1引言
风力发电场一般设置在偏远地区与高山,受自然环境恶劣、风速变化大且外部荷载不稳定等因素影响,使得风力发电机组内部部件极易出现故障。一般机组故障包含齿轮箱、发电机及变频器等几部分。 近年来,大量实践发现任何单一化智能诊断方法的应用都存在明显的局限性,无法获得理想效果。所以有效融合并整合各类智能诊断方法,确保工况与性质不同的数据信息充分发挥其算法优势与特点,以此得到准确地决策结果。风电机组主要由风轮、发电机组成,是风力发电的核心设备。在我国,风电机组主要分布在西部或者沿海风力资源丰富的地区,由于机组常年暴露在户外,受到低温、雷电、风暴、沙尘等恶劣环境的影响,很容易使风叶、齿轮等零部件产生磨损,影响风电机组的使用寿命。此外,风电机组一般分布较为分散,故障隐蔽不容易发现,增加了后期维护成本,如果风电机组故障不能在第一时间发现并采取及时的应对措施,就会导致供配电系统不能正常运行,甚至会带来巨大的经济损失。因此,需要通过采取一些有效措施使风电机组故障得到有效的解决。
2风力发电机组故障诊断技术
2.1 分析机组故障诊断
诊断风力发电机组故障时,要结合机组自身复杂结构与特殊运行环境,综合分析相关因素,以此获得准确的故障诊断结果。风力发电机组结构复杂,因而故障诊断难度大。实际工作中对传统诊断技术进行创新,应用新技术与理念,准确诊断各类故障以此为解决故障提供参考。风力发电机组的故障诊断要准确了解各故障本质,综合分析机组电力参数、振动、压力、磨损、形变及温度等特点,有效进行故障诊断工作。
2.2 分析热力参数
风力发电机组运行中分析热力参数,即分析机组运行温度与湿度变化以此明确其运行状态。对于风力发电机组而言,内部温度包含发电机、齿轮箱、运动电机及变流器等大部件、机舱及控制柜等内部温度。有效监控风力发电机组内部热力参数,有效监测其运行情况。此外结合机组热力参数变化趋势与反馈结果,准确判断机组故障设备部位,为故障原因分析提供可靠的参考依据。
2.3 分析机组运行振动
振动分析应用原理是指将振动传感器安装于机组内齿轮箱、发电机、主轴及机组支架等大部件上,以此准确测量机组大部件振动状态。利用传感器所反馈的振动信号处理并分析,快速而准确地判断机组各部件振动状态,综合分析振动来源及成因,由此判断机组运行是否正常。
3风力发电机常用故障诊断方法
3.1传统方法
传统的风电机组故障诊断方法主要有振动检测、噪声检测、红外线检测、声波检测、油液分析以及无损验伤等方法。传统的较原始的诊断机械系统故障就是利用频谱分析方法处理,即借助傅里叶级数利用相关信号特征为基础,特别是振动信号和功率信号,检测故障。
3.2信息融合方法
就目前的技术以及需求来看,信息融合是在风力发电机中诊断故障比较有效的且普遍使用的技术,在我国也有相关研究人士提出了针对更好的稳定性、更广阔的时空覆盖区域以及更强的故障容错和系统重构能力等的需求匹配了具有相应特点的信息融合技术,将该技术应用在故障监测和诊断中,达到了不错的效果。
3.3神经网络方法
该方法是相对敏感的一种方法,对动物的神经网络行为特征进行一定程度的效仿,在利用分布式并行信息处理的算法数学模型对其进行合理地有经验地计算以及掌握,只有了解到相关故障的内在联系,才能更好地实现信息得到良好的处理的目的。而神经网络则是更人性化并细节地利用模型众多节点进一步掌握其内部联系,同时神经网络也逐渐被越来越多的人接受,并成熟地发展出许多类似于小波神经网络以及BP神经网络等的分支。
4 风电机组故障诊断重要方面
现阶段,我国对于风电机组齿轮故障的诊断方法主要是以振动检测为主,借助齿轮运转过程中,由于内外荷载的变化产生振动频率,如果齿轮部件发生故障,会影响振动频率,此时可以利用传感器测量齿轮的振动信号,通过信号分析技术判断故障。
首先,测取振动信号。这项工作主要在测量机组启动加速以及并网发电期间进行,需要测量不同的振动监测点和周围振动的状态。机组加速期间临界转速区时,对于机组振动超标的情况进行仔细的观察,包括主轴和齿轮箱等等。如果转速到达临界值,则会增加转子共振振幅,可能由于轴系质量失衡而出现超标问题,可作重要的评价机组振动的依据。高转速区时,可以让风电机组实现并网发电的效果,对于齿轮箱以及主轴、发电机振动频率展开分析,掌握住有无在正常的振动状态中。
其次,对于振动信号进行分析。分析振动信号就是分析振动参数,主要采取趋势图、波德图、频谱图等。其中,波德图主要可以反映出风电机组启动加速期间,齿轮箱以及主轴同发电机组振动状态,可以精准的表现出临界转速区的振动现象。频谱图可以直观有效地反映出机组部件的相关特性情况。趋势图可以反映机组运行以来的振动变化情况。最后,故障诊断。风电机组的损坏问题,涉及到了齿面的磨损、轴承磨损以及松动、齿轮断裂等等。如果是初期的磨损,则振动信号内可以直接的反映出振动状态,依照信号频谱,可以对于特征频率展开分析,进而得到诊断故障的结果。在故障的中后期阶段,受损位置出现较长的一段时间内重新的磨合,所以会降低振动特征信号以及增强噪音,具有相对平稳的温度反应。
风电机组振动监测与故障诊断过程中,监测到的振动信号多包含强烈的背景噪声,特别是故障初期,故障成分不明显,常常会淹没在背景噪声之中。针对这种情况,小波消噪适合此类非平稳振动信号的消噪处理以用于旋转机械的振动信号消噪过程中。因而,需要对含噪信号进行有效的去噪处理,才能有效的对风机后续的故障监测与故障诊断。
结语
综上,风电机组故障存在的原因较多,需要通过可靠的诊断技术及时发现,并且有效解决其故障,本文探讨了风电机组故障诊断的方法,为今后风电机组故障在线监测及诊断提供理论依据。
参考文献
[1]谢源,焦斌.风力发电机组状态监测系统与故障诊断方法研究现状[J].上海电学院学报,2020,13(6):328-333.
[2]杨锡运,关文渊,刘玉奇,等.基于粒子群优化的核极限学习机模型的风电功率区间预测方法[J].中国电机工程学报,2020,35(S1):146-153.