Page 176 - 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

小波变换提取轴承故障的信号特征，再结合SOM与指数加权移动平均（exponential
weighted moving average，EWMA）图对轴承故障进行预测的方法。粒子滤波
（particle filter，PF）是一种以贝叶斯推理和重要性采样为基本框架，根据特征

相似度计算每个粒子重要性的方法，可以处理任意形式的概率，在轴承的故障诊
断与预测方面具有较好的应用前景。例如，LI N 等提出一种基于 PF 的滚动轴承
剩余使用寿命预测方法。虽然粒子滤波器能够有效解决非线性问题，但需要大量
样本，并且粒子会退化且对突变状态的跟踪能力差。针对此问题，赵洪山等通过

采集风电机组 SCADA 数据，提出了一种基于深度自编码网络和 XGBoost 的故
障诊断算法，实验表明该算法能够捕获风力发电机早期故障。此外，由于轴承温
度与轴承故障之间存在潜在的关联关系，与采用振动信号进行故障诊断和状态预
测相比，采用温度信号建模则相对简单，但该研究方向需要进一步论证其可行性

与时效性。
以上分别讨论了风电机组三大关键部件的故障诊断与状态预测方法。由于各
个部件作为整个风电机组的一部分，其特征具有一定的相似性和关联性，因此对
某个部件所采用的方法也可以为其他部件提供参考。

三、风电机组故障诊断与状态预测中的难点与建议

随着风电装机容量的持续增长，尤其是单个风机趋于大型化、复杂化，这些
都给风电机组状态的精确诊断与预测带来了挑战。虽然针对风电机组运行保障的

多种监测手段已在现场得到应用，但由于风电机组运行环境的复杂性与其本体结
构的高度耦合性等因素叠加给诊断与预测领域带来的技术难度也在增加。
第一，风电设备 SCADA 数据具有全局化、多元化的特点，如何融合多维数
据，设计风电设备多参量关联关系，实现风电机组的深度挖掘与故障预测，是未

来风电设备故障诊断与状态预测的难点之一；第二，现有的各类故障诊断方法和
预测技术都有各自的优缺点和局限性，如何综合考虑风电机组的人 - 机物 - 环等
生态体系周期以及各类复合因素的影响，实现多技术融合的智能故障诊断与状态
预测，是目前亟须解决的关键问题之一；第三，在复杂（如强噪声、变速变载等）

工况下，如何实现风电机组整机大设备群中故障设备的精确定位及预警，也是目
前及未来的难点之一；第四，风电设备的故障模式复杂，如何确定各关键零部件
故障的危害性次序，研究风电场设备群预防性维修方法，提高系统整体的可靠性、

164