【原】国电南京自动化公司张军军、陈果 等：风电场主设备预警诊断系统设计与开发

阅读提示：本文约4300字，建议收藏后阅读！

国电南京自动化股份有限公司的张军军、陈果、卢应强、乔苏朋、胡忠忠，在2023年第5期《电气技术》上撰文，针对风电场环境恶劣，设备故障早期监测难且机组故障率高的问题，提出一种基于多参量建模与振动信号频谱分析的风电场主设备预警诊断方法。

首先，采集风电场在线监测系统、点巡检系统、监控系统及其他系统中的结构化和非结构化数据，并根据设备特点和应用系统要求，对多源数据进行预处理和有效融合；然后，基于多参量建立预警模型，并通过预警模型输出与振动信号频谱分析实现对设备状态数据的趋势分析；最后，设计并开发预警诊断系统，展示设备预警信息、故障诊断结果与运维决策建议。

风电场主设备预警诊断系统为风电机组智能在线监测提供了一种新思路，可实现设备故障提前预警，降低机组故障率，提高设备维护人员的工作效率。

化石能源给气候变化带来了严重影响，“双碳”目标为新能源发展指明了战略方向。风能作为可再生清洁能源，具有发电时长长、可再生、污染小等优势，因此风电行业发展迅猛，风电设备规模迅速扩大。

风力发电设备的运行存在种种不确定性因素，导致风力发电机组极易受到损害、出现故障，这造成了风能资源浪费，并给风电企业带来了巨大的经济损失。此外，由于风电场所处环境条件恶劣，设备工况稳定性较差，设备故障早期监测难且机组故障率高，对风力发电机组、变压器等主设备运行状态的在线监测不可或缺，掌握风电场主设备关键部件的运行情况和重要参数对设备管理人员至关重要。

当前，已有一些风电机组监控系统，但仍缺乏从全局角度考虑的对设备关键部件和重要参数进行监测的综合系统；而且，现有监测系统的预警诊断分析功能较薄弱，虽能通过设定固定限值实现报警，但往往是设备报警即故障，需要停机维修，不仅增加了设备维修管理人员的工作，而且给风电场造成了巨大的经济损失。

降低设备故障率、提高风电机组利用率、降低运维成本，是提高风电场经济效益、增强风电场盈利能力的有力手段。大数据与人工智能技术的迅猛发展，为提升风电场风力发电机组、变压器等主设备的安全可靠性，实现在线监测系统设备状态评估诊断从信息化到智能化的升级，保障主设备的安全稳定运行提供了强有力的技术支持。

杨文广等利用基于模糊Rete算法的模糊专家系统研究了大型风力发电机组远程智能监测与诊断系统的关键技术。陈艳艳等利用Socket技术和多线程机制对风电机组远程监测与故障诊断系统的数据通信进行研究，实现了远程监测与故障诊断系统开发。辛卫东等将振动监测技术应用于风电机组齿轮箱故障诊断中，实现了风电场设备群的远程监控分析和精细故障诊断。章敏针对某风电场MW级风电机组在运行过程中出现的故障，分析数据采集与监视控制（supervisory control and data acquisition, SCADA）系统的故障记录与运行缓存数据，对故障进行快速诊断与控制策略优化。

对风电场风机主设备的状态监测主要是对机组叶片、传动链、主轴承、齿轮箱等大部件运行状态的监测，通过不同的传感器采集传输关键数据信息，为实现机组的状态监测与预警诊断提供支撑。因风机部件结构复杂，数据信号多为复杂动态信号，噪声影响较大，故障特征信息不明显，需采取合理有效的信号处理方法，以达到故障诊断结果。

目前，主要采用统计分析技术与数据挖掘技术作为部件状态监测方法。常用的统计分析技术包括时域统计分析方法和频域统计分析方法，通过计算常用的统计特征值来表征风机健康状态。数据挖掘技术的应用主要利用机器学习算法来对监测数据进行建模。此外，针对故障预警的研究还出现了非线性状态估计、神经网络等方法。尽管以上方法取得了一定的成效，但这些方法依赖参数的选择，面对海量高维异构数据时的效果有限。

本文调研分析风力发电场在线监测系统现状，针对风电场设备智能化和智慧化检修的要求，设计研发一种风电场主设备预警诊断系统，不仅可对常规的风电机组参数进行监测，还可对风电机组、变压器等主设备的重要部件进行监测。当风电机组等主设备的重要部件监测参数出现异常时，系统会提前发出预警提示，并根据预警频次与等级对设备进行健康状态评分，故障诊断系统通过相应的算法给出设备的故障诊断结果与运维决策建议。

与现有系统相比，本文研发的系统具有以下优势：

1）基于关系型数据库、图模型数据库技术，研究以设备智能诊断与健康管理为目标的数据仓库构建技术，将设备的基础数据、实时监测数据、可靠性指标、设备管理数据等基本信息数据结构化，以提供集成化的历史数据与知识数据管理功能，支持综合性的数据分析与决策，为设备的运行状态监测、故障智能诊断、设备健康管理提供基本保障。

2）基于数据融合技术，实现多系统的数据融合，实现各应用系统之间的信息共享和集成，使各系统之间能互联、互操作，解决了各个系统数据格式不统一、数据信息孤岛难题。

3）以设备为主要研究对象，以设备特性为基础，识别关键指标的关联性和内在逻辑，建立设备特征到故障之间的多维映射关系；采用决策树、逻辑推理、产生式规则等人工智能技术，建立多参量设备预警诊断模型，解决当前设备状态评估依据单一、故障发现与处理不及时的问题，为现场隐患处理提供经验指导。

1  系统结构与功能

1.1  系统网络拓扑

系统以风电场的风力发电机组、变压器为主要监测对象，实现预警诊断一体化。系统的主要网络拓扑如图1所示。

基于风电场现有主监控系统网络结构，采用C/S结构，平台系统结构采用分布式体系结构。安全Ⅰ区部署通信服务器，安全Ⅱ区部署通信服务器、数据库服务器，采集计算机监控、设备状态监测等系统数据，经网络隔离装置发送至安全Ⅲ区。安全Ⅲ区部署通信服务器、数据库服务器、应用服务器、计算服务器、Web服务器等，获取安全Ⅰ区、安全Ⅱ区及安全Ⅲ区的相关数据，并部署平台应用系统。

图1  系统主要网络拓扑

1.2  系统架构

系统架构如图2所示，包含数据采集、数据处理、模型构建和应用功能四部分。

图2  系统架构

• 1）数据采集层：采集风电场在线监测系统、点巡检系统、监控系统及其他系统中的结构化和非结构化数据。
• 2）数据处理层：根据设备的特点及应用系统的需求，对数据采集层采集的多系统的结构化和非结构化数据，进行数据的预处理和多源数据的有效融合，在此基础上，构建通用的主设备全景信息模型，为主设备运维各项高级应用、智能分析应用提供统一、开放的基础模型。
• 3）模型构建层：以数据处理层提供的数据为支撑，基于人工智能算法实现智能预警模型与故障诊断模型的构建，实现设备状态数据的趋势分析，给出设备预警故障诊断结果与运维决策建议。
• 4）应用功能层：对算法模型的数据分析进行系统页面展示，主要包括首页、智能预警、故障诊断、状态检测、系统管理功能。

1.3  系统功能

除常规的电力参数外，系统主要对风电场风电机组关键部件叶片、传动链、塔筒及变压器的运行状态进行监测和预警诊断。系统将预警和诊断融为一体，提升了风电场主设备的安全稳定性。系统功能结构如图3所示。

图3  系统功能结构

2  系统研究与开发

2.1  智能预警子系统

为了对风电机组关键部件和参数进行准确监测，应用多参量聚类算法构建模型，实现对风电机组故障早期状态的预警。风电机组关键部件监测主要分为两步：离线数据建模与在线数据监测。

离线数据建模基本步骤包括：1）选取离线历史数据中机组正常无故障发生的数据；2）根据机组各关键部件特性，选取历史数据中合适的建模参数；3）剔除建模数据中零负功率点，并对数据做标准化处理；4）用建模数据训练机组各关键部件的多参量聚类预警模型，得到机组各关键部件的正常行为模型；5）依据设备机理研究及专家经验，设定机组部件关键参数阈值。

在线数据监测基本步骤包括：从在线监测数据中获取离线建模所选建模参数；2）将在线监测建模参数数据输入机组各关键部件的正常行为模型；3）根据模型输入输出计算偏差；4）将偏差与机组各关键部件的关键参数阈值作比较，大于阈值则触发预警；反之，则模型一直正常运行；最后，将模型的运行数据存储于实时数据库与关系数据库中，用于获取数据并在系统页面展示。

基于偏差设置五种模型预警类型，包括整体模型偏差、相对偏差、绝对偏差、实际值与预测值。风电机组多参量聚类预警模型逻辑框图如图4所示。

图4  风电机组多参量聚类预警模型逻辑框图

对风电机组的关键部件进行多参量建模，通过预警模型中设备工况输入值和机组预警模型期望值之间的偏差，实现运行状态异常预警。当某一预警类型的预警次数大于3次时，系统进行预警提示，并通过预警限值划分预警等级，根据不同的预警等级进行设备打分，从而实现设备健康状态评估。

变压器预警模型逻辑框图如图5所示。通过采集变压器本体油中溶解气体、套管介损、铁心接地电流、红外热成像温度等参量，对变压器本体、套管等部件的主要监测量进行分析，建立变压器特征参数体系，量化特定特征量与预警模式之间的相关程度，并结合风电场变压器特性构建多参量预警模型。

图5  变压器预警模型逻辑框图

2.2  故障诊断子系统

风力发电机组中多部位传感器采集的信号往往存在多背景噪声干扰，为满足故障监测与诊断要求，需从所采集的信号中提取故障特征值信号，利用信号处理方法并结合设备特性及专家经验，输出故障类型。风电机组故障诊断逻辑框图如图6所示。

图6  风电机组故障诊断逻辑框图

本文采用统计分析方法从传感器采集的信号中提取故障特征值信号，并以常用的峰值、峰峰值等统计特征值作为正常的参考值。当提取的特征值偏离正常特征值范围时，表明设备发生故障。为了给出具体的诊断结果，利用频谱分析、包络解调分析、高阶谱分析等信号处理方法得到具体的诊断结果说明。

最后，将特征值信号与故障诊断结果存储于实时数据库与关系数据库中，用于获取数据并在系统页面展示。系统页面展示诊断特征信号的曲线趋势、时域频域谱图、幅值谱图等，并结合预警模型对特征值指标进行评估，通过提取最小特征值的指标分数进行诊断评级，进而给出故障诊断结果及运维检修建议。

3  系统展示

系统采用B/S架构进行设计，以设备为对象进行展示。用户登入系统，进入首页面，首页面向用户展现整个风场的总体情况，用户可直观看到整个系统当前所监测设备是否正常、是否运行、是否预警等信息。用户如需了解设备的具体状况，可通过综合信息页面的简单操作快速跳转到相应设备的详情页面。系统首页视图如图7所示。

图7  系统首页视图

4  结论

针对风力发电设备运行存在的故障率高、故障即停机、运维检修成本高等现状，本文以数据为支撑，以设备为对象，挖掘设备数据本身的内在关联性，研究设备状态演变的关联关系和发展趋势，设计并开发了风电场主设备预警诊断系统。该系统可发现设备故障的早期征兆，实现预测性维护，避免非计划停机，不仅有利于提高设备的可利用率，提升运检效率、降低故障率，实现风电场设备的智能化和智慧化检修管理，而且有助于提升设备的使用寿命和风能资源的利用质量。

本工作成果发表在2023年第5期《电气技术》，论文标题为“风电场主设备预警诊断系统设计与开发”，作者为张军军、陈果 等。