摘要：随着风电事业的迅猛发展，变桨距风机正在逐步取代定桨距风机，成为风电机组的主流机型。变桨距系统在风电机组中起着至关重要的作用，它根据风速的大小和功率的变化随时对叶片的桨距角进行调节，从而最大化风能转换、稳定风电机组的功率；与此同时，变桨距系统的频繁微调也加剧了它的磨损和老化，相对于风电机组的其它部件，变桨距系统发生故障的可能性大大增加；而且，变桨距系统安装在距离地面几十米高的轮毂内，内部空间十分狭小，从而使得变桨距系统的维修、维护非常困难，加大了人力、物力等的投入成本；更重要的是，若不能及时发现变桨距系统的故障并采取合理的措施进行处理，将有可能引发整个风力发电机组发生灾难性的事故。
关键词：SCADA系统；风电变桨故障预测方法；
能源是人类赖以生存和发展的重要的物质基础，但随着世界人口的急剧增长和现代工业的迅速发展，导致了煤炭、石油、天然气等传统能源的过度开采和消耗，这些消耗掉的传统能源在短时间内无法再生，而且在利用的过程中，还会对环境产生很大程度的污染。因此在有计划的利用常规能源的同时，人们迫切需要一些清洁、无污染、可再生的新能源来替代传统能源。
一、风电变桨系统
变桨距风机相对于定桨距风机具有更优良的功率输出特性，是未来逐渐替代定桨距风机的主流机型。根据执行机构性质的不同，可分为采用电液比例控制的液压变桨距控制技术和采用电动机驱动的电动变桨距控制技术。变桨距系统负责风电机组叶片的节距角调节，其成本很低，最多占到整个风机成本的5%左右，但对最大化风能利用、稳定功率输出及机组的安全保护至关重要，因此，一直是国内外专家和学者研究的热点。变桨距系统安装在风机的轮毂内，距离地面有几十米乃至上百米高并且内部空间十分狭小，从而使得风机变桨距系统的维护和检修非常困难；同时，若不能及时发现变桨距系统的故障并采取合理的措施进行处理，将有可能引发整个风力发电机组发生灾难性的事故，故对风机变桨距机构进行故障预测的研究具有重要的实际意义。
二、基于SCADA系统的风电变桨故障预测方法
1.故障诊断方法大致可以分为：(1)传统的基于模型的方法。基于模型的方法发展最早、应用最广泛，大致可以分为参数估计法、状态估计法种方法。这方法虽是独立发展的，但彼此之间均存在一定的联系。一般来说，参数估计法比状态估计法更适用于非线性系统，因为非线性系统的状态观测器的设计有很大困难，而等价空间法通常仅适用于线性系统。对风能转换系统的传动部分的故障建立数学模型，并且在未知干扰存在的条件下构造自适应故障观测器，既可监测出系统的故障，又能对这些故障进行估计。构建液压变桨距系统的状态空间模型及其状态观测器，将模型的实际输出与状态观测器输出产生残差，将残差的均方根作为残差估计函数，并结合自适应阈值进行决策。基于模型的方法局限性在于需要研究对象的机理结构来建立精确定量的数学模型，且需要有足够的传感器来确保信息充足。但在实际中，部分研究对象很难建立机理模型，传感器信息缺乏，对系统结构和参数的不确定性、时变性、干扰和噪声造成的影响难以预料。(2)基于信号分析的方法传统的信号分析方法有：时域分析、频域分析、倒频谱分析、功率谱分析、解调分析、细化谱分析等。近些年迅速发展有小波分析、信号分析方法在齿轮箱故障诊断方面应用较多，一般适用于稳定的测试信号，在非平稳条件下的结果不太理想。(3)基于数据驱动的方法。随着科学技术的发展，工业流程日益复杂化、大型化，基于传统的方法对整个系统建立精确的数学模型已越来越困难。与此同时，相当数量的企业每天都在产生并储存着大量的关于生产设备和运行状态的数据，这些数据隐含着工艺变动和设备运行等信息。
期刊文章分类查询,尽在期刊图书馆如何有效利用大量的离线在线数据和知识，实现对生产过程和设备的优化控制及故障诊断与预测，已经成为工业界迫切需要解决的问题，基于数据驱动的方法应运而生。数据驱动简言之，就是不需要建立数学模型，通过对大量离线在线的过程运行数据进行分析处理，挖掘其中有用的信息，获取正常操作和故障的特征模式，进而完成系统的故障诊断。统计分析和机器学>是数据驱动方法所用最多的两类。统计分析包括主元分析偏最小二乘及独立主元分析等，是利用多个变量之间的相关性对过程进行故障诊断。机器学习算法是通过利用系统在正常和各种故障情况下的历史数据训练，进而进行故障的诊断和预测，最常用的方法是神经网络和支持向量机。
2.评价一个故障诊断系统的性能指标有：(1)检测及时性：系统在发生故障后，故障诊断系统在最短时间内检测到故障的能力。故障发生到被检测出的时间越短，故障检测的及时性越好。(2)早期检测灵敏度：故障诊断系统对微小故障信号的检测能力。故障诊断系统检测到的故障信号越小，早期检测的灵敏度越高。(3)故障误报率和漏报率：误报指系统没有出现故障却被错误检测出发生故障；漏报指系统发生故障却没有被检测出来。一个可靠的故障诊断系统应尽可能使误报率和漏报率最小化。(4)故障分离能力：诊断系统对不同故障的区别能力。故障分离能力越强，诊断系统对不同故障的区别能力越强，对故障的定位就越准确。(5)故障辨识能力：诊断系统辨识故障大小和时变特性的能力。故障辨识能力越高，诊断系统对故障的辨识越准确，越有利于对故障的评价和维修。(6)鲁棒性：诊断系统在存在噪声、干扰等的情况下正确完成故障诊断任务，同时保持低误报率和漏报率的能力。鲁棒性越强，诊断系统的可靠性越高。(7)自适应能力：故障诊断系统对于变化的被测对象具有自适应能力，并且能够充分利用变化产生的新信息来改善自身。产生故障预测所需要的残差。随后采用残差的均方根作为残差估计函数，对残差进行处理，提取故障特征，将由噪声、扰动等干扰因素引起的残差变化的最大值作为故障预测的阈值，并考虑系统的延迟和误警率。
3.风电场一般地理位置分散，地处偏远，且存在多个智能系统风机SCADA、电气SCADA、风功率预测、测风塔、自动增益控制)、能量管理、点能计量、振动监测等。然而，各个智能系统之间互相独立，形成了信息孤岛。且风场一般安装多种机型风机，这更加大了管理难度。风场运行人员要同时监视多个系统，从多个系统提取数据做数据分析或统计报表，耗费了大量人力，这无疑增加了监控系统的运营维护成本。因此，急需建设一个有效可靠的风场数据传输存储平台，在整个风电企业范围内实现及时有效的信息共享，保障电网的稳定安全运行，提高运维水平和效益。结合风电场的电网接入、有功／无功控制、变电设备控制、当地风资源信息管理以及集团化数据中心建设等技术性能和指标要求，建设了风电场级综合监控系统，充分发挥旗云系统的数据采集、处理、存储和专业性能指标分析等信息自动化系统的优势，实现整个风电场全生命期综合管控。实现了风场现场无人值班、少人值守。
结束语：
风电技术发展迅猛，对风力发电机组状态监测的研究速度赶不上风电机组技术的大力发展。目前国内外的研究大多处于仿真理论研究或者离线数据的监测，还没有比较成熟的研究成果应用于风电场。而实际风场监测的数据大而复杂，系统还达不到自动诊断，有些复杂故障还需要专家现场诊断，因此对风电机组状态监测与诊断的研究任务是任重道远的。
参考文献：
[1] 龙承先．世界风力发电现状与前景预测[J]．中外能源，2018，17(3)：24-31．
[2] 全球风能理事会(GWEC)．全球风电市场发展报告2012[J]．风能，2018(4)：32-36．
[3] 刘琳．风力发电发展预测与评价[M]．北京：中国水利水电出版社，2018．
论文作者:李艳
论文发表刊物:《电力设备》2019年第24期
论文发表时间:2020/5/6