風力發電系統故障診斷技術論文

　　摘要：隨著大規模風電場的投入運行，風電場陸續出現了較多運行故障，需要高額的運行維護成本，大大影響了風電場的經濟效益。針對風力發電系統中變頻器、變流器及齒輪箱等主要部件的故障，對現有故障診斷方法進行了介紹，為提高對風力發電系統的可靠性、降低成本、促進其工程化進程提供了有效的參考。

　　關鍵詞：風力發電系統；故障診斷技術

　　風電場一般處于偏遠地區，工作環境復雜惡劣，風力發電機組發生故障的幾率比較大，如果機組的關鍵部件發生故障，將會使設備損壞，甚至導致機組停機，造成巨大的經濟損失。為降低風電機組運行的風險，維護機組安全經濟運行，都應該發展風電機組故障診斷技術。

　　1、風力發電系統常見故障及診斷技術

　　1.1變頻器故障診斷

　　變頻器故障的產生，不僅有外部環境的影響，也有內部因素的限制，就目前變頻器使用而言，主要利用速恒頻式的風力發電機，此類型的風力發電機在應對電網故障的方面存在比較大的缺陷，所以其發生故障的情況也比較普遍。

　　在實際應用中發現風力發電機的調節速度比較慢，故障前期風機吸收的風能不會減少，由于發電機組端電壓下降，所以會出現不能向電網輸送電能的情況。風力發電機組產生的電能一部分不能輸送到電網當中，這些不能輸送到電網中的電能被系統自行消化，會導致電容充電和直流電壓快速升高，進而會產生電子轉機加速和電磁轉矩突變等問題。

　　1.2變流器故障診斷

　　在雙饋風力發電系統中，變流器是故障頻率相對較高的部件。故障診斷的主要研究方向分為全局短路故障診斷和局部短路故障診斷。全局短路故障診斷的內容是在變流器直流側安裝傳感器獲得直流鏈的變化值，通過對電流值進行分析來判斷故障的類型。從容錯的角度來講，局部短路故障診斷有助于判斷出故障的具體位置，便于系統的重構。一旦發生短路故障，最有效的手段就是對故障開關進行隔離。

　　開路故障診斷方法分為兩種類型，即模型法和非模型法。模型法是建立整個發電系統的數學模型，在設定的正常狀態和故障狀態下，比較分析數學模型在各種變量的差異。非模型法相比較而言省去了建立繁雜模型的過程，只需要故障狀態下各種變量的相關信息，特別是當系統要建立復雜的、非線性的模型時，這種方法可以大大減輕人們的工作量。

　　1.3齒輪箱故障診斷

　　齒輪箱是風力發電機組的核心傳動部件，工作狀況將影響整個風力發電機組的性能。據統計，在風力發電機的故障中，46%的故障是齒輪箱故障。

　　齒輪箱發生故障時，齒輪箱故障的振動信號為復雜的非線性、非平穩信號。小波變換是時頻分析中最常用的方法，具有多分辨特性，在高頻率部分能夠放大尺度，具有很好的頻率分辨性；在低頻率部分能夠縮小尺度，具有很好的時間分辨性。采用小波變換對風力發電系統齒輪箱故障信號降噪預處理以提高EMD分解的精度，再用Hilbert變換對包含主要故障信息的IMF進行包絡譜分析。實現風電機組齒輪箱故障特征頻率的有效提取。

　　2、風力發電系統常見故障診斷方法

　　2.1基于解析模型的故障診斷法

　　在故障診斷剛起步時就開始應用這種故障診斷方法。使用該方法時，必須有準確的數學模型。該方法是把實測信息和模型輸出信息進行分析對比，計算出實際輸出和和理論輸出之間的差值，根據對這些差值的分析、運算來進行故障分析診斷。在運算過程中，參數與狀態是難點，需要對系統比較了解的前提下計算出系統的精確數學模型。在實際工況下，需要進行建模的生產設備具有不確定性，生產設備的模型會隨著時間、溫度和人為因素進行變化。

　　2.2基于信號處理的故障診斷法

　　這種方法把研究對象當作是一個黑盒子，只需要知道被控對象的輸入和相應的輸出信號對其進行建模，不需要知道具體的數學解析模型。研究對象的輸入信號，輸出信號，可以通過傳感器測量并記錄下來。使用信號特征向量提取方法提取信號的特征值，在建模階段，可以通過建立特征值和故障之間的關系來建立對象的故障模型，然后把實時信號引入到模型中，通過信號分析來判斷故障的種類和具體位置。基于信號處理的故障診斷方法具有比較好的實時性，這種診斷方法有非�？斓脑\斷速度，靈敏度高，而且容易實現。但是缺陷很多，如：雖然診斷速度快，但是診斷精確度較低，極易出現故障的誤判和漏判�；�于信號處理的故障診斷方法主要分為3種，分別是頻譜分析法、信息融合法、小波變化法。

　　2.3基于神經網絡的故障診斷法

　　基于神經網絡的故障診斷有很多優點：神經網絡的知識表達形式統一，經過歸一化后，知識庫管理容易，通用性強，便于移植擴展。神經網絡的知識獲取容易實現，可以實現并行聯想和自適應推理，而且容錯能力強。神經網絡能夠表示事物之間的復雜關系。神經網絡可以避免專家系統遇到的很多問題，比如：組合爆炸、無窮遞歸等問題。神經網絡推理過程簡單，可以實現實時在線診斷。

　　神經網絡在故障診斷的研究主要分為以下三個方向：

　�。�1）在模式識別方向。神經網絡可以作為故障分類器進行設備的故障分類。

　�。�2）在預測方向。用神經網絡可以作為動態模型的設備的故障預測。

　�。�3）在知識處理方向�？梢园焉窠浘W絡和專家系統融合，建立混合故障診斷系統。

　　3、結語

　　風力發電在目前的電力生產中已經占據了重要的地位，在未來的能源結構中地位的重要性將會進一步顯現。為了使得風力發電更好的發展，使得風力發電系統更加的安全，要積極的利用現代化技術做好風力發電機組重要部件故障的診斷，防患于未然，這樣風力發電系統的運行效率才會更高。

【風力發電系統故障診斷技術論文】相關文章：

風力發電中的電能質量監測系統04-27

風力發電的全球展望05-02

飛行的風力發電機04-26

風力發電從配角到主角04-27

異步發電機在風力發電中的應用05-01

衛星姿態測量系統的故障診斷技術05-01

風力發電機設計05-01

風力發電廠實習報告03-12

世界風力發電發展概況04-30

永磁風力發電教學實驗平臺的研制04-30