摘要：本论文系统总结了风电机组及风电场常见的故障类型以及风力发电机组常用的故障分析理论，并针对目前风电场风电机组故障诊断系统的分散性，提出了风电机组故障诊断技术下一步发展的方向，即对单风场现有分散的监控与管理系统进行整合，通过异构数据的采集、存储和管理技术，建立统一的实时数据库和历史数据库。基于完整的风电场统管数据库，开发各个重要子系统的在线监测系统，并整合优化，实现基于数据融合方法的具有自学习能力的风电场智能专家故障预测技术。
1、引言
随着环境保护压力的增大和能源结构调整的要求越来越迫切，以风电为代表的可再生清洁能源的装机容量在电力系统的比重不断增加。据统计，2014年我国新增风电装机容量23196MW，累计安装风电机组114609MW。随着风力发电机组单机容量的不断增长和风电场规模的日益扩大，单机和系统的结构变得越来越复杂，不同部件间耦合更加紧密，一个微小的故障可能传播成灾难性的大故障，引起风电机组停机，甚至直接导致风电机组损坏，造成巨大的经济损失。风电机组单机容量较小，风力发电厂一般由数十甚至数百台风力发电机构成，且分布比较分散，一般分布在条件恶劣的荒漠、沿海，这样的特点给运行、检修、故障分析带来很大的困难。
利用传统的检修方式对风电场进行维护，常出现故障时间与大修计划时间不同步。大修前出现故障，不得不采用事后维修，给生产运行带来了损失;或者达到大修周期，系统依然运行良好，却依然按计划进行大修，造成了人力、物力的极大浪费。因此，对风电场进行实施的状态监测并智能化地对所出现的异常状况进行在线分析，将会使风电场的运行维护更加高效、经济。
基于此，本文从我国目前的风电场运维情况、故障诊断的发展现状出发，总结现有系统的特点和不足，以我国风电场智能化运维需求为导向，给出了符合风电场发展要求的在线智能故障诊断技术的发展方向，旨在缩短风电机组的故障维修时间，提高风电场的可用率，为风电运营商提供风电场的运行优化与智能化管理、少人或无人值守管理、设备与运维人员的集约化管理，帮助运营商实现智能、高效、低成本的运营。
2、风电机组的主要故障类型
目前国内外常见的风力发电机组多为齿轮箱升速型，主要由风轮、变桨系统、齿轮箱、偏航系统、制动系统、发电机、电气变频系统、主控系统、液压系统、塔架等子系统组成，而每个子系统又有若干的零部件构成。其中故障多发的子系统主要集中在齿轮箱、发电机、电力电子装置以及风机叶片等部件。
齿轮箱的故障诊断：齿轮箱是风力发电系统中故障率最高的部件，它包含齿轮、滚动轴承和轴等。齿轮箱常见的故障主要是齿轮和滚动轴承的故障。新投产风电机组基本都配备了振动监测系统。当齿轮或滚动轴承存在局部缺陷时，其振动信号中含有丰富的缺陷信息，通过有效提取缺陷信号，一般可以较为准确地诊断出缺陷存在的部位。常用的时频分析方法有傅里叶变换、小波变换、Hilbert-Huang变换等，将其与基于神经网络方法的人工智能技术以及专家系统的学习与分类能力相结合，可实现对齿轮箱故障的快速准确诊断。
发电机的故障诊断：目前风力发电电力系统采用的发电机型主要双馈式变桨变速机型、直驱永磁式变桨变速机型和失速定桨定速机型。发电机长期运行于多变工况和恶劣的电磁环境中，极易发生故障。常见的故障模式有轴承故障、短路故障、转子偏心故障等。当发电机由正常状态变化到故障状态时，会引起一些电量或非电量的变化。其中电量信号主要有电流、电压、功率、转矩等，而非电量主要是振动信号的变化。发电机的故障诊断正是以这些反映电机运行状态的物理量的变化为依据，通过测量设备获取对应的电量或非电量信号，采用先进高效信号处理技术对信号进行分析处理，最终提取出反映故障性质和故障程度的特征信息。
电力电子装置的故障诊断：并网风力发电机主要通过变频器接入电网，从而保证在风速变化的情况下，也可以向电网输送高质量电能。所不同的是：直驱式风力发电机是定子侧通过变频器接入电网的，而双馈式风力发电机是转子侧通过变频器接入电网的。变频器所处条件恶劣，而且目前变速恒频式风力发电机，尤其是双馈式风力发电机在电网发生故障容易导致风力发电机机端电压跌落，造成发电机定子电流增加进而导致转子电流的增加，这容易导致风力发电机组电力电子装置的功率元器件损坏。功率元件的故障信息主要通过开路故障反映。目前常用小波分析的方法对电力电子装置故障状态下电路响应中所包含的有效故障特征信息进行提取，并结合神经网络技术对故障进行分类和判断。此外故障树、专家系统等基于人工智能的故障诊断方法在电力电子功率元件的故障诊断上也有所应用。
风机叶片的故障诊断：叶片是风机受力最复杂的部件，在运行过程中各种激振力通过叶片传递出去。实际中常用有限元分析法建立风电机组的动力学模型，通过计算与模态分析获得其固有频率和振型等信息，并在实际中通过固有频率的变化反映叶片的裂纹等故障特征，并依此达到对风力机叶片故障的检测与诊断识别。
