新能源设备的智能诊断模型分析.pdf

220 集成电路应用 第 40 卷 第 6 期（总第 357 期）2023 年 6 月Applications创新应用采集数据样本后，以此为基础，实现了模糊C均值算法，可不仅可以诊断电力设备故障，还可以对其进行仿真，通常被广泛应用于大数据场景之中。朱付保等人结合电力公司业务的实际需求，将粗糙集与决策树有机结合在一起，形成了融合模型，对于电力设备收集与整理的不同参数的分词进行处理。而韦古强等人则在进行大量分析与研究后发现，在新能源企业之中，风电机组存在着比较高的故障率，并以此为基础，提出了采用随机森林算法，构建出风电机组故障智能诊断模型。（2）通过设备发展故障的数据和一些指标项对应关系，可以创设出设备运行故障的评估模型。然而，在采用此类算法过程中，不同指标项在进行采集过程中，所采用的方法也存在着一定不同，因此指标意义也有一定差异，使得指标项的阈值的确定存在着一定困难，导致这类算法的应用场景受到一定限制。2 智能诊断原理和流程通过大数据平台，智能故障诊断模型能够对秒级数据以及在发生机组故障时所生成的毫秒级故障数据进行有效分析，并在分析后将故障发生后的数据特点提取出来，以故障树为依托，推理出故障产生的原因，并及时输出故障原因的百分比，并采取相应的解决措施。智能诊断流程为借助故障代码，对诊断模型进行调取，并将其通过工单的形式，推送给正在现场进行运维的相关人员，在相关人员对故障进行处理后，将会评估与反馈出模型的准确0 引言国内风电装机容量实现了不断上升，受到风电机组安装量增多、选址比较分散以及运行环境恶劣与安装设备多样化等问题影响，使得后期使用风电机组过程中，在对其进行运行与维护是存在很多困难。对于风力发电系统来说，风电设备是其中一个重要组成部分，如果风电机组没有得到及时维护，出现设备故障后，必将在整合发电系统产生不利影响。而如果风电运维人员能够在故障发生早期就采取相应的解决措施，可以降低不利影响。因此，创设能源设备智能诊断模型，可以及时发现设备故障，对于风电运维的顺利开展有着重要作用。1 智能诊断技术国内许多专家与学者，在对设备智能诊断进行研究过程中，相继提出了诸如对变压器、控制设备以及发电机组与传动设备等设备故障进行诊断的方法，而智能诊断研究主要包括以下两个方面：（1）对于设备在运行过程中，产生的设备运行参数的历史数据流进行收集与整理，从中探索出导致设备产生故障的某一种规律，创设出可以预测故障发生的模型。对此，耿苏杰在对电力设备运转过程进行分析时发现，在无法明确所发生的故障程度前提下，可以将模糊数学和贝叶斯网络有机结合在一起，以此计算出电力设备不同指标项和不同故障之间所存在的关系，从而可以对故障进行相应的诊断与评估1。而黄荣辉的人则借助K均值方法，在缩减了电力作者简介：许颍颍，新疆粤水电能源有限公司，工程师；研究方向：新能源电站运维。收稿日期：2022-10-27；修回日期：2023-05-22。摘要：阐述新能源设备的智能诊断技术、智能诊断原理和流程，探讨智能故障诊断案例中的故障树、数据来源与诊断所需变量、诊断过程、结果验证，风电系统的运维优化措施。关键词：新能源设备，智能诊断技术，故障树，结果验证。中图分类号：TM614 文章编号：1674-2583(2023)06-0220-02DOI：10.19339/j.issn.1674-2583.2023.06.099文献引用格式：许颍颍.新能源设备的智能诊断模型分析J.集成电路应用,2023,40(06):220-221.新能源设备的智能诊断模型分析许颍颍（新疆粤水电能源有限公司，新疆 830057）Abstract This paper describes the intelligent diagnosis technology,intelligent diagnosis principle and process of new energy equipment,and discusses the fault tree,data source and variables needed for diagnosis,diagnosis process,result verification,and operation and maintenance optimization measures of wind power system in intelligent fault diagnosis cases.Index Terms new energy equipment,intelligent diagnosis technology,fault tree,result verification.Analysis of Intelligent Diagnosis Model for New Energy EquipmentLI Yingying(Xinjiang Yue Hydropower Energy Co.,Ltd.,Xinjiang 830057,China.)Applications 创新应用集成电路应用 第 40 卷 第 6 期（总第 357 期）2023 年 6 月 221性，实现模型优化2。3 智能故障诊断案例分析本文列举某个机舱振动X轴或者Y轴超限故障，以此为例进行详细分析与说明。据相关调查研究后发现，此种故障发生的原理为机舱振动X轴或者Y轴超过了0.1g，因此才会报出机舱振动X轴或者Y轴发生了超限故障。故障树。在对机舱设备故障进行智能诊断时，以故障树为主要依托，机舱振动X轴或者Y轴超限故障主要包括以下几个方面问题：（1）振动传感器或者接线问题；（2）机组大风切出时报振动故障；（3）机组偏航导致振动出现故障；（4）叶片动态不平稳问题导致出现故障；（5）主控控制策略出现问题导致故障发生。数据来源与诊断所需变量。在对机舱振动X轴或者Y轴超限故障进行智能诊断时，主要需要依托两种类型的数据而开展，即历史故障记录与秒级实时监测变量。在实际诊断过程中，所需要的变量主要为偏航压力、风速、机舱振动X1、机舱振动Y1以及机舱振动X2与机舱振动Y2。诊断过程。在机舱振动X轴或者Y轴发出超限故障后，智能故障诊断程序可以进行五次判断，以此来推测出最有可导致故障产生的原因。第一次判断，如果满足振动数据发生跳变这个条件，则可以判断振动故障产生的原因在于振动传感器或者连线问题；第二次判断，如果振动数据未发生跳变、风速比切出风速大这两个条件时，则可以判断振动故障产生的原因为机组大风切出；第三次判断，如果可以满足振动数据未发生跳变、风速与切出风速小、在故障发生时机组正在进行偏航以及经过机组振动频谱分析，发现存在着偏航导致振动的频谱特点，以此可以断定机组偏航是产生故障的主要原因；第四次判断，如果可以满足（1）振动数据未发生跳变；（2）风速比切出风速小；（3）故障发生的时候，机组正在进程偏航行驶；（4）在对机组振动频谱进行分析后，发现存在着由于叶片动态不平衡，而出现的振动频谱特征，以此可以判断叶片动态不平衡是故障产生的原因；第五次判断，如果可以满足（1）振动数据未发生跳变；（2）风速比切出风速小；（3）在故障发生的时候，机组正在进行偏航行驶；（4）在经过机组振动频谱分析后发现，在塔筒之内，存在着频率频谱比正常值要高的情况，以此可以判断出振动故障产生的原因为主控控制策略。结果验证。在某个机组发生了机舱振动Y1超限故障之后，智能诊断模型依托监测数据，结合故障特点，可以推测出故障产生的原因为在风电机组达到满发时，在进行偏航时而引发故障3。图1是机组在偏航时，而出现振动故障的录波数据，由此可见看出正常振动频率为0.25Hz，而在故障发生时，叠加了0.32Hz的频率，这是一个比较明显的故障智能诊断的特点。对于这次所发生的故障，现场运维人员在对历史故障进行记录时，将其产生的原因记录为“由于偏航而导致的故障”，和智能诊断结果相符合。4 风电系统的运维优化措施（1）应提升运维工作质量。随着科技发展，各个行业与领域的生产与运营管理技术都进行了一定程度的创新。对于风电设备的运维工作来说，新技术对于提升运维工作效率，可以保障风力发电系统正常运行有着一定作用。在现代社会发展过程中，风电运维工作所采用的新技术既包括先进的控制软件、检测系统以及通信设备等检测系统的重要技术与工具。将这些新技术运用到风力发电设备之中，可以有效提升运维工作效率；（2）提升运维人员的技能水平。企业不仅要组织运维人员定期参加学习活动，还应强化对运维人员对于新技术的使用与注意事项的培训讲解，以此促使运维人员可以快速地适应采用新技术进行运维工作，从而实现改进与完善运维工作的目的。5 结语国家对于新能源的政策力度不断加大，风电装机容量也在不断上升，对于其所发生的故障，如果在早期就进行检测，可以降低不利影响。在故障发生之后，通过智能故障诊断模型，可以在较短时间内快速获取故障诊断信息，配合智能运维系统对故障处理措施进行自动匹配，可以减少运维人员排查与处理故障的实践，可以提升故障诊断的准确性。参考文献1 宁志,李庆林,杨乘胜.新能源设备智能诊断模型在风电运维中的应用J.电气开关,2022,60(04):77-79+84.2 杜应军,李辉航,李东毅,刘术,陈玉杰.风力发电机组故障诊断系统研究J.自动化应用,2021(11):127-130.3 庄甦.浅析风力发电设备运维存在的问题与改进措施J.中国设备工程,2021(03):38-40.图1 机舱振动Y1轴故障特点