引言

大力開發和利用風能是實現碳達峰、碳中和任務的重要手段。當前,風電機組裝機規模日益擴大,風電機組故障集中分布于變獎、主軸、齒輪箱、發電機、變頻器、液壓剎車系統。

一些傳動鏈故障停機時間和備件采購周期長,需要采用大型機械設備如吊車等進行相應的維修,這樣不但增加了風電機組的運行維護費用,而且影響了風電機組的發電量,從而降低了風電機組的經濟性。為降低運維成本,提高運維效率,風電場運維人員開始采用預防性維修策略,通過故障預警,在風機設備還沒有發生故障或故障尚未造成損壞的前提下開展維修和檢查。

1針對不同類型的風電場采取相應的預警思路

針對未出質保的風電場,風機服役時間較短,設備健康度通常較好,可以獲得大量的風機健康數據,運維人員也有足夠的精力開展預防性維修,業主會及時發現設備缺陷,并要求主機廠家進行維修、更換,預警的結果也會得到較快反饋,預警工作開展較為順利,這類風電場可以作為預警業務的優先開展對象。

針對投運時間較長,特別是故障率較高的風電場,風機健康度不夠理想,風電場運維人員疲于處理故障,這類風電場應優先考慮開展專項治理,在確定故障根因的基礎上,采取技改、設備精維護、大部件更換等手段,降低風機運行安全風險,提高設備可利用率,預警應該有所取舍,將預警重點放在齒輪箱、發電機、變獎系統等資產價值較高的大部件上。

2確定故障原因和失效模式

預警的目的是在故障發生前識別設備的異常狀態,提前進行檢查和處理,避免設備健康狀態逐步劣化造成故障停機,產生發電量損失。預警是針對特定的故障開展的,只有在確認失效模式、掌握故障產生的原因之后,才能有針對性地采取預防手段,否則即便識別出了設備異常狀態,但由于無法找出異常原因,也就沒有辦法進行處理,設備健康狀態仍然會繼續劣化。

故障原因分析可借鑒相關的方法和工具,例如根因分析(RCA）方法、FEMA方法、頭腦風暴、魚骨圖、5個why等,從人、機、料、法、環等角度分析故障原因,魚骨圖法如圖1所示。

在確定故障原因和失效模式之后,建議抽取幾臺風機進行數據驗證,通過分析故障前后時刻的數據,掌握設備缺陷發展過程的數據特征,明確分析故障以及進行預警時需要用到哪些測點的數據,為后續預警工作打好基礎。

3確定預警的必要性

在開展預警工作之前,需向現場詳細了解歷史故障邏輯和原理、故障發生的原因、故障處理方式和處理效果、是否已進行相應技改,必要時進行現場踏勘和檢查。需要提前搜集的資料主要包括故障處理手冊、歷史運維記錄、更換臺賬、損壞記錄、技改方案、現場缺陷照片等。

如果設備劣化過程是漸變的,例如齒輪箱潤滑油變質、軸承磨損等,需要一個時間過程才能發展成故障,則可以進行預警:如果設備劣化過程是短暫或者是瞬間的,例如葉片遭到雷擊損壞、PT100接線松動,則預警較為困難,重點應加強日常巡視檢查:如果故障發生的季節性比較明顯,例如春季柳絮堵塞齒輪箱散熱片,導致齒輪箱油溫高故障,則建議提前采取措施統一處理,或采取技改措施。

另外,風機sCADA系統包含非停機告警,例如東汽FD77B風機發電機前軸承溫度大于100℃會報警但不停機,大于110℃才會故障停機。非停機告警也屬于預警的一種,且閾值通常由主機廠、大部件供應商提供,現場應對非停機告警引起重視。非停機告警閾值往往與故障停機閾值較為接近,如果告警時間與停機時間較為接近,告警后在很短時間內會報停機故障,則需要根據現場實際需求開發出能夠增加時間提前量的預警。

在完成需求調研,掌握故障原因、失效模式,確定預警的必要性之后,需要將以上信息進行匯總,形成預警可行性分析報告(或者需求確認單）,和現場人員確認之后再開展后續預警工作。

4數據來源和數據質量評估

預警的分析對象是風機各系統(部件）的數據,通過數據反映出部件異常情況,故獲得完整、有效的數據是開展預警工作的前提。

4.l確定預警數據范圍和數據顆粒度

對風電機組進行故障預警,首先需要確定預警需要用到哪些數據以及數據類型(遙測、遙信）,如果是遙測數據,則需要確定顆粒度(毫秒級、秒級、10min數據）:如果是遙信數據,則需要確定是故障類遙信(故障、告警、提示）還是普通遙信以及時間范圍等。

確定預警數據范圍的方法有兩種:一種是經驗法,根據專家經驗確定需要用到哪些數據測點,該方法的優點是"短、平、快",缺點是過分依賴專家經驗,可能會漏掉一些測點:另一種是機器學習方法,即分析數據之間的相關性,該方法結果準確,但用時較長:也可以上述兩種方法同時使用,互為補充。

關于數據顆粒度,根據經驗,溫度類故障預警數據一般要求10min數據,壓力類故障、變槳系統故障一般要求秒級甚至更高顆粒度數據。

4.2確定數據來源和導出方式

根據測點需求,確定數據來源,數據通常來源于風電場sCADA系統、大數據集中監控平臺、風機后臺、振動監測系統等[4],同時還要確定數據導出是否方便快捷,單次最多能夠導出的日期范圍和數據量,以及數據導出是在線實時導出還是人工手動在后臺服務器導出。

4.3數據質量評估

評估測點是否完整、有效,是否包含臟數據,數據格式是否友好,建議通過編程自動化方式評估和篩選數據,一方面評估數據完整性和有效性,另一方面通過程序自動剔除臟數據,并將數據轉化成標準格式,成為可用、好用的數據,該步驟往往耗時較長。數據的完整性、有效性還會影響后續預警方法的選擇。

5預警算法選擇

預警算法主要分為兩大類:專家規則法、機器學習法。專家規則法利用專家的經驗和案例識別設備的異常狀態,機器學習法通過人工智能手段識別設備異常狀態。在實際使用中有時采用兩種方法相結合的預警算法。

5.1專家規則法

專家規則法主要有閾值法、同工況對比法、原理法。

(1）閾值法:根據前期積累下來的大量歷史數據分析經驗、運維經驗,結合部件失效原理,設定一個預警閾值,一定時間段內超過該閾值一定次數則發出預警。該方法的優點是使用簡便,不需要分析海量的數據,缺點是難以覆蓋不同工況、不同運行環境、不同品牌風機。

(2）同工況對比法:在相同工況下,將目標風機和相鄰風機進行對比,或將同一風機和該風機歷史同期數據進行對比。該方法優點是容易理解,缺點是風機工況有無數種,相同工況的前提有時無法實現,預警時效性差。

(3）原理法:基于風機自身特性進行判斷,例如冬天時艙內溫度應高于艙外溫度等。該方法優點是簡便準確,缺點是應用面較窄,只能對特定情況進行分析。

5.2機器學習法

通過統計學的方法,構造相關機器學習的算法模型,通過編程自動化的方式進行離線或在線訓練和測試,輸出并展示預警結果。常用的機器學習方法有非線性狀態估計、LightGBM、神經網絡、深度學習等,不同的方法有不同的優缺點。機器學習數據運算量通常較大,使用時需要評估服務器、內存等硬件能否支撐算法正常運行。

5.3兩種算法相結合的預警方法

在具體實施中,可采用兩種算法相結合的預警方法。例如,使用機器學習的方法得到預警結果時,可采用專家規則的方法對預警結果進行解釋。算法沒有絕對的好壞之分,同一種算法有時也可適用于多種類型的故障預警,風電機組的運行環境和工況是復雜多變的,算法的學習和積累是一個長期的過程。確定預警算法后,需要將方法匯總成預警原理說明書,并和風電場現場討論和確認。

6預警算法執行

根據選定的預警算法進行模型訓練,得到預警結果。在使用機器學習算法時,需將數據分為訓練樣本和測試樣本,以非線性狀態估計算法為例,訓練樣本為風機歷史健康數據,測試樣本為風機歷史告警數據或故障數據。模型訓練和測試的工作量通常較大,針對測試樣本,算法的測試結果需要具備準確性和時效性,準確性是指訓練出的模型在測試時能夠達到預期的準確率,時效性是指預警結果相對于故障的發生有一定的時間提前量。

7預警結果展示和推送

預警結果通常包含風機號、異常信息、最早發現的異常時間、最近異常時間、導致異常的可能原因、建議措施、優先級、可視化圖表顯示和說明等8個部分內容。其中"導致異常的可能原因"和"建議措施"一般根據異常數據特征,結合運維經驗、故障處理手冊、RCA根因分析報告給出。異常原因和建議措施可按照優先順序排序,優先級可以根據緊急程度分為3類:需要立即處理(48h內上風機處理）、需要盡快處理(2周內上風機處理）、下次爬風機處理(6個月內上風機處理）。表1給出了不同異常類型和對應的處理方式。

在對預警結果進行展示時,通常需要搭配預警時刻的圖形和圖表,圖形和圖表能夠反映設備異常時刻的數據特征,方便運維人員直觀地分析設備異常原因,并評估異常嚴重程度。預警信息可視化展示也是預警實施過程中的重要步驟。

針對設備健康度和設備異常評估,還可以采用設備劣化度、壽命預測的分析方法。劣化度在一定程度上表征了機組當前運行狀態相對于故障狀態的劣化程度,劣化度計算公式為當前監測參數的測量值與故障停機閾值的接近程度,并且在計算時應加入監測參數的趨勢變化。壽命預測可采用威布爾分布方法,威布爾分布廣泛應用于失效數據分析,也用于壽命數據分析。根據威布爾分布可以預測未來一段時間之內大部件失效的數量,運維人員可根據預測結果提前采購備件,并對不同供應商的設備可靠性進行評價。

預警開發人員需要和現場運維人員建立起聯動機制,將以上預警結果整理成固定的格式,定期推送給風電場,并接收現場人員對預警結果的反饋。如果是在線預警,風電場運維人員可以實時收到預警信息。

8預警結果現場反饋和驗證

風電場收到預警結果后需要采取行動并給予反饋,反饋的內容應包括上機檢查日期、檢查結果、修復方式、異常的根本原因,必要時補充現場照片。

預警開發人員在收到反饋后,需要結合數據進行兩方面驗證:

(1）驗證預警結果是否真實有效。如果現場仔細檢查后并未發現設備異常,需要不斷優化、調整、修改預警參數和方法,且預警方法優化、迭代是一個長期的過程。

(2）驗證設備異常是否得到解決。現場運維人員根據預警結果,完成異常設備的維修和處理,預警開發人員需要對維修后的設備數據進行驗證,通過數據判斷設備異常情況是否已經消失,如果后續仍然出現預警,預警開發人員需要提醒運維人員繼續進行維修和檢查,直至找到設備異常的真正原因,確保設備異常情況消失。

預警開發人員需要將新出現的設備異常原因、解決方式補充到專家知識庫、故障處理手冊中,最終實現預警案例閉環。

9預警經濟性計算、預警方法推廣

風電場完成預警缺陷處理,能夠避免風機缺陷繼續劣化導致故障停機,具有一定的經濟效益。不同類型的預警會產生不同的經濟效益,有必要對預警創造的潛在經濟價值進行量化,具體量化方法可采用如下公式:

預警帶來的潛在經濟價值=電量損失＋大部件費用＋人工費用＋吊裝費用

式中:電量損失是指故障的歷史平均停機損失,通過預警避免了發生故障停機,從而避免了產生電量損失:大部件費用是指通過預警在塔上更換小件就能解決問題,避免了日后更換大部件所需的費用:人工費用是指節省的運維人員維修費用:吊裝費用是指節省的設備吊裝、安裝費用。

預警模型完成批量實施和驗證后,以此為基礎,可以將預警成果進行推廣,評估預警算法模型是否適用于其他風電場不同品牌的風機。

10結語

本文探討了風力發電機組故障預警策略,即基于已知的故障原因和失效模式、完整有效的數據,選擇準確的預警算法,并根據現場反饋不斷優化算法,評估預警帶來的經濟效益。本文對詳細的預警步驟進行了歸納和總結,可以為今后風力發電機組故障預警工作的開展提供指導。