董 健,柳亦兵,滕 伟,马志勇

（1.国电联合动力技术有限公司，北京100039；2.华北电力大学 电站能量传递转化与系统教育部重点实验室，北京102206）

0 引言

齿轮箱作为兆瓦级双馈风力发电机组的核心大部件之一，其工作稳定性和可靠性对整机发电量的提升和运维成本的降低起到重要作用。随着运行年限的增加，受材料特性、部件质量、油品状态、冷却性能等因素的影响，风机齿轮箱油温超限的故障隐患也不断增大。如何在不添加额外测量设备的前提下，利用机组SCADA时序运行数据并结合针对性的数据分析方法，准确识别齿轮箱油温异常变化特征及实现故障早期预警，就成了亟待解决的问题。

风电场常见的固定阈值预警方法与风机主控的故障报警逻辑相类似，这种方法不能有效适应风机工况的复杂变化，无法准确识别齿轮箱油温的劣化特征。对此，文献[1]，[2]运用非线性状态评估（NSET）和多变量状态评估（MSET）算法，构建风机正常运行时的多参数时序记忆矩阵模型，通过监测预测结果残差的异常变化来达到齿轮箱温度异常预警的目的。这两种算法对正常运行片段划分精度的要求较高，同时算法构造的记忆矩阵往往较大，这对模型算力和部署成本的需求较高。文献[3]，[4]提出基于风速、功率和环境温度等参数的多维风机工况划分方法，通过关注工况细化区间内齿轮箱油温数据均值、标准差、偏度和峰度等统计指标的异常变化来实现故障预警功能。……