文 | 陈晓清 刘少明 张健 朱永峰 孔晶

基于设备故障相关参数筛选模型建立风电机组故障预警体系

文 | 陈晓清 刘少明 张健 朱永峰 孔晶

传统的风电机组报警系统是以安装在设备上的传感器部件为基础进行报警，其结构和原理如图1所示。当设备部件的部分指标超过限定值时，就会触发报警系统的警报。触发系统报警的条件包括：设备部件温度骤升、液压系统压力过高过低、电流忽大忽小等。传统系统预警能力十分薄弱，需要人为根据报警参数再次进行分析找出存在的预计缺陷。传统报警系统所提供的报警初始设定限值也是根据广泛经验设定的值，忽略了综合天气、气候、机型等多种因素进行人为限值设定。

综上所述，传统报警系统存在的缺陷严重影响了风电场人员对风电设备运行时的消缺、检查工作，且不利于设备运行寿命的增长和生产效率的提高。因此，一套能够利用现场丰富的实时数据资源，并能够进行自动缺陷分析、自动预警的设备故障侦查预警系统是很有必要的，可以实现设备的提前预警、提前检修规划，达到延长设备寿命、提高生产效率的目的。

故障预警系统网络结构

集团公司风电场集中数据管控中心的建设，实现了在满足行业安全规定、要求的条件下，将风电场的风电机组、气象、升压站中的数据传送至集团公司风电场数据中心，并能够在集团公司风电场集中数据管控中心进行风电场各类数据的监视、存储。通过利用风电场丰富的数据资源对风电机组故障预警、不同型号的风电机组分类建模，实现对所辖风电机组运行工况的有效管理以及不良工况的提前预警。因此，集团公司可以利用风电场集中监控中心来整合所辖风电场各种机型的运行数据，进而提高自己在故障预警建模方面具有的建模依赖数据丰富、预警准确率高的优势。

图1 传统风电机组预警原理结构图

风电场集中数据管控中心结构图，如图2所示。

故障预警建模机制

一、风电机组故障预警模型

图3描绘了风电机组故障预警体系从风电机组故障模型建立、故障预警到风电机组故障模型自动优化的整个过程。以下为各个过程的简要说明：

（一）基于设备故障相关参数筛选模型自动对各种型号的风电机组建立一套故障预警体系，从统计学角度通过对历史设备故障数据的提取分析建立故障相关参数信息挖掘模型，以该模型和已有的工业运行库为基础，形成特定型号设备的故障相关参数信息知识库。

（二）以故障相关参数信息知识库实时监测设备特定故障相关的参数信息，建立一个设备故障侦查预警模型对符合知识库参数值和逻辑的进行预警。

（三）以历史预警信息和预警效果评估为基础，建立一个设备故障预警自优化模型，实现预警参数信息知识库的优化，从而达到预警信息准确性的不断提高。

（四）风电机组故障预警体系同时开放用户参数调整接口，保证权限的用户可以根据经验直接添加系统的故障相关参数信息知识库等配置信息，以保证运行人力智库的充分利用。

二、风电机组故障预警相关参数建模

设备故障预警相关参数筛选统计流程，如图4所示。通过图中所示流程，完成一系列建模后，风电机组故障数据仓库对故障模型信息进行了统一存储，模型涵盖了风电机组型号、所在地域、厂建时间、预警相关参数组、健康阵列等信息。

风电机组故障相关参数预警设备建模过程，分为以下几步：

图2 风电场集中数据管控中心网络结构图

图3 故障预警体系建立过程

图4 设备故障预警相关参数筛选统计流程图

（一）挖掘每个故障条目（如：变频器加热器故障）在统计时间段（一般为1年以上）的故障时间点，形成如下表1所示的数据结构。

（二） 对特定型号风电机组的故障条目进行逐项遍历，并在每个故障条目下通过大量的历史数据进行参数幅值相关性统计，将震荡幅值较大且能影响风电机组的故障情况进行记录。

（三）在调整过程中，需要对数据进行及时存库备查以及将预测依据参数信息完整入库存储。预测相关参数信息入库存储格式，如表2所示。

三、 风电机组实时故障侦查预警及自优化

设备故障侦查预警系统主要分为三个模块，分别是实时故障预警模块、实时预警评价模块、自动预警参数幅度优化模块。三个模块的工作流程，如图5所示。下面对三个模块流程设计分别说明。

（一）实时故障预警模块：

实时故障预警模块是对设备故障项目相关的数据点进行实时（触发或小周期轮询）监测，对符合预警参数值和参数条件逻辑的xxx转入预警处理，并对各设备故障项目依次进行检查。

预警触发时，推送出相应的弹出窗口，并以声音报告、图形闪动形式报送给用户；将产生预警的信息存储归档以备预警评价。故障信息表见表3和表4。

（二）实时预警评价模块：

实时预警评价模块是对已经预警，但还未出现预警结果的预警记录进行跟踪评价的模块。周期性（周期可配置，如20min）查询预警信息中未评价的预警信息，检查预警信息是否发生、发生的预警信息准确方面统计（如：预警发生但推迟了5min）。每次检查未评价的预警信息，除非预警记录的时间已经过去了很长时间（可定义，如1天）。对于已经评价的预警条目进行统计，统计在目前的预警参数条件下预警的准确性。预警的准确性分多个方面，首先检查是否全部准确，其次检查预警的故障条目是否准确（人为不参与的情况下），再次是预警时间是否准确。该评价信息存档，以备优化阶段使用。

表1 故障条目数据结构表

表2 预测参数信息表

图5 预警系统流程图

（三）自动预警参数幅度优化模块

周期性（如：7天）的对预警参数幅度进行优化，首先需要设定一个预测准确率标准（如：85%），再根据历史数据对没有达标的参数幅值进行自调整，主要针对不断增加的历史数据，对历史数据进行再统计，对幅值进行细度的调整。

表3 故障信息表（1）

表4 故障信息表（2）

故障预警效果分析

一、 故障预警过程数据分析

依据故障相关参数筛选算法进行参数幅值变化和相应故障之间的关系研究。 “1桨叶正常收桨回风暴位置太慢3”故障的动态变化关系表如表5所示。

图6为某风电场风电机组出现“1桨叶正常收桨回风暴位置太慢3”故障时各参数的变化趋势。横轴为相应参数振动幅值的变化率，分0.02为调点进行逐变，纵轴为上述故障“1桨叶正常收桨回风暴位置太慢3”各个参数跳变过程中发生的概率。

下面是曲线分析：

（一）风电场运行实际：“桨叶正常收桨回风暴位置太慢”是风电机组运行中经常发生的故障之一，且造成停机的次数高达800次/年以上。故障发生后，风电场检修人员一般需要爬至风电机组机舱中检查和变桨相关的部件状态。变桨轴承润滑不良、液压系统缺陷、桨叶驱动电机发热磁退、SBP充电装置故障、叶片蓄电池耗损等情况是该故障可能发生的原因。

（二）统计数据分析：图6中的曲线为风电机组故障时刻点，风电机组主要测点跃动幅值百分比（X轴）和故障发生率（Y轴）的变化关系。幅值百分比在小于2%时，各参数变化情况与发生的故障没有明显的相关性。

随着限定幅值的逐步放开（X轴从右到左），故障发生概率逐步增大。曲线中，X轴测点幅值百分比有微小变化时，故障发生率有明显变化的位置即说明相应测点和故障相关，见表6。

表5 “1桨叶正常收桨回风暴位置太慢3”的动态变化关系表

图6 “1桨叶正常收桨回风暴位置太慢3”时各参数的变化趋势

二、某风电场故障预警案例实际效果分析

如某风电场生产日志部分的开票记录中，43号风电机组变频器水冷系统压力过高进行了就地检修。变频器水冷系统压力过高易发生管路爆液，严重造成变频器IGBT模块短路烧毁。

表6 “1桨叶正常收桨回风暴位置太慢3”信息表

图7 预警信息表

图7 43号风电机组变频器水冷系统压力的变化趋势图

图8 43号风电机组变频器水冷系统压力值正常情况下的变化走势

表7为上述故障预警系统在故障发生之前给予的预警（由于预警时值班运行人员对初上系统未引起足够的关注，该预警信息只能从预警历史记录中查得）。

图7为故障预警时间区间内43号风电机组变频器水冷系统压力的变化趋势图，该型号风电机组使用的变频器水冷部件正常情况下压力限值在1.2－2.6之间，按照故障预警模型参数相关性预警根据了预警。

根据建立的预警模型可知正常情况下变频器水冷系统的压力值在1.2－2.6之间，图8为压力值正常情况下的变化走势，在超过2.6时即易发生压力过大引起的爆管，本系统对实时监测区间内水冷压力值的极值和变化趋势，在超限时即给出预警。

结论

在数据就是财富的今天，保存有大量风电机组运行数据的SIS、SCADA系统记录了风电机组运行的各种工况和历史数据，此为大部分风电场都已完成的基建工程。基于已有的历史数据，对风电机组进行建模分析，建立一套能自动根据海量历史数据模型、自动生成特定型号风电机组故障预警系统模型，能够解决风电场设备故障缺少提前发觉，设备故障没有合理预警等问题，整体上增加设备的可靠性和可利用程度，从而实现整体经济效益的提高。

（作者单位：北京岳能科技股份有限公司）