摘要：随着我国电力事业不断发展，风力发电也得到广泛推广。风能作为新型绿色产业，被世界需要国家投入使用，我国出台并制定了多项相应鼓励政策，使风力发电机组在数量上突飞猛进加之工作环境恶劣，容易导致风力发电机组故障。通过对故障问题尽早发现、尽早排除故障，从而降低故障发生风险。本文围绕浅析风力发电机组系统监测早期故障类别和风力发电机组诊断方法研究，两个维度展开深入探究。
关键词：风力发电机组；故障诊断；诊断方法
随着时代的发展和科学的进步，风能被广泛应用于发电产业。风能是大自然中绿色无污染的能源，具有可再生性和可利用性。风能的产生是由于空气流动形成的，随着科学技术不断发展，风能的清洁、环保特征，被广泛应用于电力生产行业。风能发电至今已被世界多个国家所利用。随着风力发电产业的不断发展，风力发电机组的运行状态成为不可忽视的重要问题之一，为了更好的实施监控并及时发现故障隐患，通过对监测系统对机组的故障跟踪和数据分析，及时诊断故障机组的发生位置并制定完善的处理措施，从而提升风力发电机组的运行可靠性和安全性[1]。
一、浅析风力发电机组早期故障类别
风力发电场建设位置通常选在偏远的山区或是恶劣的自然环境下，长期受到户外特殊天气、风速变化等外界因素影响，使得风力发电机组外部载荷与内部机组构件容易引发故障。通常情况下，风力发电机组故障多为发电机、变频器和齿轮箱。为此，深入了解风力发电机组故障问题，从而对关键故障部位采取有效的处理方法，保障风力发电机组故障诊断及处理的有效解决[2-3]。
（一）直驱式风力发电机组故障分析
直驱式风力发电机组是由风能直接驱动发电机运转的一种无齿轮风力发电机。该发电机采用叶轮与多极电机直接驱动的方式发电，免去与齿轮相关的零部件装置，例如齿轮箱。由于齿轮箱是目前市场上兆瓦级风力发电机组容易产生坏损率较高的位置，故此，直驱式风力发电机组不采用齿轮箱，根据风力调节转速大大降低了风力发电机组的体积，具有低噪音、高寿命和高效率的运行特点。但同时，低速风机直接与发电机连接，发动机需要承受来自各方冲击载荷，这多发动机要求极为严格。发动机内部结构复杂且体型庞大，这就为维修和吊装增添了不少难度。
（二）机组发动机故障分析
机组发动机是整个风力发电机组的重要核心零件，其主要功能是将风力带动风叶旋转产生的机械能转化为电能的过程，所以发动机的运行是保障机械能转过为电能的关键。发动机的主要故障有发电机运行过热和振动过大和定子线圈短路等多种故障。以热力异常为例，发动机内部热力参数根据机组运行状态发生改变，当热力参数异常时需要考虑发动机的电压、电流等情况，根据热力参数的上下范围值判定故障发生原因。常见的发动机故障的原因主要基于定子与转子之间的电流、电压输出功率和电压信号状态等原因。通过定子电流信号的指示可以快速辨析发电机故障识别[4-5]。
（三）风力发动机叶片故障
叶片是电力发电机组的重要组成部分，叶片的主要功能是吸收风能带动发电机运动产生机械能，每个叶片的长度通常在40米左右由纤维增强复合材料制成。叶片常年暴露在环境恶劣的地区对于叶片表面产生一定的腐蚀和裂缝，一旦发生故障后不仅对发电产生不良的影响同时对发动机组带来不可估量的损失。叶片故障通常情况下是由于受到不同受力（重力、空气动力和离心力）影响的，造成叶片弯曲振动垂直于旋转平面，扭转致使叶片阶梯轴振动，振动导致叶片弯曲。
期刊文章分类查询,尽在期刊图书馆
二、风力发电机组诊断方法研究
（一）故障诊断方法——信号分析法
风力是不可控制的气流，风力发电机依托风能转化为电能，在持续的工作中经常会造成发电机及齿轮箱等装置的故障。为了更好的识别故障状态进而确定设备运行异常情况，有效减少故障判断次数，需要科学的故障诊断技术。故障诊断过程通过对信息采集→信号处理→故障状态识别→监测和诊断→诊断结果五部分实现故障诊断[6]。
例如：小波分析法，是根据分析频带能力分析法，应用于特定频域或是时域范围内对故障信息分析的方式。频域分析法可有效提升发电机组的故障判断率，其系统架构采用人工神经网络及时更新内部数据库实现监测功能，同时具有非线性映射能力，应用于复杂的故障分析中可以对非确定性故障信息进行分析、计算和处理。运用智能模块对单子带重构转变为小波，从小波转换自带系数用对信息的特征进行采集和分析，并及时录入神经网络内，系统中依据实现编制的映射关系分析处理结果，从而有效的判断故障结果[6-7]。在例如油液分析法，是通过检测油液中产生的污染颗粒和粉末等物质痕迹，定量、定性的分析故障发生的具体位置和严重受损程度。还可以运用红外热成像和红外监测等诊断方法对风力发电机组进行全面诊断。
（二）故障诊断方法——人工智能法
对风力发电机组的诊断方法和故障发生概率和原因紧密联系，人工智能法诊断法可以使维修人员快速识别现场故障情况并进行高效的分析及处理。人工智能分析法通过对数据挖掘诊断、神经网络诊断和模糊专家诊断方式来诊断故障，在此介绍一种模糊综合评估法，风力发电机组装置随着运营的状态和工作环境等原因，导致机组故障频发，目前，对风电机组故障研究多是通过额外的测量传感器采集信号实现，此类方法只是单一在齿轮箱、发电机等故障诊断下进行，不能对整体运行状态采取比较全面的检查，为此，考虑到个能力发电机组运行状态的评估，采取人工智能模糊综合判别方法，该方法是通过SCADA系统采集相关数据的基础上，随数据量化处理后通过建立机组的评判矩阵完成的，是对机组运行状态进行评估[7-8]。
结束语
随着国家电网制度的不断深化发展，电力行业随之产生巨大变化。风力发电机场建设及使用更为广泛，对发电机组运行状态实施有效的监控和预测，及早发现设备运行中存在的安全故障隐患，可有效控制风力发电机设备的可靠性和安全性，通过对风力发电机组故障诊断理论和方法解析，可有效降低发电机组的故障率，有利于推动我国风力发电机组运行的可靠性[9]。
参考文献
[1]龙霞飞,杨苹,郭红霞,等.大型风力发电机组故障诊断方法综述[J].电网技术,2017(11):82-93.
[2]风力发电机组故障诊断与预测技术研究综述[J].仪器仪表学报,2017(5):126-127.
[3]吴艳标.风力发电机状态监测和故障诊断技术的研究[J].城市建设理论研究(电子版),2018,No.253(07):7-9.
[4]孔德同,贾思远,王天品,等.基于振动分析的风力发电机故障诊断方法[J].发电与空调,2017(1):225-226.
[5]杨巍.风力发电机组故障诊断与预测技术研究综述[J].工程建设与设计,2018(07):159-161.
[6]马宏忠,李思源.双馈异步风力发电机气隙偏心故障诊断研究现状与发展[J].电机与控制应用,2018,45(03):117-122.
[7]赵帅.关于风力发电设备故障诊断机制的研究[J].科学技术创新,2017(33):32-33.
[8]李丹,邱颖宁,冯延晖.风力发电系统警报信号故障诊断[J].太阳能学报,2017(11):3138-3143.
[9]申凯.风力发电机组旋转机械的故障判断探讨[J].时代农机,2017,44(6):41-42.
论文作者:阚玉波
论文发表刊物:《电力设备》2019年第16期
论文发表时间:2019/12/9
标签：故障论文; 风力发电机组论文; 机组论文; 故障诊断论文; 齿轮箱论文; 风能论文; 叶片论文; 《电力设备》2019年第16期论文;