风电机组的状态监测与评估可有效提升风电机组运行的稳定与可靠性，本项目在风电机组的故障机理、监测方法、状态评估系统等方面开展了研究。项目建立了适用于风电机组状态评估和故障诊断的全景信息模型，研究了叶片缺陷的发展过程与状态监测方法，提出了基于气动噪声信号监测的叶片缺陷状态监测方法与基于激光超声波成像的风电机组叶片诊断方法；研究了风力发电机齿轮箱结构机理及故障类型特性，建立了齿轮箱典型故障信号特征库，提出了基于人工蜂群算法的选择性神经网络集成算法和基于改进随机森林的智能齿轮诊断模型的风机齿轮箱故障诊断方法；分析了电网故障对风电机组关键设备健康状态影响，搭建了双馈风电机组的仿真模型，开展了电网故障过程中风机暂态运行特性的仿真分析；提出了风电机组健康状态评估与状态预测方法，并研制了风机状态监测与故障诊断装置，结合现场测试数据验证了方法的有效性。本项目的研究成果解决了风电机组的状态监测与评估中的关键科学问题，为推动风电机组从定期维修和事后维修到状态检修的转变提供了理论基础，对风电机组的安全稳定运行具有重大意义。

风电机组故障不仅影响着运营业主的经验效益，更是严重威胁着电网运行安全。如何有效降低故障带来的损失，避免重大故障发生已成为风电场运行中必须解决的重大问题，对风电机组实施状态监测与评估是非常有效的应对措施。与传统动电力设备部件相比，风电机组无论是在机械结构和材料、工作环境，还是电气拓扑方面都与传统电力设备有着明显的差异，有新特点和新问题，特别是风电机组叶片、齿轮箱、电气控制系统等部件。本项目将开展风电机组的电气控制系统故障模式与状态表征方法研究，叶片缺陷的发展过程与状态表征方法研究，齿轮箱故障模式与状态表征方法研究，电网故障对风电机组关键设备健康状态影响研究，研究了基于多状态参量实现风电机组部件和整体状态的评估方法，建立了风电机组状态评估体系。项目研究成果将为解决风电机组的状态监测中的关键科学问题，为推动风电机组从定期维修和事后维修到状态检修的转变奠定基础

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。

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。

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