大型風(fēng)力發(fā)電機(jī)組健康狀態(tài)評價綜述

劉軍，安柏任，張維博，甘乾煜

大型風(fēng)力發(fā)電機(jī)組健康狀態(tài)評價綜述

劉軍，安柏任，張維博，甘乾煜

(西安理工大學(xué)自動化學(xué)院，陜西 西安 710048)

采用合理的方法進(jìn)行風(fēng)電機(jī)組健康狀態(tài)評價對于分配風(fēng)電場功率，減少運(yùn)維成本，延長風(fēng)電機(jī)組使用壽命有著重要意義。隨著裝機(jī)容量的增長，風(fēng)電機(jī)組健康狀態(tài)評價引起了國內(nèi)外學(xué)者的廣泛關(guān)注。目前健康狀態(tài)評價方法較為繁雜，且對于風(fēng)電機(jī)組健康狀態(tài)評價方法的總結(jié)歸納較少。因此，基于現(xiàn)有研究成果，對風(fēng)電機(jī)組健康狀態(tài)評價的現(xiàn)狀進(jìn)行梳理。首先，介紹了風(fēng)電機(jī)組健康狀態(tài)評價的方法，并對已有方法進(jìn)行分類，分析了其優(yōu)缺點。其次，介紹了風(fēng)電機(jī)組健康狀態(tài)評價的數(shù)據(jù)來源及描述其健康程度的指標(biāo)。最后，從健康狀態(tài)評價的數(shù)據(jù)分析、機(jī)組健康狀態(tài)與控制的相互影響、整機(jī)的健康狀態(tài)評價及預(yù)測等方面提出未來可研究的要點。

風(fēng)電機(jī)組；健康狀態(tài)；監(jiān)測數(shù)據(jù)；運(yùn)維成本

0 引言

隨著我國風(fēng)電機(jī)組裝機(jī)容量的迅猛增長，占全球總裝機(jī)容量比例逐年增加，單機(jī)容量為兆瓦級的大型風(fēng)力發(fā)電機(jī)組及上百兆瓦的風(fēng)電場正得到迅速發(fā)展[1]。我國陸上的風(fēng)電場主要分布在風(fēng)資源較為豐富的西北高原和華北平原地區(qū)，受風(fēng)速隨機(jī)波動大的影響，風(fēng)電機(jī)組的運(yùn)行工況頻繁變化，加之長期遭受極端溫度、降雨、積雪、鹽霧以及復(fù)雜多變載荷沖擊等因素的影響[2]，造成其健康狀態(tài)不斷變差，最終導(dǎo)致故障發(fā)生。采用合理的方法進(jìn)行風(fēng)電機(jī)組健康狀態(tài)評價不僅可以在故障發(fā)生前進(jìn)行預(yù)警，維持機(jī)組長期穩(wěn)定運(yùn)行，而且可以合理分配功率，減少運(yùn)維成本，這對于提高風(fēng)力發(fā)電的經(jīng)濟(jì)效益及市場競爭力有著重要意義[3]。德國實施的子項“250 MW風(fēng)能”的研究計劃，該計劃對超過1500臺安裝在不同地區(qū)的風(fēng)電機(jī)組進(jìn)行監(jiān)測[4]，并得到了各子系統(tǒng)的故障率，如圖1所示。

從圖1中可以看出，風(fēng)電機(jī)組故障主要發(fā)生在其電氣系統(tǒng)，故障發(fā)生率高達(dá)23%。主要原因是由于過流、過熱、振動等導(dǎo)致的電容或功率半導(dǎo)體器件失效。其次是主控系統(tǒng)，故障發(fā)生率為18%，故障發(fā)生率最低的部件為傳動鏈，僅有2%。若能及時對風(fēng)電機(jī)組健康狀態(tài)進(jìn)行監(jiān)測，則可在故障發(fā)生之前進(jìn)行預(yù)警，有效地降低故障發(fā)生率。圖2為因各子系統(tǒng)故障導(dǎo)致的停機(jī)時間，其中齒輪箱作為風(fēng)電機(jī)組重要的子系統(tǒng)，其故障導(dǎo)致的停機(jī)時間最久，會產(chǎn)生較大的經(jīng)濟(jì)損失。

圖1 風(fēng)力機(jī)各子系統(tǒng)故障率

圖2 各子系統(tǒng)故障導(dǎo)致的停機(jī)時間

對機(jī)組進(jìn)行健康狀態(tài)評價可以在減少運(yùn)維成本的同時增強(qiáng)風(fēng)電場管理。由于大多數(shù)風(fēng)電場通常位于較為偏遠(yuǎn)的地區(qū)或海上，對機(jī)組進(jìn)行定期維護(hù)不僅較為困難，而且會增加運(yùn)維成本。據(jù)美國國家可再生能源實驗室(national renewable energy laboratory, NREL)估計，一臺陸上的風(fēng)電機(jī)組其一年運(yùn)維成本約為1.7萬美元，海上風(fēng)電機(jī)組的運(yùn)維成本則高達(dá)4.6萬美元[5]。對風(fēng)電機(jī)組健康狀態(tài)進(jìn)行評價有利于其狀態(tài)監(jiān)測系統(tǒng)(condition monitoring system, CMS)及時提供各子系統(tǒng)的健康狀態(tài)，確保維護(hù)工作的順利進(jìn)行[6]。NREL指出對于一個500 MW的海上風(fēng)電場，僅僅通過減少由于天氣原因?qū)е碌木S護(hù)人員未能及時維護(hù)風(fēng)機(jī)每年就可以節(jié)省2000多萬美元的運(yùn)維成本[7]。風(fēng)電場管理主要包括對風(fēng)電場功率進(jìn)行合理分配及對風(fēng)電機(jī)組進(jìn)行實時控制等[8]。目前，已有學(xué)者將機(jī)組健康狀態(tài)評價與風(fēng)電場功率分配相結(jié)合展開研究。例如，文獻(xiàn)[9]在考慮機(jī)組健康狀態(tài)的前提下以機(jī)組啟停次數(shù)最少、風(fēng)電場輸出功率與電網(wǎng)調(diào)度中心功率指令偏差最小及風(fēng)電機(jī)組健康指數(shù)總和最小為目標(biāo)，建立目標(biāo)函數(shù)進(jìn)行優(yōu)化。仿真結(jié)果表明，與傳統(tǒng)的功率分配策略相比，考慮機(jī)組健康狀態(tài)時的功率分配策略在保證合理分配功率的同時減少了機(jī)組的啟停次數(shù)及運(yùn)維成本。文獻(xiàn)[10]依據(jù)健康狀態(tài)評價結(jié)果將風(fēng)電場內(nèi)風(fēng)電機(jī)組的工作模式分為正常模式和降功率模式，考慮尾流效應(yīng)的影響，以風(fēng)電場輸出功率最大、機(jī)組疲勞載荷最小為目標(biāo)進(jìn)行優(yōu)化，在實現(xiàn)風(fēng)電場風(fēng)能充分利用的同時延長了機(jī)組使用壽命。

本文基于目前國內(nèi)外風(fēng)電機(jī)組健康狀態(tài)評價的研究現(xiàn)狀，從機(jī)組健康狀態(tài)評價方法、評價指標(biāo)選取和數(shù)據(jù)獲取等方面進(jìn)行歸納總結(jié)，對比分析了各類方法的優(yōu)缺點及其工程應(yīng)用難度，并對未來的研究方向和研究熱點進(jìn)行展望。

1 風(fēng)力發(fā)電系統(tǒng)的基本結(jié)構(gòu)

圖3為永磁同步風(fēng)力發(fā)電系統(tǒng)結(jié)構(gòu)圖。永磁同步風(fēng)力發(fā)電系統(tǒng)主要包括風(fēng)力機(jī)、傳動鏈、發(fā)電機(jī)、變流器和濾波電路等[11]。

圖3 永磁同步風(fēng)力發(fā)電系統(tǒng)結(jié)構(gòu)圖

風(fēng)電機(jī)組機(jī)側(cè)的控制目標(biāo)主要是在額定風(fēng)速以下的最大風(fēng)能跟蹤，在額定風(fēng)速以上的恒功率控制。網(wǎng)側(cè)的主要控制目標(biāo)則是維持直流母線電壓恒定，主要采用單位功率因數(shù)控制。然而，機(jī)組運(yùn)行工況的變化、控制策略的頻繁切換、所承受載荷的復(fù)雜多變[12]和各部件疲勞的累積都有可能導(dǎo)致其健康狀態(tài)的劣化，從而對機(jī)組的穩(wěn)定運(yùn)行產(chǎn)生不利影響。因此，采用合理策略對機(jī)組進(jìn)行健康狀態(tài)評價是十分有必要的。

2 風(fēng)力機(jī)健康狀態(tài)評價的主要方法

目前，國內(nèi)外的學(xué)者對于風(fēng)電機(jī)組健康狀態(tài)評價這一課題進(jìn)行了深入研究。其主要策略可分為基于模型的健康狀態(tài)評價和基于數(shù)據(jù)驅(qū)動的健康狀態(tài)評價。基于模型的健康狀態(tài)評價策略主要是通過對風(fēng)電機(jī)組的子系統(tǒng)(如：葉片、塔架、齒輪箱等)建立與健康狀態(tài)相關(guān)的模型，依據(jù)模型進(jìn)行狀態(tài)評價?；跀?shù)據(jù)驅(qū)動的健康狀態(tài)評價則是通過對風(fēng)電機(jī)組的歷史數(shù)據(jù)或?qū)崟r數(shù)據(jù)進(jìn)行挖掘，采用智能算法或建立評價模型對機(jī)組健康狀態(tài)進(jìn)行評價。

2.1 基于模型的健康狀態(tài)評價

由于風(fēng)電機(jī)組各子系統(tǒng)的運(yùn)行機(jī)理不同，判斷其健康狀態(tài)的依據(jù)也不同。例如，葉片及塔架的健康狀態(tài)主要與其疲勞載荷和累積損傷有關(guān)；疲勞累積會導(dǎo)致葉片出現(xiàn)裂紋進(jìn)而引起性能退化，國內(nèi)外常采用基于聲發(fā)射信號[13-14](acoustic emission, AE)的方法評價葉片疲勞程度。齒輪箱、主軸、發(fā)電機(jī)除了可以依據(jù)振動信號進(jìn)行健康狀態(tài)監(jiān)測外，還可以依據(jù)其溫度特征量對健康狀態(tài)進(jìn)行分析。文獻(xiàn)[15]指出在風(fēng)力發(fā)電領(lǐng)域，疲勞損傷是評估風(fēng)力發(fā)電機(jī)組健康狀況使用最廣泛的指標(biāo)，IEC 61400-1標(biāo)準(zhǔn)[16]也推薦使用疲勞損傷指標(biāo)。受風(fēng)切變、塔影效應(yīng)、湍流等因素的影響，風(fēng)力機(jī)葉片承受著交變載荷，一定程度上加劇了葉片的顫振及疲勞損傷，由于疲勞損傷一般不能直接測量，目前常用雨流計數(shù)[17]與Miner準(zhǔn)則相結(jié)合的方法計算葉片的疲勞累積。文獻(xiàn)[18]基于片條理論分析了風(fēng)電機(jī)組葉片載荷的分布，并依據(jù)Miner準(zhǔn)則提出了一種葉片安全壽命估計方法。文獻(xiàn)[19]對限功率控制下的葉片疲勞程度進(jìn)行研究，依據(jù)葉素-動量理論建立葉片氣動載荷模型，并采用雨流計數(shù)法、Goodman經(jīng)驗公式、Miner準(zhǔn)則建立槳葉疲勞載荷模型，分析了葉片的健康狀態(tài)，通過三維數(shù)據(jù)擬合法得到了疲勞損傷模型，并依據(jù)該模型對風(fēng)電機(jī)組葉片的健康狀態(tài)進(jìn)行評估。文獻(xiàn)[20]對塔架建立了有限元模型，結(jié)合風(fēng)玫瑰圖、風(fēng)速Weibull分布曲線確定了塔架的載荷分布情況，并根據(jù)S-N曲線進(jìn)行疲勞分析，以便確定機(jī)組健康狀態(tài)及預(yù)測其使用壽命。文獻(xiàn)[21]以海上風(fēng)電機(jī)組為研究對象，研究了其塔架上的隨機(jī)風(fēng)載荷及波浪載荷分布，并分析了變幅載荷譜下塔架的疲勞損傷，預(yù)測了疲勞壽命。

風(fēng)電機(jī)組齒輪箱、主軸、發(fā)電機(jī)的健康程度還可以通過其溫度變化來判斷，目前該方法已集成在機(jī)組的控制系統(tǒng)中[22]。也有一部分學(xué)者依據(jù)該方法展開理論研究，例如，文獻(xiàn)[23]通過對齒輪箱潤滑系統(tǒng)的熱力學(xué)過程進(jìn)行分析，建立了齒輪箱的熱平衡模型，對比機(jī)組在實際狀態(tài)與在健康狀態(tài)時油溫曲線的差異來反映其健康程度。文獻(xiàn)[24]建立了風(fēng)電機(jī)組的狀態(tài)辨識模型，考慮到各變量之間存在強(qiáng)相關(guān)性與耦合性，利用偏最小二乘法分析發(fā)電機(jī)軸承溫度并計算各相關(guān)變量的投影重要性指標(biāo)，確定各相關(guān)變量對發(fā)電機(jī)軸承溫度的影響權(quán)重，進(jìn)而反映其運(yùn)行狀態(tài)。文獻(xiàn)[25]針對齒輪箱、軸承的振動信號進(jìn)行分析，提出了一種非線性狀態(tài)估計模型(nonlinear state estimation model, NSEM)，該模型通過對正常狀態(tài)下的數(shù)據(jù)進(jìn)行記憶，將實際數(shù)據(jù)與記憶數(shù)據(jù)對比后判斷齒輪箱的健康狀態(tài)。

2.2 基于數(shù)據(jù)驅(qū)動的健康狀態(tài)評價

由于每臺風(fēng)電機(jī)組均裝配有監(jiān)視控制和數(shù)據(jù)采集系統(tǒng)(supervisory control and data acquisition, SCADA)[26]，SCADA系統(tǒng)可以獲取風(fēng)電機(jī)組的實時運(yùn)行數(shù)據(jù)，國內(nèi)外已有大量基于SCADA數(shù)據(jù)對風(fēng)電機(jī)組健康狀態(tài)監(jiān)測的研究。研究方法主要包括：推理模型法[27-29]、機(jī)器學(xué)習(xí)法[30-35]、信號時頻域分析法[37-42]、概率分布與統(tǒng)計分析法[43-49]、功率曲線法[54-58]等。

1) 基于推理模型的健康狀態(tài)評價

在各種狀態(tài)評價方法中，模糊綜合評價因其具有不過多依賴先驗數(shù)據(jù)的優(yōu)點，更適合對運(yùn)行于復(fù)雜環(huán)境及工況的風(fēng)電機(jī)組進(jìn)行狀態(tài)評價。文獻(xiàn)[26-29]均采用層次分析法(analytic hierarchy process, AHP)將評價指標(biāo)體系分為：目標(biāo)層、對象層、指標(biāo)層?？紤]到各子系統(tǒng)的權(quán)重不易選取，采用變權(quán)理論確定其權(quán)重，在引入劣化度指標(biāo)及變權(quán)理論后，逐層進(jìn)行模糊推理，并得到最終的評價結(jié)果。文獻(xiàn)[26]將機(jī)組故障程度、維護(hù)時間、維修費(fèi)用作為AHP的目標(biāo)層對機(jī)組健康狀態(tài)進(jìn)行評價，更有效地提高了經(jīng)濟(jì)效益。文獻(xiàn)[27]考慮了特征量的變化趨勢，對發(fā)電機(jī)轉(zhuǎn)速及齒輪箱油溫的變化趨勢進(jìn)行預(yù)測。由于考慮了特征量的變化趨勢，因此其健康狀態(tài)評價策略更為合理，但其缺點在于模糊評價在隸屬度函數(shù)選取時存在較強(qiáng)的主觀性，為克服該缺點，文獻(xiàn)[28-29]分別提出了基于云模型的健康狀態(tài)評價法和基于物元證據(jù)理論的健康狀態(tài)評價法。然而，云模型理論目前尚不完善，缺乏完整的理論體系，物元證據(jù)理論的缺點在于要求辨別元素互斥，實際系統(tǒng)中難以滿足要求。圖4為基于模糊評價的健康狀態(tài)評價策略流程圖。

圖4 模糊評價流程圖

2) 基于機(jī)器學(xué)習(xí)的健康狀態(tài)評價

機(jī)器學(xué)習(xí)是當(dāng)前健康狀態(tài)評價方法的另一個重要分支，其技術(shù)主要有：支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、關(guān)聯(lián)規(guī)則算法、決策樹和隨機(jī)森林算法等[30]。文獻(xiàn)[31]提出了基于卷積神經(jīng)網(wǎng)絡(luò)(convolutio-nalNeural networks, CNN)與門控循環(huán)單元(gate-d recurrent unit, GRU)時空融合的狀態(tài)監(jiān)測方法，利用CNN與GRU構(gòu)建深度學(xué)習(xí)模型，在提取并融合SCADA系統(tǒng)中的時空特征后對模型進(jìn)行訓(xùn)練，依據(jù)實際數(shù)據(jù)與預(yù)測數(shù)據(jù)的殘差來識別風(fēng)電機(jī)組健康狀態(tài)。該方法雖能識別出機(jī)組的健康狀態(tài)，但僅依據(jù)殘差判斷風(fēng)電機(jī)組健康狀態(tài)缺乏準(zhǔn)確性。文獻(xiàn)[32-34]提出選取能反映風(fēng)電機(jī)組健康狀態(tài)的數(shù)據(jù)作為長短期記憶網(wǎng)絡(luò)(long short-term memory, LSTM)模型的輸入，通過對模型進(jìn)行訓(xùn)練從而實現(xiàn)風(fēng)電機(jī)組健康狀態(tài)的預(yù)測。相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，LSTM因其具有長時的記憶功能而有效避免了梯度爆炸和梯度消失的缺點[35]，但是其計算量較大，復(fù)雜度較高，且難以并行運(yùn)算。文獻(xiàn)[36]首先采用主成分分析法對SCADA數(shù)據(jù)進(jìn)行降維，并對降維后的數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則挖掘，得到數(shù)據(jù)間的相關(guān)性，依據(jù)降維后的數(shù)據(jù)訓(xùn)練健康狀態(tài)預(yù)測模型，對比了Bagging、旋轉(zhuǎn)森林、隨機(jī)森林、RIPPER、k-NN等5種數(shù)據(jù)挖掘算法所生成的預(yù)測模型對風(fēng)電機(jī)組健康狀態(tài)預(yù)測的效果，其中隨機(jī)森林算法預(yù)測的精度最高。文獻(xiàn)[37]提出了一種將支持向量回歸(support vector regression, SVR)模型和SCADA系統(tǒng)相結(jié)合的在線評估方案。該方案雖能提高系統(tǒng)魯棒性，但SVR的缺點在于當(dāng)樣本數(shù)量較多時需耗費(fèi)大量的運(yùn)算時間，此方法并不適用于多變量的風(fēng)力發(fā)電系統(tǒng)。文獻(xiàn)[38]提出了一種核密度估計的風(fēng)電機(jī)組健康指數(shù)計算方法，依據(jù)機(jī)組的相對健康指數(shù)來反映其健康狀態(tài)。文獻(xiàn)[39]考慮到風(fēng)電機(jī)組運(yùn)行工況的變化，提出了一種基于工況辨識的機(jī)組健康狀態(tài)評價方法，在各運(yùn)行工況的子空間分別建立高斯混合模型，采用健康衰退指數(shù)來評價機(jī)組的健康衰退度，有效避免了嚴(yán)重故障的發(fā)生。

3) 基于信號時、頻域分析的健康狀態(tài)評價

在風(fēng)電機(jī)組運(yùn)行過程中，其健康狀態(tài)的改變會導(dǎo)致監(jiān)測特征量幅值、頻率、相位的改變。因此，可以通過信號處理的方法對監(jiān)測特征量信號進(jìn)行分析?；谛盘柼幚淼姆椒?例如：譜分析法、小波變換、經(jīng)驗?zāi)B(tài)分解等)提取信號中時域和頻域等故障特征量，依據(jù)方差、幅值、相位和頻率的變化程度來確定機(jī)組健康狀態(tài)。文獻(xiàn)[40-42]采用小波分解的方法對機(jī)組齒輪箱及軸承健康狀態(tài)進(jìn)行評價?；谛〔ǚ纸獾慕】禒顟B(tài)評價法雖一定程度上可以反映其健康狀態(tài)，但是其分析結(jié)果太依賴基函數(shù)的選取。文獻(xiàn)[40]對傳統(tǒng)的小波分解法進(jìn)行改進(jìn)，提出了一種將小波包分解和并行隱馬爾科夫模型相結(jié)合的狀態(tài)評價策略。該模型能很好地反映機(jī)組軸承狀態(tài)，相比傳統(tǒng)小波分解，小波包分解的方法能同時實現(xiàn)高頻和低頻信號解耦，提高分辨率。文獻(xiàn)[41]研究了一種新的基于小波變換的葉片狀態(tài)監(jiān)測方法，該方法利用了多個相鄰傳感器測量的葉片振動信號，能夠?qū)崿F(xiàn)葉片損傷的監(jiān)測與定位，且僅對葉片損傷引起的退化有響應(yīng)，一定程度上減少了葉片表面積雪誤報。文獻(xiàn)[42]提出了一種小波能量傳遞率的方法對機(jī)組齒輪箱健康狀態(tài)進(jìn)行監(jiān)測，該方法可用于非平穩(wěn)運(yùn)行條件下的狀態(tài)監(jiān)測。文獻(xiàn)[43]采用希爾伯特變換與經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition, EMD)法來檢測齒輪箱中齒輪的缺陷，相較于小波變換，其優(yōu)點在于自適應(yīng)能力較強(qiáng)，且能有效地處理非平穩(wěn)信號。但是利用EMD分析數(shù)據(jù)時會產(chǎn)生IMF模態(tài)混疊[44]，文獻(xiàn)[45]對EMD法進(jìn)行改進(jìn)，提出了集合經(jīng)驗?zāi)B(tài)法(ensemble empirical mode decomposition, EEMD)，有效地消除了模態(tài)混疊現(xiàn)象。文獻(xiàn)[46]分別應(yīng)用偽Wigner-Vill Distribution及小波變換對齒輪箱健康狀態(tài)進(jìn)行分析，提高了機(jī)組健康狀態(tài)評價的準(zhǔn)確性。

4) 基于概率分布與統(tǒng)計分析的健康狀態(tài)評價

基于概率分布與統(tǒng)計分析的健康狀態(tài)評價主要是對風(fēng)電機(jī)組歷史數(shù)據(jù)進(jìn)行統(tǒng)計分析，從而確定機(jī)組的健康狀態(tài)。目前，國內(nèi)外常用的方法主要有貝葉斯理論法[47]、高斯模型法[48]、馬爾可夫模型法、多元統(tǒng)計分析法[49]等。其中，多元統(tǒng)計分析法是依據(jù)過程變量的歷史數(shù)據(jù)，將多變量高維樣本空間投影至相對獨(dú)立的低維子空間，并計算出可以反映空間變化的統(tǒng)計量指標(biāo)以檢測設(shè)備有無故障。文獻(xiàn)[47]基于SCADA數(shù)據(jù)提出了貝葉斯模型用以識別風(fēng)電機(jī)組健康狀態(tài)，并分別采用Bin法、Coupla法、多元正態(tài)分布法對所提模型的有效性進(jìn)行驗證。其優(yōu)點在于準(zhǔn)確度高，可以對結(jié)果的可能性進(jìn)行量化評價，但貝葉斯網(wǎng)絡(luò)的建立需要依賴專家經(jīng)驗。文獻(xiàn)[48]研究了一種基于高斯過程(Gaussian process, GP)的狀態(tài)監(jiān)測算法，并將其與binning方法進(jìn)行對比，驗證了GP在檢測偏航不對準(zhǔn)相關(guān)的異常性能方面的有效性。文獻(xiàn)[49-51]均考慮了SCADA數(shù)據(jù)具有非線性、高維的特點，采用主成分分析法(principal component analysis, PCA)對數(shù)據(jù)實現(xiàn)了降維，從而有效地提高了模型訓(xùn)練的效率。文獻(xiàn)[52]采用擴(kuò)散映射的方法來實現(xiàn)數(shù)據(jù)的降維，并在此基礎(chǔ)上構(gòu)建了健康指標(biāo)置信度，通過聚類分析嵌入特征，實現(xiàn)了健康狀態(tài)的可視化。

5) 基于功率曲線的健康狀態(tài)評價

除以上各種方法外，還可依據(jù)風(fēng)電機(jī)組的功率曲線[53-59]對機(jī)組進(jìn)行健康評估及狀態(tài)監(jiān)測。例如文獻(xiàn)[53]考慮了功率的不確定度，提出了一種基于相關(guān)向量機(jī)的概率功率曲線模型，該模型能很好地反映出功率的均值及置信區(qū)間，并對因偏航故障、風(fēng)速波動及葉片覆冰等因素導(dǎo)致的功率異常狀態(tài)進(jìn)行監(jiān)測。文獻(xiàn)[54]提出了一種Hings模型，能夠在幾個代表性的點上表征觀測功率曲線中包含的最重要的信息。在機(jī)組健康時對該模型進(jìn)行觀測，并依據(jù)機(jī)組實際的觀測結(jié)果與健康時該模型觀測結(jié)果的偏差來判斷機(jī)組的健康狀態(tài)。文獻(xiàn)[55]針對傳統(tǒng)功率曲線建模不準(zhǔn)確的問題，采用自組織核回歸(auto associative kernel regression, AAKR)的方法建立了功率曲線模型，有效地提高了建模精度[55]。文獻(xiàn)[56]根據(jù)SCADA歷史數(shù)據(jù)集，應(yīng)用粒子群優(yōu)化(particle swarm optimization, PSO)算法對最小二乘支持向量機(jī)模型參數(shù)進(jìn)行尋優(yōu)，構(gòu)造風(fēng)電機(jī)組參考功率曲線，并引入多元統(tǒng)計中的Hotellin-g T2控制圖監(jiān)測風(fēng)電機(jī)組的狀態(tài)[57]。文獻(xiàn)[58]考慮了葉片覆冰對功率模型的影響，建立了葉片覆冰時的數(shù)值功率模型，并利用該模型評估了2 h葉片覆冰狀況對1.5 MW風(fēng)力發(fā)電機(jī)輸出功率的影響，相較于傳統(tǒng)功率模型，該模型由于考慮了極端情況，其適用性更強(qiáng)。

3 評價數(shù)據(jù)獲取及健康評價指標(biāo)選取

3.1 健康狀態(tài)評價數(shù)據(jù)獲取及在線監(jiān)測系統(tǒng)

按照數(shù)據(jù)類型可以將風(fēng)電機(jī)組的監(jiān)測數(shù)據(jù)分為運(yùn)行數(shù)據(jù)和狀態(tài)數(shù)據(jù)[58]。運(yùn)行數(shù)據(jù)主要包括功率、風(fēng)速、轉(zhuǎn)速等參數(shù)。狀態(tài)數(shù)據(jù)可通過查閱對應(yīng)的狀態(tài)碼手冊獲取，一臺大型風(fēng)電機(jī)組可產(chǎn)生400個狀態(tài)碼，主要用來描述機(jī)組實際運(yùn)行狀態(tài)。例如，新疆金風(fēng)科技股份有限公司的狀態(tài)碼手冊中規(guī)定，狀態(tài)碼0表示系統(tǒng)正常運(yùn)行，狀態(tài)碼5表示風(fēng)電機(jī)組機(jī)艙振動，狀態(tài)碼7表示風(fēng)電機(jī)組需要維護(hù)等。目前，風(fēng)電機(jī)組均集成了SCADA數(shù)據(jù)系統(tǒng)及狀態(tài)監(jiān)測系統(tǒng)(condition monitoring system, CMS)，風(fēng)力機(jī)的數(shù)據(jù)大多是從SCADA及CMS中獲取。除此之外，相關(guān)風(fēng)力發(fā)電企業(yè)有特有的數(shù)據(jù)獲取平臺及在線監(jiān)測系統(tǒng)，比如瑞典某企業(yè)研究出的IMX-W在線監(jiān)測體系、新西蘭某企業(yè)研究出的Turning point在線監(jiān)測體系等[59]。

3.2 健康狀態(tài)評價指標(biāo)的選取

1) 劣化度

文獻(xiàn)[26-28]在進(jìn)行機(jī)組健康狀態(tài)評價時均采用劣化度指標(biāo)。該指標(biāo)反映了機(jī)組當(dāng)前實際狀態(tài)的劣化程度，一定程度上可以反映機(jī)組的健康狀態(tài)。按照不同的指標(biāo)要求，可將SCADA系統(tǒng)采集到的數(shù)據(jù)分為越小越優(yōu)型和中間型。

越小越優(yōu)型劣化度指標(biāo)為

式中：()為指標(biāo)的劣化度；為指標(biāo)的實際值；[,]為風(fēng)電機(jī)組正常時該指標(biāo)的范圍。

越小越優(yōu)型指標(biāo)包括：齒輪箱油溫、齒輪箱軸承溫度、變槳軸承溫度、發(fā)電機(jī)繞組溫度、機(jī)艙控制柜溫度等。

中間型劣化度指標(biāo)為

中間型指標(biāo)包括：偏航角度、轉(zhuǎn)速、功率、電網(wǎng)頻率、機(jī)場振動加速度、環(huán)境溫度等。

從式(1)和式(2)中可以看到，劣化度指標(biāo)范圍為[0,1]。當(dāng)機(jī)組劣化度為0時，表示其健康狀態(tài)良好。當(dāng)機(jī)組劣化度為1時，表示其健康狀態(tài)差。采用劣化度作為機(jī)組健康狀態(tài)評價指標(biāo)的優(yōu)點在于計算較為簡便，在得到機(jī)組數(shù)據(jù)時可以實時計算出其對應(yīng)指標(biāo)劣化度。缺點在于劣化過程具有漸變特性，不僅要考慮其在某一時刻的值還需考慮其變化趨勢，才能更好地反映機(jī)組的健康狀態(tài)。

2) 健康衰退指數(shù)

除了劣化度指標(biāo)外，文獻(xiàn)[20, 32]定義了機(jī)組的健康衰退指數(shù)(health degradation index, HDI)。

3) 與距離相關(guān)的指標(biāo)

另一種判斷機(jī)組健康狀態(tài)的方法是依據(jù)實際模型輸出偏離理想健康模型輸出的程度來判斷機(jī)組健康程度。常用到與距離相關(guān)的指標(biāo)，主要包括：殘差、馬哈諾比斯距離[61-62]和歐式距離[63-64]等。

(1) 殘差

在數(shù)理統(tǒng)計中，殘差是指實際值與估計值之間的偏差，常用來表示估計值偏離實際值的程度。文獻(xiàn)[34]采用LSTM模型對風(fēng)電機(jī)組輸出功率進(jìn)行預(yù)測，并根據(jù)其與實際值的殘差評價機(jī)組健康狀態(tài)。文獻(xiàn)[45]、文獻(xiàn)[60]也均采用該指標(biāo)來判斷機(jī)組健康狀態(tài)。雖然采用殘差作為評價指標(biāo)，一定程度上可以反映機(jī)組健康狀態(tài)，但僅依據(jù)殘差，缺乏評價的準(zhǔn)確性。

(2) 馬哈諾比斯距離

文獻(xiàn)[61]與文獻(xiàn)[62]均采用馬哈諾比斯距離作為機(jī)組健康狀態(tài)的判斷依據(jù)。其中，文獻(xiàn)[61]建立了BILSTM模型及GMM模型，并提出了一種基于風(fēng)電機(jī)組多種運(yùn)行狀態(tài)的健康評價方法，依據(jù)評估數(shù)據(jù)的殘差和基準(zhǔn)GMM模型之間的馬哈諾比斯距離來判斷機(jī)組的健康狀態(tài)。文獻(xiàn)[62]采用健康狀態(tài)風(fēng)電機(jī)組SCADA系統(tǒng)采集到的歷史數(shù)據(jù)，并建立了馬哈諾比斯空間作為參考空間，通過將訓(xùn)練模型預(yù)測的風(fēng)電機(jī)組性能與參考空間進(jìn)行比較來判斷機(jī)組的狀態(tài)，式(7)為馬哈諾比斯距離的定義式。

相較于殘差，馬哈諾比斯距離考慮了各特征量之間的聯(lián)系，在不受特征量量綱影響的同時，獨(dú)立于測量尺度。但由于需要計算協(xié)方差陣，所以其計算復(fù)雜度更高，并且有可能會出現(xiàn)協(xié)方差陣不存在的情況。

(3) 歐氏距離

文獻(xiàn)[63]通過數(shù)據(jù)擬合建立風(fēng)電機(jī)組運(yùn)行狀態(tài)模型；以風(fēng)電機(jī)組正常運(yùn)行狀態(tài)模型為參照標(biāo)準(zhǔn)，將狀態(tài)模型曲線與標(biāo)準(zhǔn)模型曲線歐式距離作為健康狀態(tài)的評價指標(biāo)。文獻(xiàn)[64]考慮了SCADA數(shù)據(jù)的相關(guān)性，并在不同運(yùn)行工況下對機(jī)組健康狀態(tài)進(jìn)行定量評估，所采用評價指標(biāo)為歐氏距離，反映的是風(fēng)電機(jī)組即時運(yùn)行狀態(tài)偏離正常狀態(tài)的程度，具體體現(xiàn)為兩曲線和橫坐標(biāo)軸所圍成面積的差值與風(fēng)速差值之商。其定義為

式中：為風(fēng)電機(jī)組正常運(yùn)行時通過SCADA系統(tǒng)，依據(jù)最小二乘法擬合出的風(fēng)速與功率關(guān)系的系數(shù)；為擬合的最高階次；及分別為時刻滑動窗口中最大和最小風(fēng)速。

表1與表2分別對風(fēng)電機(jī)組健康狀態(tài)評價方法與性能指標(biāo)進(jìn)行了對比。

表1 風(fēng)電機(jī)組健康狀態(tài)評價方法對比

表2 健康評價指標(biāo)選取

4 結(jié)論

隨著風(fēng)力發(fā)電的大規(guī)模并網(wǎng)，風(fēng)電機(jī)組的運(yùn)行狀態(tài)及健康狀態(tài)得到了越來越多的關(guān)注[65]。采用合理的方法對風(fēng)電機(jī)組的健康狀態(tài)進(jìn)行評價對保證機(jī)組穩(wěn)定運(yùn)行有著重要的意義[66]。本文通過對國內(nèi)外風(fēng)電機(jī)組的健康狀態(tài)評價方法及評價指標(biāo)進(jìn)行綜述，對比了不同方法及指標(biāo)的特點。針對現(xiàn)有的評價方法中存在的不足，提出以下研究要點：

1) 監(jiān)測數(shù)據(jù)的分析及研究

對于風(fēng)電機(jī)組的健康狀態(tài)評價大多是通過對SCADA、CMS數(shù)據(jù)進(jìn)行挖掘，采用機(jī)器學(xué)習(xí)算法或智能評價模型進(jìn)行評價。由于SCADA及CMS數(shù)據(jù)存在非線性、強(qiáng)相關(guān)、高維度等特點，如何利用這種相關(guān)性對運(yùn)行數(shù)據(jù)進(jìn)行降維，剔除無用數(shù)據(jù)或?qū)C(jī)組健康狀態(tài)影響極小的數(shù)據(jù)，在不影響評價結(jié)果的同時減少訓(xùn)練模型的輸入數(shù)據(jù)維數(shù)是值得研究的。其次，由于SCADA及CMS的采樣間隔不一致，導(dǎo)致數(shù)據(jù)具有不同的時間尺度，如何統(tǒng)一其時間尺度也值得研究。同時，SCADA數(shù)據(jù)具有大數(shù)據(jù)的特性，特征難以提取，不利于對機(jī)組健康狀態(tài)進(jìn)行分析，可以采用數(shù)據(jù)融合的思想或利用基于因果關(guān)系的小數(shù)據(jù)分析對其健康狀態(tài)進(jìn)行評價。

2) 將健康狀態(tài)評價與機(jī)組控制相結(jié)合的研究

當(dāng)前基于機(jī)組健康狀態(tài)評價的研究主要包括：依據(jù)評價結(jié)果進(jìn)行風(fēng)電場功率分配；依據(jù)評價結(jié)果進(jìn)行機(jī)組使用壽命預(yù)測；依據(jù)評價結(jié)果在發(fā)生故障前進(jìn)行報警等。然而，機(jī)組的健康狀態(tài)一定程度上與其控制策略相關(guān)，控制策略不當(dāng)會引起機(jī)組運(yùn)行狀態(tài)的惡化。例如，頻繁的變槳會加劇執(zhí)行機(jī)構(gòu)的疲勞；在機(jī)組進(jìn)行最大風(fēng)能跟蹤控制時，由于轉(zhuǎn)速的不斷調(diào)整，有可能引起風(fēng)力機(jī)與發(fā)電機(jī)轉(zhuǎn)矩的不平衡，進(jìn)而引起傳動鏈的振動，影響其健康狀態(tài)；頻繁地切換控制策略或是在控制策略切換時的不平滑等也會引起載荷的波動，進(jìn)而影響機(jī)組健康狀態(tài)。如何依據(jù)機(jī)組的健康狀態(tài)實時調(diào)整控制策略，進(jìn)而改善其健康狀態(tài)，即所謂的健康意識控制是值得研究的內(nèi)容。同時，如何在機(jī)組健康狀態(tài)逐步變差但未達(dá)到“故障”狀態(tài)時進(jìn)行避錯控制，在機(jī)組評價結(jié)果已然是“故障”狀態(tài)時如何進(jìn)行容錯控制，使其能達(dá)到等同于健康時的效果也是值得研究的內(nèi)容。

3) 對整機(jī)健康狀態(tài)評價及預(yù)測結(jié)合的研究

值得注意的是，在對風(fēng)電機(jī)組健康狀態(tài)進(jìn)行評價時不僅僅應(yīng)該注意當(dāng)前的評價結(jié)果，更應(yīng)注重對其健康狀態(tài)變化的預(yù)測?？紤]到風(fēng)電系統(tǒng)子系統(tǒng)之間存在較強(qiáng)的耦合，電氣系統(tǒng)健康狀態(tài)的變差或出現(xiàn)故障會對其機(jī)械系統(tǒng)產(chǎn)生影響。例如，發(fā)電機(jī)出現(xiàn)繞組匝間短路或相間短路時，會引起電磁轉(zhuǎn)矩的脈動，進(jìn)而有可能引發(fā)其傳動系統(tǒng)的振動。那么，能否不依賴SCADA數(shù)據(jù)，通過分析子系統(tǒng)間的耦合關(guān)系，建立起整機(jī)的健康評價模型，或者依據(jù)各子系統(tǒng)的健康狀態(tài)模型及其相關(guān)性，賦予其動態(tài)權(quán)重進(jìn)而得到整機(jī)的健康狀態(tài)評價模型也是亟需進(jìn)一步研究的內(nèi)容。

[1] 李輝, 胡姚剛, 唐顯虎, 等. 并網(wǎng)風(fēng)電機(jī)組在線運(yùn)行狀態(tài)評估方法[J]. 中國電機(jī)工程學(xué)報, 2010, 30(33): 103-109.

LI Hui, HU Yaogang, TANG Xianhu, et al. Method for on-line operating conditions assessment for a grid-connected wind turbine generator system[J]. Proceedings of the CSEE, 2010, 30(33): 103-109.

[2] 胡姚剛, 劉懷盛, 時萍萍, 等. 風(fēng)電機(jī)組偏航系統(tǒng)故障診斷與壽命預(yù)測綜述[J]. 中國電機(jī)工程學(xué)報, 2022, 42(13): 4871-4883.

HU Yaogang, LIU Huaisheng, SHI Pingping, et al. Overview of fault diagnosis and life prediction for wind turbine yaw system[J]. Proceedings of the CSEE, 2022, 42(13): 4871-4883.

[3] 王雙園. 風(fēng)力機(jī)健康狀態(tài)監(jiān)測及評估關(guān)鍵技術(shù)研究[D]. 上海: 上海交通大學(xué), 2017.

WANG Shuangyuan. Research on methods of health monitoring and assessment for wind turbine[D]. Shanghai: Shanghai Jiaotong University, 2017.

[4] 龍霞飛, 楊蘋, 郭紅霞, 等. 大型風(fēng)力發(fā)電機(jī)組故障診斷方法綜述[J]. 電網(wǎng)技術(shù), 2017, 41(11): 3480-3491.

LONG Xiafei, YANG Ping, GUO Hongxia, et al. Review of fault diagnosis methods for large wind turbines[J]. Power System Technology, 2017, 41(11): 3480-3491.

[5] TEGEN S, LANTZ E, HAND M, et al. 2011 cost of wind energy review[R]. National Renewable Energy Laboratory, 2013.

[6] WYMORE M L, VAN DAM J E, CEYLAN H, et al. A survey of health monitoring systems for wind turbines. Renewable and Sustainable Energy Reviews, 2015, 52: 976-990.

[7] MAPLES B, SAUR G, HAND M, et al. Installation, operation, and maintenance strategies to reduce the cost of offshore wind energy[R]. National Renewable Energy Laboratory, 2013.

[8] 董玉亮, 李亞瓊, 曹海斌, 等. 基于運(yùn)行工況辨識的風(fēng)電機(jī)組健康狀態(tài)實時評價方法[J]. 中國電機(jī)工程學(xué)報, 2013, 33(11): 88-95, 15.

DONG Yuliang, LI Yaqiong, CAO Haibin, et al. Real-time health condition evaluation on wind turbines based on operational condition recognition[J]. Proceedings of the CSEE, 2013, 33 (11): 88-95, 15.

[9] 肖運(yùn)啟. 基于風(fēng)電機(jī)群健康狀態(tài)優(yōu)化的風(fēng)電場功率調(diào)度控制[J]. 太陽能學(xué)報, 2017, 38(7): 1935-1942.

XIAO Yunqi. Wind farm power control strategy based on operating wind turbine health condition optimization[J]. Acta Energiae Solaris Sinica, 2017, 38(7): 1935-1942.

[10] QIAN P, MA X, ZHANG D, et al. Data-driven condition monitoring approaches to improving power output of wind turbines[J]. IEEE Transactions on Industrial Electronics, 2019, 66(8): 6012-6020.

[11] DO M H, S?FFKER D. State-of-the-art in integrated prognostics and health management control for utility-scale wind turbines[J]. Renewable and Sustainable Energy Reviews, 2021, 145.

[12] 鄭小霞, 李美娜, 王靖, 等. 基于PSO優(yōu)化核主元分析的海上風(fēng)電機(jī)組運(yùn)行工況分類[J]. 電力系統(tǒng)保護(hù)與控制, 2016, 44(16): 28-35.

ZHENG Xiaoxia, LI Meina, WANG Jing, et al. Operational conditions classification of offshore wind turbines based on kernel principal analysis optimized by PSO[J]. Power System Protection and Control, 2016, 44(16): 28-35.

[13] MATSUISHI M, ENDO T. Fatigue of metals subjected to varying stress[J]. Japan Society of Mechanical Engineers; 1968, 68: 37-40.

[14] 李德源, 葉枝全, 陳嚴(yán), 等. 風(fēng)力機(jī)玻璃鋼葉片疲勞壽命分析[J]. 太陽能學(xué)報, 2004, 25(5): 592-598.

LI Deyuan, YE Zhiquan, CHEN Yan, et al. Fatigue life analysis of the glass reinforced plastic blade of horizontal axis wind turbine[J]. Acta Energiae Solaris Sinica, 2004, 25(5): 592-598.

[15] 許帥, 霍志紅, 許昌, 等. 限功率控制下風(fēng)電機(jī)組葉片疲勞損傷研究[J]. 太陽能學(xué)報, 2020, 41(1): 282-289.

XU Shuai, HUO Zhihong, XU Chang, et al. Study on fatigue damage of wind turbine blade under power curtailment control condition[J]. Acta Energiae Solaris Sinica, 2020, 41(1): 282-289.

[16] Wind turbines part 1: design requirements: IEC. IEC 61400-1[S]. International Electrotechnical Commission, 2015: 32-46.

[17] 白雪, 何敏娟, 馬人樂, 等. 風(fēng)力發(fā)電塔預(yù)埋塔筒基礎(chǔ)健康監(jiān)測[J]. 太陽能學(xué)報, 2017, 38(7): 1979-1986.

BAI Xue, HE Minjuan, MA Renle, et al. Structural health monitoring of an onshore wind turbine foundation with inserted ring[J]. Acta Energiae Solaris Sinica, 2017, 38(7): 1979-1986.

[18] 劉勝祥, 李德源, 黃小華. 風(fēng)波聯(lián)合作用下的風(fēng)力機(jī)塔架疲勞特性分析[J]. 太陽能學(xué)報, 2009, 30(10): 1250-1256.

LIU Shengxiang, LI Deyuan, HUANG Xiaohua. Fatiguecharacteristic analysis of wind turbine tower under combined action of wind and wave[J]. Acta Energiae Solaris Sinica, 2009, 30(10): 1250-1256.

[19] DHANOLA A, GARG H C. Tribological challenges and advancements in wind turbine bearings: a review[J]. Engineering Failure Analysis, 2020, 118.

[20] 孫娟. 基于模型的風(fēng)電齒輪箱故障檢測[D]. 南京: 南京理工大學(xué), 2015.

SUN Juan. Wind turbine gearbox fault detection based on model[D]. Nanjing: Nanjing University of Technology, 2015.

[21] 王兆光. 風(fēng)電機(jī)組狀態(tài)監(jiān)測建模方法研究[D]. 北京:華北電力大學(xué), 2018.

WANG Zhaoguang. Research on modeling method of condition monitoring of wind turbine[D]. Beijing: North China Electric Power University, 2018.

[22] 蔣金. 風(fēng)電機(jī)傳動系統(tǒng)振動故障的智能診斷方法研究[D]. 北京: 華北電力大學(xué), 2015.

JIANG Jin. Research on intelligent diagnosis method of vibration fault of wind turbine drive system[D]. Beijing: North China Electric Power University, 2015.

[23] PEI Y, QIAN Z, TAO S, et al. Wind turbine condition monitoring using SCADA data and data mining method[C] // 2018 International Conference on Power SystemTechnology (POWERCON), 2018: 3760-3764.

[24] LIU Z, YANG B, WANG X, et al. Acoustic emission analysis for wind turbine blade bearing fault detection under time-varying low-speed and heavy blade load conditions[J]. IEEE Transactions on Industry Applications, 2021, 57(3): 2791-2800.

[25] LIU Z, WANG X, ZHANG L. Fault diagnosis of industrial wind turbine blade bearing using acoustic emission analysis[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(9): 6630-6639.

[26] JIN X, XU Z, QIAO W. Condition monitoring of wind turbine generators using SCADA data analysis[J]. IEEE Transactions on Sustainable Energy, 2021, 12(1): 202-210.

[27] 肖運(yùn)啟, 王昆朋, 賀貫舉, 等. 基于趨勢預(yù)測的大型風(fēng)電機(jī)組運(yùn)行狀態(tài)模糊綜合評價[J]. 中國電機(jī)工程學(xué)報, 2014, 34(13): 2132-2139.

XIAO Yunqi, WANG Kunpeng, HE Guanju, et al. Fuzzy comprehensive evaluation for operating condition of large-scale wind turbines based on trend predication[J]. Proceedings of the CSEE, 2014, 34(13): 2132-2139.

[28] 董興輝, 張鑫淼, 鄭凱, 等. 基于組合賦權(quán)和云模型的風(fēng)電機(jī)組健康狀態(tài)評估[J]. 太陽能學(xué)報, 2018, 39(8):2139-2146.

DONG Xinghui, ZHANG Xinmiao, ZHENG Kai, et al. Health status assessment of wind turbine based on combination weighting and cloud model[J]. Acta Energiae Solaris Sinica, 2018, 39(8): 2139-2146.

[29] 李輝, 胡姚剛, 楊超, 等. 并網(wǎng)風(fēng)電機(jī)組運(yùn)行狀態(tài)的物元評估方法[J]. 電力系統(tǒng)自動化, 2011, 35(6): 81-85.

LI Hui, HU Yaogang, YANG Chao, et al. A matter-element assessment method of a grid-connected wind turbine driven generator system under on-line operating conditions[J]. Automation of Electric Power Systems, 2011, 35(6): 81-85.

[30] 曾紀(jì)鈞, 溫柏堅, 梁哲恒. 基于深度學(xué)習(xí)的安全帽識別算法研究與模型訓(xùn)練[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(21): 107-112.

ZENG Jijun, WEN Baijian, LIANG Zheheng. Research and model training of helmet recognition algorithm based on deep learning[J]. Power System Protection and Control, 2021, 49(21): 107-112.

[31] KONG Ziqian, TANG Baoping, DENG Lei, et al. Condition monitoring of wind turbines based on spatiotemporal fusion of SCADA data by convolutional neural networks and gated recurrent units[J]. Renewable Energy, 2020, 146: 760-768.

[32] ZHOU Y, WANG J, ZHENG H. The health status prediction of the wind turbine based on the anomaly analysis and the LSTM prediction[C] // 2020 3rd International Conference on Advanced Electronic Materials, Computers and Software Engineering (AEMCSE), 2020: 666-671.

[33] 劉軍, 汪繼勇. 基于風(fēng)電機(jī)組健康狀態(tài)的風(fēng)電場功率分配研究[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(20): 106-113.

LIU Jun, WANG Jiyong. Research on wind farm power distribution based on wind turbine health[J]. Power System Protection and Control, 2020, 48(20): 106-113.

[34] CHEN Hansi, LIU Hang, CHU Xuening, et al. Anomaly detection and critical SCADA parameters identification for wind turbines based on LSTM-AE neural network[J]. Renewable Energy, 2021, 172: 829-840.

[35] 彭華, 王文超, 朱永利, 等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的風(fēng)電場集電線路單相接地智能測距[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(16): 60-66.

PENG Hua, WANG Wenchao, ZHU Yongli, et al. An intelligent single-phase grounding fault location for a wind farm collection line based on an LSTM neural network[J]. Power System Protection and Control, 2021, 49(16): 60-66.

[36] KUSIAK A, VERMA A. Prediction of status patterns of wind turbines: a data-mining approach[J]. Journal of Solar Energy Engineering, 2011, 133: 165-175.

[37] 梁穎, 方瑞明. 基于SCADA和支持向量回歸的風(fēng)電機(jī)組狀態(tài)在線評估方法[J]. 電力系統(tǒng)自動化, 2013, 37(14): 7-12, 31.

LIANG Ying, FANG Ruiming. An online wind turbine condition assessment method based on SCADA and support vector regression[J]. Automation of Electric Power Systems, 2013, 37(14): 7-12, 31.

[38] LIU X, SHI K, YU H, et al. Relative health index of wind turbines based on kernel density estimation[C] // IECON 2017 - 43rd Annual Conference of the IEEE Industrial Electronics Society, October 29-November 1, 2017, Beijing, China: 5957-5961.

[39] 楊洪富, 賈曉亮, 任壽偉. 基于數(shù)據(jù)驅(qū)動的航空發(fā)動機(jī)故障診斷與預(yù)測方法綜述[J]. 航空精密制造技術(shù), 2016, 52(5): 6-9.

YANG Hongfu, JIA Xiaoliang, REN Shouwei. Review of data-driven aeroengine fault diagnosis and prognosis methods[J]. Aviation Precision Manufacturing Technology, 2016, 52(5): 6-9.

[40] 鄭小霞, 李美娜. 基于小波包和并行隱馬爾科夫的風(fēng)力機(jī)易損部件健康狀態(tài)評價[J]. 太陽能學(xué)報, 2019, 40(2): 370-379.

ZHENG Xiaoxia, LI Meina. Health state evaluation based on wavelet packet and PCHMM for vulnerable components of wind turbines[J]. Acta Energiae Solaris Sinica, 2019, 40(2): 370-379.

[41] YANG Wenxian, LANG Ziqiang, TIAN Wenye. Condition monitoring and damage location of wind turbine blades by frequency response transmissibility analysis[J]. IEEE Transactions on Industrial Electronics, 2015, 62(10): 6558-6564.

[42] ZHANG Long, LANG Ziqiang. Wavelet energy transmissibility function and its application to wind turbine bearing condition monitoring[J]. IEEE Transactions on Sustainable Energy, 2018, 9(4): 1833-1843.

[43] KIDAR T, THOMAS M, ELBADAOUI M, et al. Application of time descriptors to the modified Hilbert transform of empirical mode decomposition for early detection of gear defects[C] // Condition Monitoring of Machinery in Non-Stationary Operations, 2012, Springer: 471-479.

[44] 楊茂, 張羅賓. 基于數(shù)據(jù)驅(qū)動的超短期風(fēng)電功率預(yù)測綜述[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(13): 171-186.

YANG Mao, ZHANG Luobin. Review on ultra-short term windpower forecasting based on data-driven approach[J]. Power System Protection and Control, 2019, 47(13): 171-186.

[45] 王興貴, 張文蓮, 薛晟. 基于EEMD的MMC串聯(lián)結(jié)構(gòu)微電網(wǎng)微源動態(tài)冗余控制策略[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(22): 34-42.

WANG Xinggui, ZHANG Wenlian, XUE Sheng. A micro-source dynamic redundancy control strategy based on EEMD for MMC series micro grid[J]. Power System Protection and Control, 2021, 49(22): 34-42.

[46] CLIMENTE A V, ANTONINO D J A, RIERA G M, et al. Application of the Wigner-Ville distribution for the detection of rotor asymmetries and eccentricity through high-order harmonics[J]. Electric Power Systems Research, 2012, 91(9): 28-36.

[47] SONG Zhe, ZHANG Zijun, JIANG Yu, et al. Wind turbine health state monitoring based on a Bayesian data-driven approach[J]. Renewable Energy, 2018, 125: 172-181.

[48] PANDIT R K, INFIELD D. SCADA-based wind turbine anomaly detection using Gaussian process models for wind turbine condition monitoring purposes[J]. IET Renewable Power Generation, 2018, 12(11): 1249-1255.

[49] 曾軍, 陳艷峰, 楊蘋, 等. 大型風(fēng)力發(fā)電機(jī)組故障診斷綜述[J]. 電網(wǎng)技術(shù), 2018, 42(3): 849-860.

ZENG Jun, CHEN Yanfeng, YANG Ping, et al. Review of fault diagnosis methods of large-scale wind turbines[J]. Power System Technology, 2018, 42(3): 849-860.

[50] XIE T, WANG T. An ECT-PCA-based fault detection method for winding asymmetry of marine current turbine generator[C] // 2021 IEEE 10th Data Driven Control and Learning Systems Conference (DDCLS), May 14-16, 2021, Suzhou, China: 1350-1355.

[51] WANG Y, MA X, QIAN P. Wind turbine fault detection and identification through PCA-based optimal variable selection[J]. IEEE Transactions on Sustainable Energy, 2018, 9(4): 1627-1635.

[52] REZAMAND M, KORDESTANI M, CARRIVEAU R, et al. A new hybrid fault detection method for wind turbine blades using recursive PCA and wavelet-based PDF[J]. IEEE Sensors Journal, 2020, 20(4): 2023-2033.

[53] 張方紅, 荊博, 錢政, 等. 基于相關(guān)向量機(jī)的風(fēng)電機(jī)組功率曲線建模與監(jiān)測[J]. 船舶工程, 2020, 42(增刊2): 171-174, 191.

ZHANG Fanghong, JING Bo, QIAN Zheng, et al. Probabilistic wind turbine power curve modelling and monitoring based on relevance vector machine[J]. Ship Engineering, 2020, 42(S2): 171-174, 191.

[54] DE ANDRADE VIEIRA R J, SANZ-BOBI M A, KATO S. Wind turbine condition assessment based on changes observed in its power curve[C] // IEEE 2013 International Conference on Renewable Energy Research and Applications (ICRERA), October 20-23, 2013, Madrid, Spain: 31-36.

[55] 褚景春, 郭鵬, 解加盈. 自組織核回歸風(fēng)電機(jī)組功率曲線建模與應(yīng)用研究[J]. 太陽能學(xué)報, 2021, 42(7): 372-377.

CHU Jingchun, GUO Peng, XIE Jiaying. Wind turbine power curve modeling and application based on AKKR method[J]. Acta Energiae Solaris Sinica, 2021, 42(7): 372-377.

[56] 梁濤, 張迎娟. 基于風(fēng)電機(jī)組功率曲線的故障監(jiān)測方法研究[J]. 可再生能源, 2018, 36(2): 302-308.

LIANG Tao, ZHANG Yingjuan. Monitoring of wind turbine faults based on wind turbine power curve[J]. Renewable Energy Resources, 2018, 36(2): 302-308.

[57] 李雄英, 黃時文, 王斌會. 穩(wěn)健Hotelling T2控制圖的構(gòu)建及其比較[J]. 統(tǒng)計與決策, 2021, 37(10): 155-159.

LI Xiongying, HUANG Shiwen, WANG Binhui. Construction and comparison of robust Hotelling T2 control charts[J]. Statistics & Decision, 2021, 37(10): 155-159.

[58] HILDEBRANDT S, SUN Qiao. Evaluation of operational strategies on wind turbine power production during short icing events[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2021, 219.

[59] BARALDI P, DI MAIO F, TURATI P, et al. Robust signal reconstruction for condition monitoring of industrial components via a modified Auto Associative Kernel Regression method[J]. Mechanical Systems and Signal Processing, 2015, 60-61: 29-44.

[60] 楊明洙. 風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測和故障診斷技術(shù)的研究與進(jìn)展[J]. 中小企業(yè)管理與科技(中旬刊), 2015(4): 220.

[61] GUO Xiaoli, ZHAO Ying, ZHAO Yang. Research on condition monitoring of wind turbines data visualization based on random forest[C] // 2016 International Conference on Smart Grid and Clean Energy Technologies (ICSGCE), October 19-22, 2016, Chengdu, China: 166-170.

[62] LIANG Tao, MENG Zhaochao, XIE Gaofeng, et al. Multi-running state health assessment of wind turbines drive system based on BiLSTM and GMM[J]. IEEE Access, 2020, 8: 143042-143054.

[63] JIN Xiaohang, XU Zhuangwei, QIAO Wei. Condition monitoring of wind turbine generators using SCADA data analysis[J]. IEEE Transactions onSustainableEnergy, 2021, 12(1): 202-210.

[64] 萬恒正. 基于SCADA數(shù)據(jù)關(guān)系的大型直驅(qū)式風(fēng)電機(jī)組健康狀態(tài)識別與預(yù)警[D]. 湘潭: 湖南科技大學(xué), 2018.

WAN Hengzheng. Identification and early warning of health status of large direct-drive wind turbine based on SCADA data relation[D]. Xiangtan: Hunan University of Science and Technology, 2018.

[65] 陳雪峰, 李繼猛, 程航, 等. 風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測和故障診斷技術(shù)的研究與進(jìn)展[J]. 機(jī)械工程學(xué)報, 2011, 47(9): 45-52.

CHEN Xuefeng, LI Jimeng, CHENG Hang, et al. Research and application of condition monitoring and fault diagnosis technology in wind turbines[J]. Journal of Mechanical Engineering, 2011, 47(9): 45-52.

[66] 周飛航. 永磁同步風(fēng)能轉(zhuǎn)換系統(tǒng)振動抑制及魯棒控制研究[D]. 西安: 西安理工大學(xué), 2020.

ZHOU Feihang. Research on vibration suppression and robust control of permanent magnet synchronous wind energy conversion system[D]. Xi'an: Xi'an University of Technology, 2020.

Review of health status evaluation of large wind turbines

LIU Jun, AN Bairen, ZHANG Weibo, GAN Qianyu

(College of Automation, Xi’an University of Technology, Xi’an 710048, China)

Having a good evaluation of the health status of wind turbines is of great significance for distributing wind farm power, reducing operational and maintenance costs and prolonging the service life of wind turbines. With the growth of installed capacity, health status evaluation has attracted extensive attention. There is a complexity of health status evaluation methods, and this may be the reason that there are few summaries of wind turbine health status evaluation methods. Therefore, based on existing research results, this paper combs the literature to assess the current situation of wind turbine health status evaluation. First, this paper introduces the methods, classifies the existing methods, and analyzes their advantages and disadvantages. Second, it introduces a data source of wind turbine health status evaluation and the indicators describing its health degree. Finally, it puts forward the key points for future feasibility study from the aspects of data analysis of health status evaluation, the interaction between unit health status and control, and the health status evaluation and prediction of the whole machine.

wind turbine; health status; monitoring data; operation and maintenance cost

10.19783/j.cnki.pspc.220373

陜西省重點研發(fā)計劃項目資助(2021GY-106); 陜西省教育廳科研項目資助(JK725)

This work is supported by the Key Research and Development Projects of Shaanxi Province (No. 2021GY-106).

2022-03-21；

2022-06-24

劉 軍(1963—)，男，教授，博士生導(dǎo)師，研究方向為風(fēng)力發(fā)電、智能控制與電力拖動等；E-mail: liujun0301@ sina.com

安柏任(1993—)，男，通信作者，博士，研究方向為大型風(fēng)力機(jī)健康狀態(tài)評價、故障診斷等；E-mail: 2541398198@ qq.com

張維博(1997—)，男，碩士，研究方向為風(fēng)電場功率分配。E-mail: zhangwb0228@163.com

(編輯 魏小麗)