随着风电行业不断的发展，风电机组的并网容量持续的增加，这对风机的安全稳定运行、减少故障停机时间提出了更高的要求。桨叶不平衡是双馈发电机机组的一个常见的运行隐患，智能检测技术的开发正是降低故障的有效手段。
为什么要检测桨叶不平衡
由于风电机组的运行环境通常都比较恶劣，例如在山区，沙漠及沿海等地区。风机的叶片会因风沙、结冰，侵蚀等形成不平衡状态。另外叶片在长期运行中也会由于疲劳应力产生裂纹，造成气动不平衡。特别是低风速机型的推广，使叶片越来越长，叶轮极易出现不平衡状态。如该不平衡传递到传动链侧，则会造成机组振动加剧从而降低设备的使用寿命，严重时会造成叶片断裂，导致事故的发生。因此为了降低桨叶不平衡所产生的安全隐患与经济损失，对风机桨叶状态进行实时检测是十分有必要的。这对风电机组的安全运行有着重大的意义。
图1：桨叶不平衡检测算法塔底测试
对于常见的三叶片风机而言，桨叶不平衡可分为质量不平衡和气动不平衡两个状态。导致质量不平衡的主要原因是叶片内部的配重块脱落导致三个叶片重量不一致，目前对于质量不平衡的解决方法是重新调整叶片的配重块。导致气动不平衡的因素包括以下几项：环境因素（风沙、水汽导致的叶片风化与磨损，低温导致的叶片结冰，雷击导致的叶片裂痕等）、机组疲劳老化因素（机组长时间运行后产生的叶片裂纹，叶片装置角误差，叶片对零线误差，变桨执行累积误差等）。气动不平衡会导致塔筒、机舱振动，增加了机组疲劳载荷，严重影响了机组的运行寿命。相较于质量不平衡，气动不平衡对机组的造成的危害更大，而由于叶片的气动不平衡会受到湍流，风剪切等环境因素的影响，因此较难发现，从而增加了桨叶不平衡检测的难度。
桨叶不平衡检测方法
目前现有的桨叶不平衡检测方法包括，发电机转速检测法，机舱振动检测法，电流检测法等。基于发电机转速的桨叶不平衡检测方法，其原理是通过检测发电机转速功率谱上的不平衡特征及其大小，并结合风速，湍流等因素的影响，即可根据转速功率谱对风机进行不平衡判断。基于转速的不平衡检测相较于其他检测方法：例如基于电流（对数据采集与低传输延迟要求较高），机舱振动（需增加额外的传感器，成本较高，可靠较降低），对设备的采样与传输频率要求不高，且无需添加额外的传感器，因此设备升级与检测成本较低。
现场实测数据表明，当人为改变叶片装置角时来模拟风机气动不平衡时，不同偏置角度与功率谱转频大小成正比关系。在实际的应用中，上述检测过程将通过不平衡算法来实现。该算法读取变流器中的发电机转速数据并进行功率谱分析，如果检测到风机的转速频谱幅值超过了设定的报警阈值，则会向主控输出不平衡报警信号，提示桨叶不平衡。
图2：桨叶不平衡算法报警流程
相较传统的人工检测桨叶，使用不平衡检测算法大大减少了机组不平衡检测时间，同时也实现了叶片不平衡状态远程在线检测预警功能，省去了大量的人力物力。
图3：基于神经网络的桨叶不平衡模式识别框图
由于风机在运行过程中会受到环境因素的影响，会对分析数据造成一定扰动。因此需要对风机的运行数据进行一定的筛选。例如对其转速上下限和波动范围进行一定的限制，以减少风况变化以及风机变桨对转速分析造成的干扰。与此同时，运达还建立了风电机组多变量数据库，用来辅助分析风机运行数据，并且构建了对应的神经网络模型以用来学习并精确识别不同风况下的桨叶不平衡状态；变量数据库将发电机转速信号、转矩信号和塔架的振动信号的功率谱进行整合与归类；神经网络模型将不断地学习数据库中的存储数据并与当前的功率谱数据进行比对，之后做出与平衡，不平衡的判断。使用神经网络模型辅助分析后的桨叶不平衡报警识别率大幅提升，检测准确率可达80%以上，并且能够识别风机质量不平衡和气动不平衡两种不平衡状态。
图4：桨叶不平衡检测全过程
运达的该项技术以最小的升级成本实现了风机桨叶不平衡的在线检测技术，能够有效并及时的发现风机运行过程中的所存在的隐患。该技术极大的降低了桨叶不平衡所导致的机组故障，保证了风电机组的安全运行的同时，对降低了风电发电成本、提升风电机组的智能化水平，具有积极的意义。同时为后续的桨叶不平衡检测技术提供了有效的例证，因此有较大的推广空间。
