Page 167 - 新能源风力发电技术与自动化技术研究

第五章 风力发电机组故障诊断与维护

到 35%，除了导致维护成本过高之外，对电力系统的稳定运行也具有明显的负
面影响。为了协调电网企业的建设运营成本与社会降低电价预期之间的矛盾，全
面发展电力系统的泛在感知技术，通过数据驱动、人工智能、数字孪生等方法实

现基于设备健康管理体系的状态维护（condition-based maintenance，CBM）或预
防性维护（predictive maintenance，PM），是电力系统实现数字化、网络化和智
能化的重要基础。传统的设备维护策略包括事后维护和定期维护，这 2 种维护
策略容易导致“维护不足”或“维护过剩”。故障预测与健康管理（prognostics

and health management，PHM）的理念近年来受到很多学者的关注，旨在实现从
被动维护到主动预防的转变，可以显著降低设备的维护成本。已有研究尝试将
PHM 体系引入电力系统（如风电机组、输变电设备等）的运行维护中，使之成
为 CBM 或 PM 的重要环节。在风电机组中，传动轴系、叶轮、发电机是造成机

组故障和停机的主要部件。

一、故障诊断与状态预测的基本理论框架

从宏观方面来讲，CBM 体系主要包含故障诊断、状态预测和健康管理 3 个

方面的内容。“故障”是指设备或系统丧失原定效用或者因为性能退化而不能达
到原定要求的异常状态；“健康”是指目前运行状态与预期正常运行状态之间的
偏差程度。“故障诊断”是判断设备或系统的异常状态，识别故障类型、位置以
及具体原因，进而达到故障隔离的目的，并为用户进行决策提供参考。“状态预

测”则是根据设备或系统的历史监测数据，对当前设备或系统的运行情况进行评
估，并对未来一段时间内的设备或系统状态或故障趋势做出预测。“健康管理”
即是依据设备或系统故障诊断或状态预测结果、现有维护资源以及其他要求等信
息，做出相关维护的决策能力。状态预测在 CBM 体系中发挥着重要作用。风电

机组的状态预测就是以机组历史监测数据和实测数据为基础，结合机组所处地域
环境，建立预测模型和方法，实现对未来一定时间段内机组故障（或剩余寿命）
的预测。
（一）影响风电机组运行状态的因素及特性

目前应用广泛的风电机组主要包括双馈感应发电机（doubly-fed induction
generator，DFIG）和永磁同步发电机（permanent magnetic synchronous
generator，PMSG）。风电机组零部件种类众多且数量庞大，影响风电机组正常

155