1 基于变增益的速度控制

由于采用拖动电机及电力电子装置模拟风轮转矩特性，系统具有一定的滞后性。另外，在机组起动并网后且桨叶尚在开桨阶段时，发电机转速同时受桨距和转矩控制器二者约束。桨距控制器根据转速偏差改变桨距角指令，转矩控制器根据转速偏差改变转矩指令，对转速实施耦合控制。为提高系统响应能力，使机组桨叶尽快达到目标位置吸收较大功率，提出基于变增益速度控制，实现最优转速与最大风能跟踪控制。在起动过程中桨距控制优先于转矩控制，使机组转速大幅度爬升。当桨叶达到目标位置后，转矩控制优先于桨距控制，此后桨距控制主要控制机组额定功率。

2 并网控制

永磁与双馈风力发电机因其结构、特性不同，转矩控制算法也不同。永磁风力发电机励磁电流一般设为常值零，双馈风力发电机转子励磁电流随转速变化。对采用矢量控制的永磁、双馈风力发电机模拟控制进行验证。

风机达到并网转速，网侧变流器完成电容充电合闸，机侧变流器开始动态调节励磁电流。对于永磁风力发电机，变流器直接调节转矩电流向电网发电。对于双馈风力发电机，转子励磁电流使发电机定子产生电压，检测定子电压满足并网要求后闭合并网开关，且调节转矩电流向电网发电。若未达到并网要求，转速被变桨系统维持在并网转速以下。当风电机组完成并网后，主控系统根据反馈电磁转矩与转速得出变流器转矩参考值，此阶段主要模拟风轮、发电机及变桨系统。

并网后机组发出功率，负荷增加，风轮转矩增加且随风功率变化。当达到额定风速后，变桨系统将发电功率保持在额定功率以下。当风速低于起动风速时，发电机给定转矩降为零，变流器与电网断开，桨叶处于关桨阶段。

3 低电压穿越控制

为验证所提出并网型风电机组风力机模拟控制算法的有效性，在电网电压跌落情况下，采用永磁风力发电机进行仿真分析，实现其低电压穿越功能。由于电网电压跌落，导致变流器母线电压骤升，向电网输出电流增大。传统低电压穿越控制策略为定子及直流母线回路增加额外回路或者增大变流器过流、过压能力，增加了机组成本。为此提出机侧变流器与变桨改进控制策略，完善风力发电系统模拟控制算法进行完善。

当低电压故障持续到超过允许时间625ms没有回升时，风电机组需完全退出运行，直流母线电容并联卸荷电路维持2～3s时间。

电网卸荷电路在母线电压超出规定值时使用，相比单纯的耗能电路而言，结构简单，能耗较小，不需要考虑较多成本与散热难题。卸荷电路由电阻和IGBT组成，其阻值大小表征机组可承受穿越功率的能力。

通过对永磁风力发电机模拟控制策略建模，进行低电压穿越仿真，永磁风力发电系统参数:齿轮箱变比i 为1;风轮桨叶数3;桨叶半径62.94m;风轮转速0～20r/min;额定风速12m/s;电动机额定功率15kW;电动机额定电压400V;电动机额定电流30A;电动机额定频率51Hz;电动机额定转速1500r/min;永磁发电机额定功率10kW;发电机定子额定电压380V;发电机定子额定电流30A;发电机额定频率50Hz;发电机额定转速110r/min;发电机定子电阻0.9Ω;发电机直轴电抗4.2Ω;发电机交轴电抗16.6Ω;直流母线电压580V。仿真时间为1s，在0.03s时电网电压跌落至20%，跌落时间为625ms。电网电压跌落瞬间，母线电压增大，发电机功率立即由10kW减小至2 kW左右。随后由于功率有效减少，母线电压逐渐恢复平稳。在0.655s时恢复电网电压正常，功率也跟随恢复正常值，由于功率变化率较大，导致母线电压出现波动。基于风力机模拟控制策略实现了永磁风力发电机低电压穿越功能 。

为进一步验证所提并网型风电机组风轮模拟控制算法对双馈风力发电机的有效性和真实性，研制了一套10 kW 双馈风力发电机模型机组试验平台，具备兆瓦级风电机组的基本功能。在模型机组中，采用电动机直接拖动发电机，并通过齿轮带动轮毂。

目前变速式风电机组已成为主流机型，在运行过程中面临的问题如低电压穿越、功率优化及电能质量等，受到国内、外学者的广泛关注。然而一般大型变速式风电机组价格昂贵，给科研人员在实验室内进行试验、研究带来了极大困难。研究人员通过电动机可有效模拟风力机风轮转矩气动特性，但由于机组机械系统中传动链、发电机转矩变化及变桨执行机构响应直接影响风轮转矩输出，因此有必要研究风机模拟系统，为研究风电技术提供新途径。

近几年部分学者对风电机组模拟控制开展了一定的研究。采用开关磁阻电机实现了风力机模拟，通过转速调节模拟风力机输出功率，缺少对风力机转矩特性的模拟与分析。设计了基于RT － lab 的无刷直流电机硬件在环模拟系统，利用电动机模拟了风力机转矩特性，没有研究实际发电机并网后的情况。基于矢量控制利用感应电动机模拟风力机，分析了风力机的静态特性与动态特性。但没有研究并网后发电机转矩和桨距角变化对风轮气动转矩的影响。在不同风速、负载等条件下进行模拟，对模拟系统作了一定简化，控制系统回路中引入了微分算子，易造成系统不稳定。对比分析了风力机静态与动态模拟方法的风力机转矩特性，没有考虑风机变桨系统。设计负载转矩观测器实现风力机模拟，利用负载转矩和风力机转矩共同觉得模拟电机的转矩参考值，但没有包含发电机转速、转矩等控制算法。针对以上模拟控制方法存在的不足，基于转矩观测器通过用电动机模拟风力机转矩特性。考虑桨叶机械执行机构响应时间慢，并设计变桨系统。研究了发电机转矩控制器，实现发电机最优转速控制，分析了机组起动到脱网过程。最后分别对永磁、双馈风力发电机进行仿真与试验，验证了所提控制策略的有效性 。

为实现并网型风电机组风力机模拟控制，必须考虑发电系统反馈转速、功率对风力机转矩的影响，变桨系统对风轮吸收风能的多少至关重要，因此需建立由风轮模拟系统、发电系统及变桨系统组成的风电系统。

感应电动机由变频器控制，双馈发电机由基于矢量控制的双PWM 变流器控制。轮毂内采用伺服电机驱动桨叶开、关桨。

主控系统调用由美国可再生能源实验室开发FAST 软件生成的湍流风速，使风轮模拟系统吸收风能，双馈风力发电机组起动。达到并网转速时，发电机投入励磁电流进入并网状态。通过计算得出风轮转矩，由拖动电机模拟并驱动发电机，给定变流器功率因数为1.0.

模型机组在约3s时开始并入电网。随着桨距角不断增大，模型机组吸收的模拟风功率不断增大，发电机转矩增加，发电机功率与模拟的风轮转矩增大，同时，桨距角开桨至0°。尽管风速变化波动很大，拖动系统中模拟的风轮转矩变化趋势较为平滑。随着Cp值不断增大，在机组起动开桨阶段，转速受桨叶控制因素较多，处于迅速上升阶段。当正常运行后，桨叶位置较为稳定，转速受发电系统转矩控制，处于稳定变化范围内。

风能利用系数Cp值在25s左右突然变化，使风力机转速与转矩波动。从30s之后Cp值逐步稳定，机组也逐步稳定。为了进一步验证电动机的转矩模拟特性，在上述模型机并网试验情况较稳定后记录了80s的电动机相关数据。

在风速变化较大的情况下，通过模型机组拖动系统控制，电动机所模拟风轮转矩受风速大小等参数影响，转矩波动情况与实际基本一致，达到了预期试验效果。对电动机转矩偏差进行PI控制，计算得出转矩电流参考值，由转矩电流偏差经过电流调节器，控制电动机输出转矩。试验结果表明电流实际值较稳定跟踪参考值变化，且与实际转矩变化波形基本一致，转矩动态调节响应较快。

1) 通过跟踪最优转速方法实现最大风能跟踪，并分别针对永磁与双馈两种风力发电机进行了仿真与试验，验证了风电机组模拟控制策略的正确性，并对其进行了完善。对风轮模拟采用转矩控制，实现了更加准确地模拟风轮转矩特性。试验结果表明可以通过最优转速跟踪保证转风力机矩特性更加稳定。

2) 并网前风机转速受桨距角约束，风力机转矩较小。并网后在开桨阶段转速上升，转矩控制器与变桨控制器同时对转速实施耦合控制。通过所提基于变增益PI 的转速控制算法，实现对转速的优先控制，使桨叶快速到达目标位置，提高机组效率 。

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

风电机组一般要求服役20 a，风电运营商或者电网调度部门更多关心的是整机安全性、运行可靠性、发电能力、运行状态变化趋势及服役剩余时间等指标，因此，有必要开展整机的综合状态监测方法研究。目前，关于整机的状态方法研究大多是在风电机组数据采集与监视控制（SCADA）系统的运行数据基础上开展，其故障预测3 个方向分别进行综述。

1、基于统计分析的风电机组综合状态监测与评估利用统计分析方法，通过分析大量的风电机组状态监测的各类特征量（功率、风速、转速、温度、振动等）离线运行数据，提取某些有规律的指标，与出厂设计标准值进行对比，或通过多个机组之间的比较，达到对风电机组整机状态监测的目的。

目前，对功率运行数据进行统计分析研究较多，例如2 台1.5 MW 风电机组功率曲线如图2 所示，它是通过获取反映机组运行性能的实测风速、功率等数据，采用Bin 方法对数据进行统计处理后获得2 台机组的功率曲线。通过2 台机组的功率曲线、风能利用曲线及其标准差值，对机组的运行性能进行了对比分析和评估。图2（b）所示机组2 的实际功率曲线在低于额定风速以下区间内要比图2（a）机组1 的低一些，而且在高于额定风速时，有部分Bin 区间内功率的标准差偏大，运行状态不太稳定。

上述研究是通过对功率信息进行统计分析来实现整机的状态监测，能否采用其他特征量的统计结果来更好地表征整个风电机组的运行状态，值得深入探索研究。

2、基于多参数融合的风电机组综合状态监测与评估

在该研究方向，大多数研究是在风电SCADA 系统运行数据基础上进行开展的。风电机组SCADA 系统中包括的物理特征量有：角度、压力、温度、速度、机舱振动、电气等，通过分析这些运行数据，可以反映整机的运行状态。

目前，关于风电机组多参数融合的状态监测和评估方法，包括人工神经网络、高斯混合模型参数估计、物元分析、模糊综合评判等。

3、风电机组的故障预测方法

故障预测是指根据系统现在或历史性能状态预测性地诊断部件或系统完成其功能的状态（未来的健康状态），包括确定部件或者系统的剩余寿命或正常工作时间。

故障预测的3 种方法为：基于模型的方法、基于统计可靠性的方法和基于数据驱动的方法。目前，基于模型的风电机组故障预测研究方向比较鲜见，而另外2 个研究方向已出现在相关文献中。

a. 基于统计可靠性的风电机组故障预测研究。

目前，关于已出质保期或服役了较长时间的风电机组，其运行性能下降和各部件劣化度增加，导致可靠度不断降低和平均故障间隔时间MTBF（Mean TimeBetween Failures）逐渐缩短，对于上述方面的故障预测研究比较少见。而对试运行期间风电机组MTBF的预测已有少量文献报道，一般是在假设风电机组可靠性服从某种分布（如Weibull、非齐次泊松等分布）的基础上开展研究。

b. 基于数据驱动的风电机组故障预测研究。

在该部分的研究多集中利用SCADA 数据对风电机组关键部件（如齿轮箱、发电机、主轴等）开展故障预测研究，现有的故障预测方法有支持向量机、ARMA 方法、多元线性回归方法、人工神经网络等方法。

大多数研究的基本思路是通过残差趋势分布来实现故障预测，如图4 所示的故障预测框架，将SCADA 的监测数据作为预测模型的输入，通过所建立如人工神经网络或支持向量机的预测模型获得预测值，进而将实际监测值与预测值结合求取残差，结合利用事先通过专家经验或正态分布等方法确定的残差阈值，通过检测是否超过阈值或通过残差趋势分析实现对故障预测。

近年来，风能在世界能源结构中地位越来越突出，风电将逐步成为火电、水电之后的第三大常规能源。随着我国大型海上风电建设规划相继启动和现运行的大部分风电机组质保期逐渐超出或邻近超出，高故障发生率和高运维成本的现状越来越引起风电运营商、制造商和第三方运维公司等机构的关注。

相比陆地风电机组，海上风电机组将面临更恶劣的运行环境和更高的运行维护成本。据统计，海上风电机组的维护成本至少为陆上风电机组的2 倍，运维成本高达经济收入的30%~35%，其中约25%~35%为定期维护费用，65%~75%为事后维修费用。随着单机容量不断增加，大功率风电机组的复杂性程度增加，将会面临更高的故障率和运维费用。为了降低故障率和减少维修费用，开展风电机组的状态监测和故障诊断研究，对及时掌握风电机组运行状态，及早发现潜在故障征兆，降低故障率，减少运维成本，从而保证风电机组安全高效发电运行有着重要学术研究意义和工程应用价值。

鉴于风电机组对状态监测和故障诊断的急迫需求，国内外相继出台了标准规范，如2009 年欧盟推出了关于《风力机及其部件的机械振动测试与评估标准VDI3834》；2011 年国家能源总局提出《风力发电机组振动状态监测导则》。

上述标准主要是针对风电机组关键部件的振动特征量制定的规范要求，对于实现全面的风电机组状态监测和故障诊断的要求还远远不够。与传统火电、水电机组相比，风电机组在高空运行，是多部件协同工作的复杂系统，监测特征量类型多、数量大，受风速大小和风向的不确定性以及变速恒频发电控制的约束，运行状态通常在不同工况之间随机频繁切换，各类特征量随机波动范围较宽，利用单一或几个特征量采用传统状态监测和故障诊断方法，难以得到风电机组真实的运行状态和实现准确故障定位。基于上述风电机组特殊性，有必要了解风电机组状态监测和故障诊断领域研究现状，综述该领域的研究方法和成果，进一步促进该领域研究的开展。

目前，风电机组状态监测和故障诊断领域的研究处于起步阶段，已有的研究成果中，对于整机的研究侧重于状态评估和故障预测，对于机组的关键部件研究侧重于故障诊断。本文首先介绍风电机组的运行环境及其故障统计情况；其次，对整机状态评估和故障预测研究现状，从统计分析、多参数融合和故障预测角度进行综述；再次，重点介绍和评述风电机组关键部件故障诊断方法的研究现状；最后，结合当前研究现状和存在的问题，指出风电机组状态监测与故障诊断技术的发展趋势。