類型以及嚴重程度；基于葉片應變信號，建立風電機組葉片故障診斷模型，實現監測葉片早期結構損傷；基于風電機組潤滑油檢測分析，建立風電機組潤滑油系統故障診斷模型，實現對油液水分、顆粒度、粘度等參數實時監測；基于發電機定轉子電流信號，建立風電機組發電機故障診斷模型，實現在線監測發電機定轉子電流，并采用諧波分析等方法評估發電機當前的運行狀態。

4.3 建立多源信息融合的故障智能診斷知識庫

通過對風機的重要部件（葉輪、齒輪箱、發電機、機艙、塔筒等）進行監測和分析，根據對應的機器故障機理特性將機器故障劃分為轉子類、軸承類、齒輪類、電氣故障類等具體故障。充分利用成熟的故障機理信息建立征兆到故障之間的多維映射關系，通過產生式規則、決策樹、專家推理等技術實現計算機自動的診斷與推理，提供初始的診斷結果與意見。

5 結語

基于遠程診斷平臺的風力發電機組故障預警技術研究，提高了風電機組故障預警水平，增加了風電機組的可利用率，評估風電機組運行狀況，提高風電機組運行可靠性。