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。