一、引言

 

随着风力发电技术的不断发展，风力发电机组得到了更广泛的应用，在大规模并网运行后可以更有效地进行监控和管理。近年来，我国新能源发电发展迅速，风电装机总量连续多年位居世界第一。然而，在发电设备的优化和控制方面仍存在许多问题需要解决：风机在设计中往往需要考虑系统性能而不是结构的特点；风机在运行中容易出现异常状态分布；风电机组内的各种传感器和控制设备容易受到外部环境的影响，导致故障或异常；风电机组运行条件不同，实际运行条件与理论计算结果不同，影响设备运行。为了保证风机的安全健康运行，维修人员需要根据不同情况进行合理的维护、维护和定期的检查和维护。因此，需要一个智能预警系统，能够预测风电设备的状态，有效评估风机运行故障特征和影响因素，实现对机组的实时监控和诊断。

 

（1）风机故障特征分析

 

风机是风力发电机组中最复杂的一类。风机的工作环境不同，不同类型的风机对环境负荷的要求也不同。如果风机出现故障，系统的运行性能会有很大差异，风机的类型、特性和参数会对风机的运行状态发出警告。目前，基于风机运行模式和运行状态的分析预测技术已广泛应用于各行业，但这些系统在风机运行状态或故障状态下缺乏对其他设备运行状态的准确评价。为了实现风机的状态监测，需要研究光伏电站风机的故障分析和状态预测技术，以大大降低和避免风机故障原因造成的损失和风险。

 

（2）基于多状态估计的风电设备故障预警系统设计

 

基于此，本文设计了基于多状态估计的电站风机故障预警系统，将设备监测数据与理论预测数据相结合，实现机组运行故障状态的智能预测。系统结构中的红色为预警系统的初始值，橙色为异常值，绿色为无预警。根据预测结果，将风机状态信息与设备管理中心数据库的实时信息进行比较，得到风机运行不良程度的评分，为风机和财产安全水平的预防和减少提供依据。本文采用基于多状态估计的系统结构。本文采用基于神经网络的模糊逻辑算法对预测数据进行处理和分析，通过选择和调整特征变量的数量和范围，将模糊逻辑算法应用于风电设备故障预警系统，对风机当前运行状态进行智能分析和诊断。

 

(3)基于PID的故障实时预警算法设计

 

在风机故障预警系统中，PLC控制器作为风机控制的核心，通过PID算法检测和控制风机故障时的输出特性。因此，PLC控制器的参数配置应满足设备参数配置的要求。根据风机各子系统对参数配置的不同要求，根据风机厂提供的实时运行数据建立实时模型，考虑参数设置和参数配置对风电机组稳定性和可靠性的影响。本文采用基于PID算法的故障预警程序设计和实现方法来实现预警程序。该算法根据风机的参数设置PID值来计算和判断监控信号。PID可用于实时运行监控系统，当值超过阈值时，发出警告信号并进行人工干预；当值小于阈值时，它将自动停止运行。

 

(4)风机在线监控

 

风机状态监测是对风机运行状态的描述和监测。风电场的运行控制模式为无人值守，但风电机组在实际使用过程中会出现一定程度的异常运行或异常故障现象，往往导致风电机组过电流、过电压、绝缘损坏等故障现象。因此，风电场风机运行状态检测不仅可以帮助维护人员及时发现问题或故障处理，还可以进一步分析检测机组，制定有针对性的维护措施。为了实现风机状态的快速诊断，需要图像处理技术和先进的信息处理技术。

 

二、系统设计

 

本文设计的软件系统主要包括风机状态识别模块、风机故障预警模块、风机预测模块、数据处理模块和运维服务模块五个模块。系统的具体过程如图4所示。随着新能源产业的快速发展，各行业的风机检测预警能力逐渐增强，超声波、红外等现有风电检测预警技术手段只能作为辅助手段，风机故障检测预警能力不足，不能准确快速地对风机故障做出及时有效的反应，严重影响风机的健康运行。因此，基于状态估计算法的风机设备故障预测模块和风机故障预警模块的开发可以有效地提高预测精度，也可以提高现有设备监测的有效性和管理服务水平。

 

(1)风机状态识别模块

 

本文设计的风机状态识别模块主要根据电站风机的运行参数实时监控和判断运行参数，并在大屏幕上实时显示结果。由于电站风机采用低压控制模式，风机设备的运行维护工作量较大。本文设计的风机状态识别模块利用网络摄像头实时上传到服务器，根据上传的数据实时识别风机运行参数，包括风机设备的运行状态、故障状态等。如有异常现象，报警信息将立即通过后台网络发送到监控中心进行处理。风机设备故障预警模块由风机设备、故障和数据分析三个模块组成。

 

（2）风电故障预警模块模块

 

基于风电状态识别模块，对风机采集的数据进行预处理、分析、处理，并提出诊断建议，结合风机故障信息的综合计算，判断是否需要对风机进行相应的预防性保护。综合判断后，风机出现严重异常迹象，并发出警告信息。在这种情况下，操作和维护人员需要在第一时间对风扇进行详细的维护，并在维护后发送远程监控信息，以提示维护人员。由于机组故障的时间隔通常较长，目前机组故障的监测主要是超声波。超声波不能很好地实现对局部区域、所有故障范围和局部缺陷部位的实时监控。

 

(3)风机预测模块

 

风机预测模块是在充分利用现有监测数据和预测软件的基础上，充分利用现有信息识别和预测风机故障的精度。在风机故障识别模块中，主要采用两种技术来预测风机设备的故障。一是基于对故障规律的研究和分析，确定风机故障概率分布的数学模型，通过数学模型计算和总结风机故障概率分布规律中的概率分布函数和概率分布参数；二是利用特征选择算法改进风机故障概率分布函数，计算概率分布参数，引入特征选择和权重修正、更新模型，引入特征学习算子。上述两种方法可以有效地提高风机的预测精度。

 

(4)运维服务模块

 

运维服务模块包括五个模块：实时查询、设备管理、安全管理和数据分析。实时查询风机运行状态，通过历史查询记录查看当前设备运行状态、运行周期和实际运行时间。设备管理模块实时存储各种传感器和监控设备的数据，并进行归档和存储。安全管理模块可根据安全管理规范和要求管理各种设备。通过建立风机异常报警模式，提高运维人员的安全意识和保护能力，对监控平台进行有效的安全维护和升级。数据分析模块可以分析风机的运行状态、运行历史等信息，并对各种数据进行归档分析，利用深度学习技术对统计异常数据进行分析分类。