首页 理论教育预测风机叶片结冰风险

预测风机叶片结冰风险

【摘要】:目前风机运行的实时数据主要由SCADA系统进行存储,对叶片结冰故障的监测手段主要是比较风机实际功率与理论功率之间的偏差,当偏差达到一定值后会触发风机的报警和停机。SCADA系统每天产生大量的数据,但是目前大部分的系统依然局限于对已发生故障的报警。预测模型对从SCADA系统中采集到的风机数据进行分析和数据处理,然后采用神经网络方法进行建模和故障预测,采用BP网络对其进行预测。

叶片结冰是风电领域的一个全球范围难题。低温环境所导致的叶片结冰、材料及结构性能改变、载荷改变的问题等,对风机的发电性能和安全运行造成较大的威胁。随着风机的设计功率不断提升,现有风机塔筒高度也在不断增长,因此即使在北部沿海和山区地区,冬季大量风机都会触碰到较低的云层,在低温和潮湿环境下非常容易结冰。目前风机运行的实时数据主要由SCADA系统进行存储,对叶片结冰故障的监测手段主要是比较风机实际功率与理论功率之间的偏差,当偏差达到一定值后会触发风机的报警和停机。然而,触发报警时往往已经发生叶片大面积结冰现象,在这样的情况下运行会增加叶片折断损坏的风险。虽然许多新型风机都设计了自动除冰系统,但是实际应用中面临的挑战是很难对结冰的早期过程进行精确预测,以便能够尽早开启除冰系统。对结冰过程的预测准确度决定了除冰系统的效率、风机的效率损失和风机运行的风险。

风机的寿命一般可以达到20年,但大部分风机的质保范围只是风机整个运行寿命最初的2~5年。随着风机系统的老化,未必所有的风电场业主都做好了对风机进行维护的准备。其中部分情况是缺乏维护工作所需的技术人员,即使配备了满足风电场日常维修要求的技术人员,计划外的维护还是会明显影响到风电场的收入。从传统的故障维护,到近些年的预防性维护,再到最近具有深远意义的预测性维修,风机的保养工作与人工智能有机地融为一体。

(1)数据采集

目前风机运行的实时数据主要由SCADA系统进行实时监测和存储,SCADA是风场设备管理、监测和控制的重要系统,通过实时收集风机运行的环境参数、工况参数、状态参数和控制参数使风场管理者能够实时了解风电装备资产的运行和健康状态。SCADA系统每天产生大量的数据,但是目前大部分的系统依然局限于对已发生故障的报警。这些故障到达报警阶段时往往已经比较严重,需要对风机进行停机和维修,造成巨大的发电损失和维护成本。通过对SCADA系统产生的大数据环境进行挖掘和建模,能够对一些严重故障进行预测和诊断,从而使过去应激型的维护方式转变为主动预测型的维护方式,能够有效地改善风电设备的使用率和运维成本。

(2)风机性能参数

风机的性能参数主要有流量、压力、功率、效率和转速。另外,噪声和振动的大小也是主要的风机设计指标。流量又称风量,以单位时间内流经风机的气体体积表示;压力又称风压,是指气体在风机内压力的升高值,有静压、动压和全压之分;功率是指风机的输入功率,即轴功率。风机有效功率与轴功率之比称为效率,风机全压效率可达90%。这些参数的实时数据,都可以通过SCADA系统实时采集,通过高效的数据挖掘智能算法,从这些海量杂乱的数据中挖掘出风机的预测状态,从而达到真正的预测性维修。

(3)预测模型

对从SCADA系统中采集到的风机数据进行分析和数据处理,然后采用神经网络方法进行建模和故障预测,采用BP网络对其进行预测。根据SCADA系统的工况参数、环境参数、状态参数等信息,选取最具有特征的28个变量作为预测输入,输出变量为一个,即风叶结冰的概率,激活函数采用Relu函数,优化算法采用Adam优化器,收敛速度快,性能优良。通过信号正向传播和误差反向传播进行优化,得到了较好的预测结果和精度。