Page 170 - 新能源风力发电技术与自动化技术研究

新能源风力发电技术与自动化技术研究
Research on New Energy Wind Power Generation Technology and Automation Technology

二、风电机组的故障诊断与状态预测方法

本章重点选取风电机组的传动轴系、叶轮和发电机三大主要部件的故障诊断
和状态预测方法进行系统性回顾。由于风电机组各主要部件的本质构造及其运行

特征不同，在电 - 磁 - 力 - 热等不同能量及物理效应的耦合程度上各有差异，对
其进行科学分析的方法也会有所区别。需要指出的是，由于建立风电机组各部件
的纯物理模型难度较大，目前的研究大多采用基于数据驱动的分析方法，即利用

SCADA 数据作为故障诊断与状态预测模型的输入，然后输出诊断及预测结果。
（一）传动轴系
DFIG 的传动轴系不仅故障率高且故障造成的停机时间在所有故障中最长，
因此对该部件进行故障诊断与状态预测的研究方法也较多，主要列举如下。
1. 回归分析

回归分析预测（regression analysis prediction，RAP）法本质上属于因果分析
预测，是一种基于历史数据来确定变量之间定量关系的预测方法，便于直观分析
多参数模型。例如，ZHAO H S 等分析了与齿轮箱温度密切相关的风电机组参数，

并分别利用多元线性回归分析模型建立了正常状态下齿轮箱温度的预测模型。但
该方法可能会忽略交互效应和非线性的因果关系，因此在正态性假设不成立的前
提条件下，需要考虑非参数回归分析法。
2. 时间序列
分析时间序列是把历史数据按照时间进行排序的统计序列，根据统计序列

中的规律外推来实现未来一段时间内的预测。基于时间序列模型（time series
model，TSM）的方法主要有 4 种：自回归（autoregressive，AR）模型、移动
平 均（moving average，MA）模型、自回归移动平均（autoregressive moving
average，ARMA）模型和整合移动平均自回归（autoregressive integrated moving

average，ARIMA）模型。例如，ZHANG X H 等利用 AR 模型提取运行在非线性
状态下的机组齿轮箱的特征，用于故障诊断和状态预测。时间序列分析突出了时
间因素在预测中的作用，但未充分考虑外界不确定因素变化造成的影响，存在预
测误差。

3. 人工神经网络
人工神经网络（artificial neural network，ANN）中的一些模型具有良好的

158