大型半直驱风电机组基于状态的运维技术研究及应用

【摘要】风电机组基于状态的运维技术作为智能风场的关键支撑，是风电机组运维未来发展的方向。本文阐述了关键部件状态分析、整机性能分析、基于状态的健康模型、智能故障诊断模型和故障预警模型等基于状态的运维技术，并给出了在大型半直驱风电机组上的应用情况。基于状态的运维技术实施，保障了机组的高可靠性，提升了机组运行性能和风电场运维人员处理故障的速度，降低了整体运维成本。【关键词】半直驱风电机组、基于状态的运维、健康模型、智能故障诊断模型、故障预警模型一、风电机组运维的现状和趋势随着装机容量的增加，风电机组的运行维护越来越重要，相应的费用也越来越高。有统计资料表明，陆上和海上风电机组的维护费用占到各自风场收入的10%～15%和20%～35%左右。目前风电机组的维修模式主要是定期维护和故障检修，定期维护内容主要是定性检查，缺乏准确反映设备准确状态的预防性和诊断性试验技术，在线监测技术匮乏，尚未形成基于SCADA监控数据、在线监测数据、离线试验数据的综合故障预测技术体系，不利于故障早期发现，导致大部件损坏事故损失严重。传统的维修模式是基于时间的，检查间隔期一经确定就不再改变，不能反映机组的真实状态，往往会导致维修过剩或欠维修。当前的风电机组的维修模式也引入了机会维修的策略。所谓机会维修策略是指在对一个部件进行维修的同时，其他部件也获得维修机会，可一起进行维修。如果多个部件一起维修，则分摊了系统的拆装、调试等高额固定维修费用，达到节约维修费用的目的。基于状态的维修在机会维修的基础上引入了能够反映设备实际情况的状态，使得该种维修方法更加接近于设备实际需要的维修。状态维护是指基于状态监测结果分析进行的故障预处理，保障设备在限定的磨损范围内工作，在疲劳损坏之前进行维护或更换。基于状态的预防性维修是根据机组或设备的状态来确定是否需要维修，能够反映机组的真实状态，不存在过维修或欠维修。能够在机组处于亚健康状态时，分析出亚健康状态的部件，并提前进行预维护，在保证机组运行可靠性与提高可用率的基础上，尽可能的缩短机组的停机时间，尽最大可能降低机组的各种维修费用，降低发电成本，提高风电企业的效益。未来基于状态的运维将会是智能风场的一部分关键内容。智能风场的目的是为了降低风力发电系统的在整个生命周期内的度电成本。要降低度电成本，有两方面手段：一是增加风能利用效率；二是降低设备运行和维护的成本。基于状态的运维将为上述两个方面提供关键支撑。二、半直驱风电机组介绍图1

半直驱风电机组结构示意图

图1所示是一种超级紧凑型半直驱结构，机组的主轴承、齿轮箱、发电机集成为一个等外径筒状传力整体。整机重量与同容量其他类型风机相比有大幅度的降低，整机重量的降低使得整机运输、吊装等费用同比例得到下降，配合控制策略，大大降低塔筒和基础的载荷及成本。齿轮箱采用中速齿轮箱，利用二级行星齿轮增速，采用与航空发动机相同的结构设计，并采用先进柔性销轴均载技术，降低振动噪音，同时提高齿轮箱可靠性。发电机采用中速永磁同步发电机，相对直驱发电机的结构简化很多，磁极数量仅为直驱的1/3，直径仅为直驱的1/2。功率密度大，在各种功率下都能保持极高的发电效率。主轴承集成在齿轮箱内，省去传统风机的主轴部件，简化传动系统结构及减少传动系统零部件数量，提高传动系统可靠性。主轴承选用可承受径向、轴向和弯矩载荷的高刚度大锥角双列圆锥滚子轴承，提高了风轮的支撑刚度。半直驱机组是在直驱与双馈风电机组在向大型化发展过程中遇到的问题而产生的，兼顾有二者的优点。与双馈机型比，半直驱的齿轮箱的传动比低，能够提高齿轮箱的可靠性与使用寿命；与直驱机型比，半直驱的发电机转速高，能够兼顾对应的发电机设计，改善大功率直驱发电机设计与制造条件。三、大型半直驱机组基于状态运维的典型应用为了采用基于状态运维的方式提高大型半直驱机组运行的可靠性，开展关键部件的状态分析、整机性能分析、基于状态的健康模型、智能故障诊断模型和故障预警模型等多项工作，本章节分别进行介绍。（一）关键部件的状态分析针对发电机、齿轮箱、变流器、变桨系统、液压系统、偏航系统等关键部件，梳理80多个关键变量的工作限值范围以及确定各部件运行的报警阈值，并开发出相应的自动化软件。将现场的运行数据自动导入软件，快速得出关键部件当前运行健康状态。根据对当前状态的判断指导现场人员采取相应的运维措施，实现基于状态的维护。图2关键部件的状态分析

（二）整机性能分析开发基于功率特性试验方法的整机运行性能评价软件，通过纵向对比单台机组不同时间段的功率曲线、横向对比同场不同机组的功率曲线、分析风能利用系数和功率曲线符合度等，综合判定机组的整机运行性能，同时给出基于分析结果的处理建议和优化措施，提升机组的整机运行性能和发电指标。如果机组出现由于温控阀寿命耗尽导致齿轮箱润滑油油温偏高，主控系统根据油温自动限功率，则机组在额定风速以上时就会存在不满发的功率点，如图4所示。通过对整机性能分析可以发现此类功率曲线问题，可指导现场人员有针对性的开展运维工作。图3

更换温控阀前后功率曲线对比

（三）基于状态的健康模型利用变权理论、模糊综合评价等算法，建立风机运行状态评估模型，并集成到大数据平台上。可对实时传输的数据进行处理分析，输出各关键部件和风机整机良好、合格、注意和严重等4种状态，从而实现了对风机整机及各关键部件运行状态的实时监控和评估，如图4所示。根据模型给出的评估结果，指导现场人员采取相应的运维措施，实现基于状态的维护。图4基于状态的健康模型

（四）智能故障诊断模型根据专家经验，针对常发故障穷尽其全部故障原因，建立相应的故障树。在此基础上逐一分析每个故障原因对应的运行数据，提取每个故障原因对应的数据特征，建立智能故障诊断模型，并将智能故障诊断模型集成到大数据平台上，见图5。大数据平台根据故障代码调取相应的智能故障诊断模型，并将故障前后的运行数据提取出来输入到智能故障诊断模型中，模型根据运行数据的故障特征，自动给出各故障原因的百分比和对应的解决方案，通过信息化手段发送给现场运维人员，指导现场人员的故障处理过程，提高工作效率。图5基于故障树的智能故障诊断模型在大数据平台的展示（五）故障预警模型充分挖掘风电机组运行数据，通过专家经验、数据统计和机器学习等多种方法开发机组隐患预警模型，在故障萌芽状态时及时处理，降低运维成本，延长设备寿命。比如一个针对发电机绕组温度异常的预警模型，对比在大功率情况下发电机各个绕组温度，如果有单个绕组温度明显高于其他几个绕组温度，则可以判断为该绕组由于接线异常导致接触电阻增大。提前进行处理，可以降低现场故障次数。目前已在大数据平台上部署几十个故障预警模型，对机组运行数据进行实时监控，并将预警的结果推送到现场运维智能管理系统上，及时指导现场人员进行针对性排查。四结语随着我国智能风场的发展，传统的运维方式也在向基于状态的运维转变，其中的关键是采用合适的基于状态的运维技术并取得实际效果，本文在这个方面进行了有益的探索。本文阐述了关键部件状态分析、整机性