本项目针对风力发电中并网变流器故障信号相互影响及强电干扰对微弱故障信号的影响，使得故障难以检测的问题，以提高强噪声背景下信号检测能力为切入点，探索故障信号的时频域特征的精细刻画方法，使之满足变流器微弱/潜在故障征兆的提取和故障源识别、定位的需求。通过基于预测度和集成学的盲源分离等方法，将信号分离成多个成分，并采用结构化噪声分析建模与稀疏信号重构的方式，提取出被噪声淹没的微弱/潜在故障信号；对分离或提取得到的信号，在时频域空间进行频谱旋转变换，分析故障信号从时域到频域的特征演变规律，更为完整地实现故障特征信息的描述；基于故障信息分布的流形假设，利用半监督机器学习方法，充分利用大量的未标注信息，挖掘未认知的故障模式，获取精确的故障分类模型；并基于证据理论对冗余信息和互补信息进行融合，解决故障诊断决策中系统检测信号量测的不确定性及故障征兆的不确定性，实现对变流器故障的识别和定位。

风电并网变流器中电力电子元件故障，直接影响风电系统风能转换与运行安全。本项目针对并网变流器故障征兆微小、故障种类繁多等问题展开了研究。首先对国内外并网变流器故障诊断研究现状进行了总结，利用Matlab等仿真软件，对并网变流器故障进行建模分析。结合现状总结以及定性分析结果，提出稀疏信号重构、线性正则变换等更精细的时频分析算法，实现并网变流器电信号微小特征提取。针对现有并网变流器故障库的不完备问题，结合电压电流等电信号的周期性，提出将迭代学习良好的模型逼近能力用于挖掘未标记的故障模式。针对并网变流器故障种类繁多且复杂的特点，将改进的聚类分析等智能算法用于并网变流器复合故障识别与定位。此外，为验证所提算法的有效性，搭建了风电并网变流器故障模拟实验平台。该验证平台具有并网控制、故障注入、多通道高速数据采集等功能，为研究并网变流器实际运行中的故障特性发挥了重要作用。

随着大功率风电机组安装与并网运行，对其运行可靠性将提出更高的要求，必将促进风电机组状态监测与故障诊断技术进一步发展。风电机组整机状态评估和故障预测方法以及其关键部件故障诊断的研究现状进行综述，综合分析了现有的风电机组状态监测与故障诊断技术研究现状和存在的不足，提出以下研究要点及趋势。

（1） 对于地处偏远、交通不便的陆地风电机组和受复杂运行环境约束的海上风电机组往往存在故障诊断难、维修时间长等问题。通过对风电机组故障统计情况分析可知，除了对导致停机时间长的机械系统等部件关注的同时，还应对故障频率高的电气部件引起高度重视，如变流器、变桨系统等，对电气系统的在线监测和故障诊断技术研究可能是今后的发展趋势之一。

（2） 受随机风速大小和风向随机变化影响，风电机组SCADA 等监测信息呈现出频繁的波动性和不确定性，基于数据挖掘的整机综合状态评估和故障预测可能是今后的研究趋势。如，应用数据挖掘技术，考虑原始运行数据波动性和间歇性，探索基于监测数据的风电机组整机运行状态渐变规律的新方法，制定出整机长期和短期状态趋势变化的定量指标。

另外，还可以考虑监测数据不同时间尺度固有特点，研究基于数据驱动方法的整机故障预测方法，获取整机的在线运行状态和剩余运行时间。

（3） 从风电机组关键部件的故障诊断研究现状分析情况可知，现有的方法各有优缺点和局限性，如何准确地从监测数据中提取故障特征以提高故障诊断的精确度，研究多类故障诊断技术将可能是今后的研究热点。近期可能的研究趋势如下。

① 基于电气特征量的关键部件状态监测和故障诊断研究。风电机组是一个机电耦合较强系统，任何机械和电气故障势必会在电气特征量中有所反映，如当齿轮箱齿轮、各部件的轴承损坏，发电机定子和转子的匝间短路和相间短路等故障发生时，会不同程度地引起发电机转轴振动，进一步改变气隙分布情况，进而将故障特征信息叠加在定子和转子的电气特征量上。如何基于电气特征量，寻求各类故障的机理和演化规律，特别是揭示异常的根源，实现有效故障诊断需进一步深入研究。

② 多参数信息融合的关键部件状态监测和故障诊断研究。目前，单一参数信息含量有限或者故障特征提取较难，很难准确反映关键部件的异常状态，特别是早期的潜在故障。

可考虑充分利用多类型参数信息，依据某种方法实现时空冗余和互补信息融合，获取更为准确关键部件状态监测和故障诊断结果，如行星轮的通过效应或行星架和太阳轮的旋转对啮合振动产生额外的调幅作用，导致横向振动信号的频谱结构非常复杂，需借助于复杂的故障特征提取方法实现对故障频率的提取，而扭转振动信号不受这些额外的调幅效应影响，使得频谱结构更加简单，但是扭振振动信号还可能受测量误差和噪声干扰等影响，提取的故障特征准确性会受到影响。

然而，对这2 类特征量的监测信息，采用基于信息融合的故障特征提取方法，可能会获得更准确的故障诊断结果。

③ 基于老化失效过程的关键部件状态评估和故障预测研究。受随机风速大小和风向随机变化影响，电气系统老化失效过程存在不确定性和难预测性，有必要开展基于老化失效过程的电气部件状态评估和故障预测研究，如探索关键部件在运行过程的不同阶段的磨损、老化和失效过程的一般规律，研究关键部件状态评估和故障预测方法，如变流器功率器件作为整个系统中故障发生率高且较为脆弱的部件之一，在掌握其不同运行阶段的磨损、老化和失效过程的一般规律基础上，考虑变流器功率器件的应力分布、疲劳积累，以及在非平稳工况导致的功率器件结温大幅度波动等因素，从状态监测角度研究出适合功率器件在线状态评估、运行可靠性以及故障预测建模的新方法。 2100433B

风电机组是由多个部件组成，开展对其关键部件在线状态监测和故障诊断的研究，可及时识别故障征兆、实时掌握故障渐变发展程度和节省故障排查时间，为优化运维检修策略进而提高整机的运行可靠性具有重要的学术意义和工程实用价值。包括风电机组的叶轮、齿轮箱、发电机、变流器和变桨系统5 个关键部件的在线故障诊断研究现状。

1、叶轮

叶轮是捕捉风能关键部件，包括叶片和轮毂。目前，对叶片老化和损坏、叶轮不平衡故障的研究较多，现有的在线状态监测和故障诊断方法现多处在实验室模拟仿真阶段，在实际应用中比较鲜见。

a. 叶片老化和损坏。叶片运行环境恶劣，酸雨、冰冻等侵蚀以及叶片旋转时变化的冲击力破坏，引起叶片裂纹甚至破裂。关于叶片动态无损在线监测技术有声发射、超声波、光纤光栅和振动分析等技术。相比超声波和光纤光栅技术，声发射可获得叶片上较为全面的缺陷信息，具有相对较高的灵敏度和分辨率，能够准确监测到薄弱区位置

b. 叶轮不平衡故障。随着单机容量不断增大，叶轮直径越来越长，风力机的柔性也越强，尤其在北方冬季，叶片结冰使得叶轮不平衡造成整体结构振动进一步加大，将在传动链部件产生疲劳应力，严重影响机组寿命。现有大多数研究是从发电机的电气信号中提取故障特征。

2、齿轮箱

关于齿轮箱在线监测和故障诊断的研究较多，除离线检测的油液分析方法外，在线的分析方法主要包括：振动分析、温度分析和电气分析。

a. 振动分析

通常从振动特征量的时域和频域中提取齿轮箱的故障特征。

目前，现有的风电机组状态监测系统产品也大多以振动特征量分析为主，采用数据离线分析和专家辅助分析方式，获取得到齿轮箱轴承和齿轮的状态监测和故障诊断结果。但是，振动分析对于低频信号具有一定的局限性，且在齿轮箱本体上安装传感器获取振动信号需增加投资和维护费用。

b. 温度分析

温度特征量在一定程度上反映齿轮箱的运行状态。利用非线性状态估计方法建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过模拟齿轮箱的故障情况，在SCADA 监测数据中加入温度偏移来模拟故障，分析结果如图5所示，均值曲线的95% 置信区间的上限在第451 个滑动窗口超出了预先设定的均值阈值，在第551 点处，监测出齿轮箱温度的异常变化情况。然而，由于温度具有热惯性特性，变化缓慢，易受到外界环境因素影响，采用固定阈值时，当发出预警信号时，部件已经严重劣化，故障可能即将发生，难以起到早期故障诊断的作用。因此，有必要研究多种工况下的温度特征量动态阈值确定方法。

c. 电气分析

从发电机中电气信号的时域和频

域中提取故障特征信息来实现齿轮箱的故障诊断。相比其他信号，电气特征量的采集不需要另行加装传感器，不会影响到机组的完整性。但是风电机组运行环境复杂，干扰源较多，还可能存在多部件异常特征交叉重叠发生，需考虑实际运行环境，深入研究基于电气特征量的齿轮箱状态特征提取算法。

d. 油液分析

齿轮啮合在非正常的磨损状态出现，会瞬间产生巨大磨损颗粒，或磨损率上升导致磨损颗粒数量显著增加。油液分析被认为是实现齿轮箱状态监测和故障诊断最有效的技术之一，包括红外光谱技术、铁谱技术、颗粒分析技术、气相色谱技术等，通过提取油液中各项监测指标，包括运动粘度、PQ 铁谱、酸值、水分等，监测和分析油液中各类监测指标变化情况，实现齿轮箱异常检测。目前，我国许多机构先后建立了油液监测实验室，但是因受限于监测硬件（传感器）设计和制造技术，存在测量误差较大、精度低因素，还没有在实际中实现在线油液监测。

3、发电机

关于发电机的故障诊断研究，大多是通过在线监测定子电流、转子电流、有功功率变化情况，对匝间短路、单相或多相短路、轴承损坏、转子偏心等进行故障诊断。

4、变流器和变桨系统

a. 变流器

变流器作为电能回馈至电网的关键控制通道，是影响风电机组及入网安全稳定运行的重要环节。现有文献中多采用基于样本训练的在线变流器的智能故障诊断方法。

研究主要侧重于风电变流器的故障诊断，然而，由于风速的不确定性，风电变流器运行的可靠性受机侧变流器低频运行和风速随机波动影响较为严重，变流器输出功率变化很大，使得功率器件运行在不同载荷水平下，可能导致器件结温的变化，功率器件会承受长期、频繁的不均衡电热应力，造成疲劳累积，导致焊料开裂、焊线脱落等故障现象发生。图所示为11 m/ s 的湍流风速及双馈风电机组的机侧变流器IGBT 结温变化情况，可见IGBT 功率器件在整个变流器寿命周期内需要承受频繁波动且幅值为20 °C 的结温热循环，不可避免地将加快器件老化和失效速度，因此，基于疲劳、失效机理的风电变流器的器件的在线状态监测应该引起关注。目前关于功率器件的该领域研究比较少见。

b. 变桨系统。关于变桨系统的故障诊断研究较少，变桨系统转速极低，运行不连续，负载随机，对其在线状态监测可采用振动分析或发电机的电流信号进行分析。另外，考虑基于单一参量的绝对阈值评估方法，可能导致现有变桨系统状态监测方法不能及时准确地在线判断其异常状态的问题。

大功率并网风电变流器状态监测技术机侧变流器低频运行对可靠性的影响

由于风电机组长时间、频繁和大范围的随机出力等特殊运行工况，变流器在风电并网运行中的可靠性变得较为脆弱。如图《风电机组变流器典型连接结构示意图》所示为部分功率及全功率风电机组的结构示意图。

为了分析不同运行工况对风电机组变流器功率模块运行可靠性的影响，近年来已有较多文献从功率模块电热祸合模型，结温估算以及不同变流器功率模块结温随风电机组不同运行点变化规律等方面开展研究。

对于双馈电机，在同步转速点，网侧变流器中IGBT及二极管的结温几乎无波动，而机侧IGBT和二极管的结温波动明显，这将导致机侧变流器失效率高于网侧变流器。究其原因，虽然机侧变流器和网侧变流器在同一时刻转换的电功率是相同的，但是当机组运行在同步转速点时，机侧变流器运行在一个较低的频率，变流器处理的实际功率几乎为零。根据定、转子电流磁动势平衡，转子电流并不为零，因此功率损耗也不为零，且功率模块的热容对于平滑结温波动几乎没有贡献，导致机侧变流器进入深度热循环。因此机侧变流器的结温波动要比网侧更为剧烈，其可靠性也随之明显降低。

对于直驭风电机组变流器而言，由于风力机叶尖速比有一定限制，其发电机转动角速度较小，使得全功率变流器的机侧变流器也运行在较低的频率。同时，从半导体器件的角度来看，其机侧功率模块的续流二极管承受了更大的负载电流，加之低频运行特性，使得续流二极管将产生更高的结温 。

此外，有研究表明，全功率变流器功率器件在整个变流器寿命周期内可能需要承受5-10次波动幅值为20℃的结温热循环，然而，包括风速随机波动在内的诸多因素可能进一步影响其功率循环能力。因此，不论是永磁直驭风电机组还是双馈风电机组的机侧变流器，由于长期处于较低输出频率下运行，其功率器件结温变化显著。特别是双馈风电机组运行在同步转速点时，其机侧变流器输出频率几乎为零，机侧变流器结温波动更为剧烈。

大功率并网风电变流器状态监测技术风速随机波动对变流器运行可靠性的影响

除了风电机组运行点对风电变流器结温变化影响外，风速随机波动也会影响风电变流器的运行可靠性。相比恒定风速的理想情况，在湍流风速下风电变流器功率模块具有较大结温波动，将影响其IGBT模块的功率循环能力。湍流强度会对机侧变流器IGBT模块的平均失效时间产生影响，且平均失效时间会随湍流强度的增大而减小。

由于机侧变流器长期处于低输出频率工况运行，其结温波动要比网侧更为剧烈，且风电变流器功率模块的平均失效时间还会随风速波动增加而降低。因此，风电变流器的运行可靠性而临着严峻的挑战，特别是针对近海风电机组难以维护的实际问题，有必要提出风电变流器状态监测方法的研究，提高其运行可靠性，这对于风力发电技术以及产业的健康发展至关重要。