大数据处理技术在风电机组故障诊断及预警中的应用

发布时间：2023-02-01T01:52:37.610Z 来源：《科学与技术》2022年第16期8月 作者： 程成 郭加旗 霍金龙

[导读] 近十年来，我国风电进入快速发展时期，装机容量和并网发电量不断攀升，截至2021年底，风电装机容量突破3亿kW大关。随着我国风电规模的不断扩大，风电机组越来越先进，其机械构成越来越精密，各零部件之间的耦合也越来越复。

程成 郭加旗 霍金龙

摘要：近十年来，我国风电进入快速发展时期，装机容量和并网发电量不断攀升，截至2021年底，风电装机容量突破3亿kW大关。随着我国风电规模的不断扩大，风电机组越来越先进，其机械构成越来越精密，各零部件之间的耦合也越来越复。其一旦发生故障，必将带来巨大的损失与维修成本。传统的维护维修手段一般分为两种，一种是产生故障之后进行维修，一种是定期的经常性的进行停机检修。这两种维护方法均存在一定缺陷，前者存在维护滞后与维护不足的问题，一旦发生故障其后果往往是巨大的、难以挽回的；后者则存在维护过剩的缺陷，容易造成人力与物力的无意义浪费。因此，近年来风力发电机组的故障诊断与状态预测逐渐受到国内外学者的广泛关注。同时风力发电机组一旦产生故障，其在维修方面的成本管控尤为重要。本文主要对大数据处理技术在风电机组故障诊断及预警中的应用进行论述，详情如下。

关键词：大数据处理技术；风电机组；故障诊断；预警 引言

风电项目是国家大力提倡和扶持的新能源项目，通过风能发电来增强新能源的利用,是建设节能高效型社会,促进绿色经济转型和增长，缓解能源矛盾的重要举措。当前，我国已经将风电项目的发展范围拓展至了更广泛的地区，风电电能也开始在社会生产生活中发挥出重要的作用。在风电生产传输过程中，设备的稳定性、可靠性会对风电生产质量与效率产生直接的影响。尤其是风电机组传动系统的故障诊断与排除工作至关重要。

1大数据在风力发电机组成本管控方面的优势

大数据时代的到来必将带来风力发电机组全系列运营的深刻变化，除了故障的诊断与状态的预测，大数据同样可以应用于风力发电机组的故障维修成本运营。大数据不应仅仅应用于技术维修领域，应当覆盖整个风力发电机组的方方面面甚至包括成本管控。 2大数据处理技术在风电机组故障诊断及预警中的应用 2.1计及气象因素的风电机组故障诊断与风险预测

随着“双碳”目标的提出，电力作为清洁、高效的二次能源，将在支撑社会经济发展，服务民生用能需求，构建清洁低碳、安全高效能源体系中发挥更加重要的作用。近年来，中外频繁出现因电力供需紧张造成的大规模停电事故，部分事故与风电等新能源供电在负荷高峰时期电力供应不足和极端天气情况下电网调节灵活性不足等原因有关。为了稳定出力水平，减小不正常运行状态带来的损失，对风电机组不正常运行状态进行故障诊断与风险预测具有重要的现实意义。对风机典型故障类型的发生原因进行分析，发现故障的产生与温度、气压、湿度、降水降雪、风速等因素存在关联。由此确定的风机故障初始特征集中包含所有可能导致故障的气象因素，冗余的数据特征会使模型结构变得复杂，不利于故障的识别和诊断，甚至降低诊断准确度。因此，需先对初始特征集进行特征提取，剔除冗余特征，将风电机组的故障数据样本分类为特定的故障模式并对故障影响因子重要性进行排序，选取最优特征集合。Relief F(relevant features F)算法的基本思想是给样本的每一个特征赋予权值，权值越大表示该特征对样本的区分能力越强，对权值阈值进行设置即可得到特征子集，从而达到对数据进行降维的目的。该算法首先对特征的预测权值初始化为0，然后从数据集中随机抽取一个样本R，分别从相同类别及不同类别中找到K个近似R的样本，用Hj和Mj表示，最后利用特征权重计算公式开始迭代更新每一个特征权值。 2.2基于故障树分析法的风电机组变频器故障与可靠性 2.2.1基于故障树分析法

故障树分析法多用于安全系统，在研究对电话拨号器自动控制系统时，首次提出这一方法，广泛应用于事故原因分析及风险评估。作为一个结构为树形图的故障树，其节点间有一定的逻辑关系，由底至上分别为底事件、中间事件和顶事件。搭建故障树时，起始于底部，写出上下层之间的逻辑关系，结合逻辑运算算法进行分析，删除冗余事件，形成完整的故障树。 2.2.2基于T-S模糊故障树分析法

一般情况下，变频器故障率低，故障行为复杂，难以收集足够的数据进行分析。此外，由于工作人员误操作、气候变化和故障的随机性，变频器故障难以准确记录。面对这种情况，T-S模糊故障树将故障多态性引入到传统的故障树中，并与研究可靠有效方法的模糊集理论相结合，使变频器故障设计和分析变得容易。 2.3风电机组齿轮箱的故障诊断及维护

齿轮箱是风电机组传动系统中的重要组成，也是极易发生故障问题的关键性部位。一旦齿轮箱发生故障问题，就会直接影响风电机组的整体运行，甚至导致整个风电机组的瘫痪而无法使用，齿轮箱的故障诊断主要从几个方面着手，一是听声音，齿轮箱在正常情况下，运行的声音与故障情况下运行的声音是有着一定的区别的，而这区别就是故障判断的重要依据，例如，在故障情况下，齿轮箱声音会存在不睦现象，例如咔咔作响的声音，例如吱吱声等。这是由于齿轮箱的摩擦力增大所致，如果任由这种现象不处理的话，故障范围将进一步扩大，影响至传动系统的其他零部件，进而造成传动系统的瘫痪，导致风电机组无法运作。导致齿轮箱故障的原因是由于齿轮发生老化，而导致功能退化，以及齿轮面出出脱落，腐化等问题，从而使得齿轮与齿轮之间的配合不再紧密，咬合不再严实，从而致使齿轮脱扭而出现故障问题。在这种情况下，就需要利用有效的检测手段来对齿轮的咬合程度进行确认，并进行相应的修正操作，或是齿轮片腐化老化，则需进行及时的更换，防止进一步的老化缺失而导致脱扭，影响齿轮箱的正常运作。 2.4Storm集群数据处理架构

Storm是开源的分布式实时大数据处理框架，其相比于Hadoop分布式批处理计算技术而言，具有流数据处理、实时计算、不进行数据收集和存储等特征。Storm大数据处理框架不批量处理海量的数据信息，而是根据数据资源的应用需求，在Storm集群数据处理架构中，设置多个控制节点、工作节点，每个控制或工作节点分别运行名为“Nimbus”“Supervisor”的守护进程，负责集群代码分配、虚拟机任务布置，

实时进行每条数据的流计算。 结语

总之，风能作为规模较为成熟、产业链较为完善的绿色能源，具有能源储量大、开发成本相对较低的优势，因此全球风电机组的装机容量逐年增加。由于工作环境恶劣、工况多变的原因，风电机组在运行中后期故障频发，维护成本也不断增加，所以应用大数据处理技术，做好风电机组的故障诊断工作可以有效降低运营和维护的成本，提高机组运行效率。 参考文献

［1］吉庆昌，邸英杰，阴兆武，张冬梅.大数据处理技术在风电机组故障诊断及预警中的应用［J］.中小企业管理与科技（中旬刊），2021（10）：179-181.

［2］刘宜荣.基于SCADA数据的风电机组故障诊断与预警的研究［D］.济南：山东大学，2021.

［3］赵祖龙.基于大数据分析的风电机组健康状态智能评估及诊断探索［J］.中国管理信息化，2021，24（8）：116-117. ［4］王晓东.基于多源数据融合的风电机组主传动链故障预警研究［D］.广州：华南理工大学，2020.

［5］李洋，赵宝宁，梁洪弋，黄伟轩.基于非线性状态估计算法在大数据云平台系统的风电机组故障预警模型研发与应用［C］.第七届中国风电后市场交流合作大会论文集，2020：6.

［6］ 薛禹胜,赖业宁.大能源思维与大数据思维的融合(一)大数据与电力大数据［J］.电力系统自动化,2016(1):1-8.