海上风电机组的在线监测与故障预警_魏书荣
- 格式：pdf
- 大小：299.67 KB
- 文档页数：5
文献［3］至文献［6］研究的主要故障包括： 叶 片的机械故障（ 包括不平衡、疲劳、磨损，叶片疲劳， 叶片结冰等导致的气弹不稳定） ； 轴、齿轮、轴承的 初始裂纹，齿轮箱故障（ 包括齿轮磨损、轴承损伤、
齿轮断齿、齿轮偏心、机械松动、润滑不良等） ； 发电 机绝缘失效； 桨距或者偏航系统的错位等． 图 2 为 德国 WMEP 研究项目统计的风力机部件常见故障 发生的概率． ［7］
E-mail： w srmail@ 163． com． 基金项目： 国 家 自 然 科 学 基 金 （ 51177098 ） ； 上 海 市 科 学 技 术 委 员 会 绿 色 能 源 并 网 工 程 技 术 研 究 中 心 项 目
（ 13DZ2251900） ； 上海市科学技术委员会地方能力项目（ Z2013062） ．
图 2 风电机组各部件故障发生的概率
魏书荣，等： 海上风电机组的在线监测与故障预警
571
1． 3 风电机组故障辨识和状态监测的主要方法 及参数
为了解风力发电机组的运行状态，理想情况 下，至少需要测量以下参数： 风速； 风向； 叶片振 动； 桨距角； 转子频率和相位； 转子轴和塔架的扭 矩及弯矩； 偏航位置； 机舱加速度； 主轴承及齿轮 箱的振动； 发电机定转子三相电流和电功率输出 及其运行噪声等． ［7］
1 海上风电机组状态监测与故障预 警技术
1． 1 状态监测与故障预警系统时序图
图 1 以时间为横坐标，以风电机组作为研究 对象，从时间的角度描述了在线监测、故障预警与 容错的关系．
首先，通过在线监测获得运行信号，通过状态 分析与辨识对早期故障进行预警，对有明显故障 特征的进行故障诊断并给出故障严重程度，然后 根据诊断结果进行预防维修，排除故障．
图 1 在线监测、故障诊断与容错系统时序
1． 2 故障统计
根据瑞典、芬兰和德国的海上风电场的故障统 计数据可知，［2］电气系统故障频率最高，其次是控 制系统； 造成故障停机时间长的部件主要有齿轮、 控制系统及电气系统； 而由于单故障造成最长停机 时间的通常为发电机或齿轮箱故障． 目前，很多故 障监测系统都是通过分析发电机的输出信号进行 故障的分析与检测．
这里温度参数的采样频率为 1 s，采样范围为 故障前后共 10 min，采样开始 430 s 发生故障，更 换了定子断路器． 图 4 给出了采样范围内所有测 量点温度的变化情况．源自图 3 机械失效的 PF 曲线
此外，也可以从电气信号的角度辨识故障． 从 时域、频域的角度分析故障后的电流状况，从中提 取合适的故障特征量，找到故障前后变化较大的 分量进行判断． 电流分析需要结合一定的电流传 感器或录波仪，与硬件结合的也有线圈探测法、环 流检测法、行波法，以及交流阻抗和功率损耗法等 方法．
还可以采用人工智能诊断方法进行在线监测 与故障辨识． 诊断领域的人工智能主要有专家系 统、模糊理论和神经网络 3 大分支． 专家系统属于 反演推理，存在着知识库较难获取的瓶颈； 模糊理 论推理逻辑严密，类似人类思维过程，故障与征兆 的模糊关系较难确定； 神经网络具有学习能力、自 适应能力、非线性逼近能力等，但是故障样本获取 困难． 因此，在实际应用过程中可以利用各自的优 缺点将多种方法结合使用．
570
上海电力学院学报
2014 年
问题越发受到关注． 对于海上风电场，尤其是深海、远海地区的风
电场，一方面，由于海上风电场的可进入性差以及 进入成本高使得海上风电场的运行维护费用较 高，正常有计划的维护受海上风浪气候条件影响 较大，运行维护费用约为陆上费用的 2 倍． 另一方 面，海上风电机组单机容量越来越大，面对丰富的 海上风能资源，机组长时间的故障停运将会造成 严重的经济损失．
若为双馈电机，还可能运行于异步电机状态， 一般还需要监测以下参数： 转速； 输入扭矩； 振动； 温度； 磁密等． 通过对其信号进行处理获取故障特 征量，以进一步监测可能出现的各种故障并进行 预警． ［8］
图 3 为机械失效的 PF 曲线，从机械的角度给 出了在故障发生致失效的过程中，各种不同诊断 方法能够识别出故障的时间．
其中： 输出 为“0 ”的 表 示 正 常 状 态； 输 出 为 “1 ”的为 故 障 初 始 发 生 阶 段，表 示 几 分 钟 后 会 有 故障发生； 输出为“2”的为故障加速阶段，表示故 障将在几秒钟后发生．
采用神经网络与遗传算法相结合的方法进行 故障诊断． 遗传算法用于调节神经网络诊断对输 入权值的修正，以免陷入局部最优． 首先对采集到 的温度样本进行训练，然后采用表 2 中的测试样 本进行测试．
图 4 故障前后测量点温度随时间的变化情况
通过对温度监测图进行分析，可以将故障形 成过程分成如图 5 所示的几个区间： 0 ～ 150 s 为 正常运行区间； 150 ～ 300 s 为故障积累区间； 300 ～ 400 s 为故障加速形成区间； 400 ～ 430 s 为故障 发生区间； 430 s 发生故障，风机停机或退出运行． 其中，温度变化较大的分别为 T_BEAＲ_B 后主轴 承温度，T_GEAＲ 齿轮箱油温，T _GEN _2 小发电
随着海上风电的迅猛发展，作为与影响风电 项目盈利能力的 4 项关键要素［1］（ 发电量、项目
投资、财务成本和运维成本） 息息相关的主要因 素，海上风电机组在恶劣环境下的安全稳定运行
收稿日期： 2014 － 09 － 24 通讯作者简介： 魏书荣（ 1980 － ） ，女，副教授，湖北钟祥人，主要研究方向为海上风电场规划设计及运行维护．
DOI： 10． 3969 / j． issn． 1006 － 4729． 2014． 06． 016
海上风电机组的在线监测与故障预警
魏书荣1 ，何之倬1 ，唐征歧2 ，周 杰3
（ 1． 上海电力学院 电气工程学院，上海 200090； 2． 上海东海风力发电有限公司，上海 200090； 3． 上海电力实业有限公司，上海 200001）
2 海上风电机组温度状态监测与故 障辨识
目前，国内已投入商业运营的海上风电场只 有上海东海大桥 100 M W 海上风电场，其运行维 护一般需经运行 5 年后放权给业主，故本文结合 上海南汇陆上风电场的运行数据，着重介绍温度 参数的状态监测与故障诊断． 文献［9］通过监测 电动机运行时的温度场，进一步判定电动机故障． 此方法可进一步推广到风电机组．
摘 要： 从海上风电机组的故障诊断与状态监测技术出发，对故障进行了统计，给出了状态监测的主要参数， 从中选取温度参数作为分析对象． 通过温度时序图分析，分为正常运行、故障形成、即将发生故障 3 种状态进 行监测，采用神经网络与遗传算法相结合的方法进行了故障诊断． 结果表明，通过温度变化可以预知风电机组 即将发生故障，便于及时预警并采取预防措施．
3． Shanghai Electric Power Industrial Co． ，Ltd． ，Shanghai 200001，China）
Abstract： Starting from the offshore w ind turbine fault diagnosis and condition monitoring technology，statistics of the faults are collected，the main parameters of the state monitoring are given． The temperature parameter is selected as the object of monitoring． Through the temperature timing diagram analysis，temperature monitoring is divided into three states of normal operation， fault formation and upcoming failure． Neural netw ork and genetic algorithm are used for fault diagnosis． The diagnostic results show that w ind turbine upcoming failure can be predicted through temperature changes，w hich helps to conduct timely w arning and preventive measures． Key words： offshore w ind turbine； condition monitoring； fault w arning； neural netw ork
在风力发电机组的温度监测中，上海南汇陆 上风电场主要有 10 个点的温度被监测． 这 10 个 点包括： T_GEN_1 大发电机温度； T_GEN_2 小发 电机温度； T_BEAＲ_A 前主轴承温度； T _BEAＲ_ B 后主轴承温度； T _GEAＲ 齿轮箱油温； T _AMB 控制盘温度（ 主要是晶闸管的温度） ； T_NAC控制 器环境温度； T_GEN _COOL 发电机冷却液温度； T _ GEAＲ _ BEAＲ 齿 轮 箱 轴 承 温 度； T _ BEAＲ _ SHAFT 高速轴承温度． 通过监测各主要部位的温 度来了解风力发电机组系统的实时运行状况．
关键词： 海上风电机组； 状态监测； 故障预警； 神经网络
中图分类号： TM614
文献标志码： A 文章编号： 1006 － 4729（ 2014） 06 － 0569 － 05
Online Monitoring and Fault Warning of the Offshore Wind Turbine
因此，建立适用于远距离的在线监测、故障辨 识及预警系统，及早发现风电机组的机械与电气 缺陷，通过报警并调整运行情况，防止主要零部件 的损坏，并根据设备状态安排检修而不是马上停 机检修，这对海上风电场具有非常重要的现实意 义，对我国其他风电场的运行维护也具有指导作 用． 同时，相关数据对海上风机后续的设计、制造 与改善具有较高的参考价值，对风电产业的长足 发展具有较好的支撑作用．
齿轮断齿、齿轮偏心、机械松动、润滑不良等） ； 发电 机绝缘失效； 桨距或者偏航系统的错位等． 图 2 为 德国 WMEP 研究项目统计的风力机部件常见故障 发生的概率． ［7］
E-mail： w srmail@ 163． com． 基金项目： 国 家 自 然 科 学 基 金 （ 51177098 ） ； 上 海 市 科 学 技 术 委 员 会 绿 色 能 源 并 网 工 程 技 术 研 究 中 心 项 目
（ 13DZ2251900） ； 上海市科学技术委员会地方能力项目（ Z2013062） ．
图 2 风电机组各部件故障发生的概率
魏书荣，等： 海上风电机组的在线监测与故障预警
571
1． 3 风电机组故障辨识和状态监测的主要方法 及参数
为了解风力发电机组的运行状态，理想情况 下，至少需要测量以下参数： 风速； 风向； 叶片振 动； 桨距角； 转子频率和相位； 转子轴和塔架的扭 矩及弯矩； 偏航位置； 机舱加速度； 主轴承及齿轮 箱的振动； 发电机定转子三相电流和电功率输出 及其运行噪声等． ［7］
1 海上风电机组状态监测与故障预 警技术
1． 1 状态监测与故障预警系统时序图
图 1 以时间为横坐标，以风电机组作为研究 对象，从时间的角度描述了在线监测、故障预警与 容错的关系．
首先，通过在线监测获得运行信号，通过状态 分析与辨识对早期故障进行预警，对有明显故障 特征的进行故障诊断并给出故障严重程度，然后 根据诊断结果进行预防维修，排除故障．
图 1 在线监测、故障诊断与容错系统时序
1． 2 故障统计
根据瑞典、芬兰和德国的海上风电场的故障统 计数据可知，［2］电气系统故障频率最高，其次是控 制系统； 造成故障停机时间长的部件主要有齿轮、 控制系统及电气系统； 而由于单故障造成最长停机 时间的通常为发电机或齿轮箱故障． 目前，很多故 障监测系统都是通过分析发电机的输出信号进行 故障的分析与检测．
这里温度参数的采样频率为 1 s，采样范围为 故障前后共 10 min，采样开始 430 s 发生故障，更 换了定子断路器． 图 4 给出了采样范围内所有测 量点温度的变化情况．源自图 3 机械失效的 PF 曲线
此外，也可以从电气信号的角度辨识故障． 从 时域、频域的角度分析故障后的电流状况，从中提 取合适的故障特征量，找到故障前后变化较大的 分量进行判断． 电流分析需要结合一定的电流传 感器或录波仪，与硬件结合的也有线圈探测法、环 流检测法、行波法，以及交流阻抗和功率损耗法等 方法．
还可以采用人工智能诊断方法进行在线监测 与故障辨识． 诊断领域的人工智能主要有专家系 统、模糊理论和神经网络 3 大分支． 专家系统属于 反演推理，存在着知识库较难获取的瓶颈； 模糊理 论推理逻辑严密，类似人类思维过程，故障与征兆 的模糊关系较难确定； 神经网络具有学习能力、自 适应能力、非线性逼近能力等，但是故障样本获取 困难． 因此，在实际应用过程中可以利用各自的优 缺点将多种方法结合使用．
570
上海电力学院学报
2014 年
问题越发受到关注． 对于海上风电场，尤其是深海、远海地区的风
电场，一方面，由于海上风电场的可进入性差以及 进入成本高使得海上风电场的运行维护费用较 高，正常有计划的维护受海上风浪气候条件影响 较大，运行维护费用约为陆上费用的 2 倍． 另一方 面，海上风电机组单机容量越来越大，面对丰富的 海上风能资源，机组长时间的故障停运将会造成 严重的经济损失．
若为双馈电机，还可能运行于异步电机状态， 一般还需要监测以下参数： 转速； 输入扭矩； 振动； 温度； 磁密等． 通过对其信号进行处理获取故障特 征量，以进一步监测可能出现的各种故障并进行 预警． ［8］
图 3 为机械失效的 PF 曲线，从机械的角度给 出了在故障发生致失效的过程中，各种不同诊断 方法能够识别出故障的时间．
其中： 输出 为“0 ”的 表 示 正 常 状 态； 输 出 为 “1 ”的为 故 障 初 始 发 生 阶 段，表 示 几 分 钟 后 会 有 故障发生； 输出为“2”的为故障加速阶段，表示故 障将在几秒钟后发生．
采用神经网络与遗传算法相结合的方法进行 故障诊断． 遗传算法用于调节神经网络诊断对输 入权值的修正，以免陷入局部最优． 首先对采集到 的温度样本进行训练，然后采用表 2 中的测试样 本进行测试．
图 4 故障前后测量点温度随时间的变化情况
通过对温度监测图进行分析，可以将故障形 成过程分成如图 5 所示的几个区间： 0 ～ 150 s 为 正常运行区间； 150 ～ 300 s 为故障积累区间； 300 ～ 400 s 为故障加速形成区间； 400 ～ 430 s 为故障 发生区间； 430 s 发生故障，风机停机或退出运行． 其中，温度变化较大的分别为 T_BEAＲ_B 后主轴 承温度，T_GEAＲ 齿轮箱油温，T _GEN _2 小发电
随着海上风电的迅猛发展，作为与影响风电 项目盈利能力的 4 项关键要素［1］（ 发电量、项目
投资、财务成本和运维成本） 息息相关的主要因 素，海上风电机组在恶劣环境下的安全稳定运行
收稿日期： 2014 － 09 － 24 通讯作者简介： 魏书荣（ 1980 － ） ，女，副教授，湖北钟祥人，主要研究方向为海上风电场规划设计及运行维护．
DOI： 10． 3969 / j． issn． 1006 － 4729． 2014． 06． 016
海上风电机组的在线监测与故障预警
魏书荣1 ，何之倬1 ，唐征歧2 ，周 杰3
（ 1． 上海电力学院 电气工程学院，上海 200090； 2． 上海东海风力发电有限公司，上海 200090； 3． 上海电力实业有限公司，上海 200001）
2 海上风电机组温度状态监测与故 障辨识
目前，国内已投入商业运营的海上风电场只 有上海东海大桥 100 M W 海上风电场，其运行维 护一般需经运行 5 年后放权给业主，故本文结合 上海南汇陆上风电场的运行数据，着重介绍温度 参数的状态监测与故障诊断． 文献［9］通过监测 电动机运行时的温度场，进一步判定电动机故障． 此方法可进一步推广到风电机组．
摘 要： 从海上风电机组的故障诊断与状态监测技术出发，对故障进行了统计，给出了状态监测的主要参数， 从中选取温度参数作为分析对象． 通过温度时序图分析，分为正常运行、故障形成、即将发生故障 3 种状态进 行监测，采用神经网络与遗传算法相结合的方法进行了故障诊断． 结果表明，通过温度变化可以预知风电机组 即将发生故障，便于及时预警并采取预防措施．
3． Shanghai Electric Power Industrial Co． ，Ltd． ，Shanghai 200001，China）
Abstract： Starting from the offshore w ind turbine fault diagnosis and condition monitoring technology，statistics of the faults are collected，the main parameters of the state monitoring are given． The temperature parameter is selected as the object of monitoring． Through the temperature timing diagram analysis，temperature monitoring is divided into three states of normal operation， fault formation and upcoming failure． Neural netw ork and genetic algorithm are used for fault diagnosis． The diagnostic results show that w ind turbine upcoming failure can be predicted through temperature changes，w hich helps to conduct timely w arning and preventive measures． Key words： offshore w ind turbine； condition monitoring； fault w arning； neural netw ork
在风力发电机组的温度监测中，上海南汇陆 上风电场主要有 10 个点的温度被监测． 这 10 个 点包括： T_GEN_1 大发电机温度； T_GEN_2 小发 电机温度； T_BEAＲ_A 前主轴承温度； T _BEAＲ_ B 后主轴承温度； T _GEAＲ 齿轮箱油温； T _AMB 控制盘温度（ 主要是晶闸管的温度） ； T_NAC控制 器环境温度； T_GEN _COOL 发电机冷却液温度； T _ GEAＲ _ BEAＲ 齿 轮 箱 轴 承 温 度； T _ BEAＲ _ SHAFT 高速轴承温度． 通过监测各主要部位的温 度来了解风力发电机组系统的实时运行状况．
关键词： 海上风电机组； 状态监测； 故障预警； 神经网络
中图分类号： TM614
文献标志码： A 文章编号： 1006 － 4729（ 2014） 06 － 0569 － 05
Online Monitoring and Fault Warning of the Offshore Wind Turbine
因此，建立适用于远距离的在线监测、故障辨 识及预警系统，及早发现风电机组的机械与电气 缺陷，通过报警并调整运行情况，防止主要零部件 的损坏，并根据设备状态安排检修而不是马上停 机检修，这对海上风电场具有非常重要的现实意 义，对我国其他风电场的运行维护也具有指导作 用． 同时，相关数据对海上风机后续的设计、制造 与改善具有较高的参考价值，对风电产业的长足 发展具有较好的支撑作用．
