201120310 六、發明說明: 【發明所屬之技術領域】 本發明係關於一種風力發電場狀態遙測技術及故障診 斷系統,尤指一種利用感測器檢測風力發電機特定部位的 特徵訊號’再利用事先模擬的故障狀況以自動判斷風力發 電機故障狀況之相關技術。 【先前技術】 _ 一十一世紀全球暖化現象日益嚴重,已引起世界各國 重視’降低二氧化碳的排放量及發展再生能源,已經是全 球人類必須面對的潮流。風能是一種清潔的能源,風力發 電在新能源行業中成長最快,根據財團法人國家實驗研究 院科技政策研究與資訊中心提供之統計數據,2〇〇6年全世 界發電容量高達74,2〇〇MW,足見風力發電越來越受到各 國重視’全球發展風力發電的成長率約達35〇/〇 ;在美國、 德國和丹麥等先進國家甚至高達5〇%以上。我國是一個天 鲁然能源短缺的國家,絕大多數皆需仰賴進口;另外隨著環 保意識的抬頭,民間對新電廠的設立,不論是火力發電廠 或核能電廠的興建皆遭遇極大的反對聲浪,隨著石化能源 饧格的攀升,再生能源的研究與開發是目前解決國内能源 問題的方法之一。 目别國内已有設置大型風力發電場,在秋冬季持續且 強勁的東北季風下運作,風力發電系統可以提供相當不錯 的電力,並相對降低傳統電廠的供電量,對國内能源供應 八有相田大的效益。因此我國目前不管是政府或民間對於 201120310 風力發電場均有大量投資,而在風力發電場中,風力發電 機為噪音主要來源,為避免干擾人群及考量風力條件,大 型風力發電場的位置大都選在偏遠地區或海上(離岸型), 且風力發電機間為避免風流干擾,風力機間的排列分佈必 須非常的分散。因此,風力發電場的設置須面臨如下之難 題: 1 ·風力發電場地處偏遠,故距離監控中心相當遠,災 害防治、設備支援和通訊都相當困難。 2·風力發電場風勢強勁(尤其是颱風)、環境惡劣對風 力機葉片及内部機構損害極大。 3_風力機之間的排列分佈必須分散,使監控系統設計 較為複雜。 由於風力發電機長期暴露在外,對於故障的發生率也 相對提高,例如2刪年1G月間,台電香山二號風力發電 機組疑似變壓器過熱,以致引燃齒輪箱内齒輪油引起大火 ’且因風力機高度過高造成救援困難,造成風力發電機的 損壞嚴重,此次大火可謂勞民傷財’損失慘重。因此,如 何預防風力發電機事故發生,確保風力發電場安全穩定的 運轉、提高其管理效率、降低營運及維修成本,需要一套 功能完善、性能穩定的運轉狀態監測和故障診斷系統,已 成為大型風力發電場研究相當重要的項目之一。 目前全球投入此再生能源之研究非常的多,但國内、 外在故障診斷和狀態偵測之相關研究並不多僅有少數成 果發表,在全世界大力推展再生能源之際,我國資訊相關 技術相當發達’有必要積極投人故障珍斷和狀態债測之相 201120310 之關鍵技術,以避免過 主及降低營運和維修成 機監控及診斷之相關研 關研究,來發展符合台灣運轉環境 度依賴進口物品’以期達到技術自 本。再者,近年來國内外風力發電 究如下:
1·風力機並聯供電线之研究:因為受限於 素,風力發電無法長時間提供穩定的電力,所以通常會 上辅助電源…市電、太陽能、蓄電池、或其他類型之 Μ能源’來穩定負載所需之功率’彡中需要考慮到前端 的交流/直流轉換器、後端提供市電的直流,交流轉換器 ,以及考慮最大功率追蹤等問題。 、π 2·風力發電機之狀態監控:目前國内、外相關文獻的 方法有: ⑴振動分析:將感測器安裝於特定位置,測量 動頻率; (2)油質分析:可分成分析油中雜質與油的成份兩部分 ,此檢測方法大多必須停機,所以應用於風力發電機狀態 Φ 檢測並不十分理想; ^ (3)聲音監測:此方法大多用將聲音感測器裝設於齒輪 相内,藉由齒輪運轉聲音來判斷機組狀態; (4)電機效應:包含電機機械放電測量、開關切換速度 測量、開關接點測量、變壓器油質分析等,其目的在於提 早發現故障、分析故障問題與建立歷史資料三大方向。 3.提焉風能效率之研究:相關文獻以風速與輸出功率 的關聯度,以現有之風場實際測量所在位置的風速、經度 緯度’輸出功率’應用人工智慧方法評估風場效益,藉 201120310 由數據庫的建立,做為新的風場選擇之評估依據,增加風 場建設的經濟效益,以及經由流體力學等數學模擬,探討 風力機風葉擷取最大風能的條件與葉片數量對系統效應之 影響。 4. 風力發電模型之建構及保護模擬:風力機並聯電力 系統時,必須考慮電壓、電流、頻率和同步問題,若系統 故障發生時,應快速切離電力系統。在文獻上探討的系統 故障有短路故障、頻率變動、電壓驟降等故障之模擬分析 ,目的是希望系統發生不同程度之擾動時,可預先得知擾 動對系統之影響,適時利用保護設備,使發電系統回復穩 定狀態。 ~ 5. 風力發電機的故障診斷,大致可分成: (1)訊號分析方法:在機構方面,根據機械故障診斷的 基本原理,透過安裝在風力機齒輪箱的感測器,所收集到 的震動信冑,透過頻譜分析、波型分析、倒頻譜分析等方 法,以掌握風力機運轉時異常或故障的初期徵兆,比起以 常規方法檢測或手摸和耳聽的檢測方法,可更早檢測到機 械結構的故障;在電力方面’以電力錶頭進行相關參數的 量測’如電壓、電流'相位、有效功率'無效功率等,利 用所擷取之參數進一步分析,以判斷故障發生的類型。 (2)人工智慧方法:當系統特徵參數過於複雜時,多數 研究者會採用人工智慧方法協助故障診斷’這些方法包括 專家系統、神經網路和模糊理論等方法,透過學習步驟, 進行故障診斷,可提高診斷的準確率。 由上述可知,大型風力發電機長期暴露在外,且因風 201120310 力機高度過高救援困難,如何預防風力發電機事故發生, 確保風力發電場安全穩定的運轉及降低維修成本,需要一 套功能完善、性能穩定的狀態監測和故障診斷系統,而既 有故障診斷系統在特徵參數過於複雜時,必須採用人工智 慧協助故障診斷,但人工智慧本身仍需要特殊的人為參數 ’可能相對延長診斷及學習的時間,故仍有進一步檢討及 改善的空間。 鲁 【發明内容】 因此,本發明主要目的在提供一種風力發電場狀態遙 測技術及故障診斷系統,其採用可拓類神經網路進行故障 診斷,不需要特殊的人為參數,即可大幅縮短診斷及學習 的時間。 為達成前述目的採取的主要技術手段係令前述系統包 括: ' 複數感測器,分設於風力發電機内各個指定的位置上 •進行訊號收集,以取得各指定檢測位置的特徵訊號; 一處理單元,係分別與各感測器連接,又處理單元内 建一可拓類神經網路及多種模擬故障狀況;其中,該可拓 類神經網路包括一輸入層及一輸出層,其中輸入層^將各 特徵訊號進行分類並建構成物元模型,再送入可拓類神經 網路,以運算出各類特徵訊號的可拓距離最小值進而由 輸出層輸出判斷的故障狀況; 由於本發明採用可拓類神經網路進行故障診斷,具 架構簡單、學習速度快、診斷準確率高等優點,同時對 201120310 具雜訊之輸入資料具有相當高的容錯能力。 【實施方式】 關於本發明一可行實施例的系統架構請參閱第一圖所 不,主要係令一故障診斷系統與一風力發電機(2〇)連 結,以便在風力發電機(20)工作時監測其運轉狀況,並在 異常狀況發生時迅速診斷出其故障原因,以利於及時維修 或爭取搶修時機;其中: # 該風力發電機(20)包括一葉片(21)、一齒輪箱(22)、一 發電機(23)及一變壓器(24);其中,葉片(21)具有一輪軸 (210),並透過其輪軸(21〇)與齒輪箱(22)連結,而帶動齒 輪箱(22)内的齒輪組,又齒輪箱(22)的輸出端係與發電機 (23)的轉軸(230)連結,由齒輪箱(22)輸出的動力帶動發電 機(23)運轉並發電,所產生的電力經過變壓器(24)變壓後 進行供電或併網。 又本發明主要係在風力發電機(2〇)各元件的特定位置 •或輸出端安裝感測器(25)〜(28),以取得各元件感測項目的 特徵訊號,其檢測的項目大致包括: 1.輪軸(210)、轉軸(230)的運轉狀況檢測:檢測輪軸 (210)、轉轴(230)故障的方法很多,最普遍的方法是使用 震動分析’由於設備的設計安裝誤差及故障出現時,會在 輪軸(210)、轉軸(230)處產生震動,故本發明選擇在其輪 轴(21 0)及轉軸(230)的轴承(211 )(231)處設感測器(25),用 以感測輪軸(210)、轉軸(230)的震動狀況,再將震動感測 訊號經過頻域轉換,以分析出輪軸(21〇)、轉軸(23〇)的狀 201120310 態訊息,再根據狀態訊息判斷故障的項目,而可能發生的 故障項目包含磨損、斷裂、潤滑不良等。 2·齒輪箱(22)運轉狀況檢測:由於風力發電機(2〇)長 時間的運轉’傳動機構扮演由風能轉為機械能的重要角色 ,如能減少齒輪之間的損失’即可提高風力機的輸出效率 ,其監測項目有潤滑油油位、油溫度訊號、齒輪振動訊號 等,故本發明在齒輪箱(22)内分設感測器(26),以分別檢 測其油位及油溫是否正常,以確認齒輪箱(22)的運轉狀況 〇 參 3·發電機(23)運轉狀況檢測:發電機(23)是將機械能 轉為電能之主要元件,需考慮到輸出電壓、電流、相位與 當時風速之相對關係’可估計發電機之輸出功率曲線與經 過長時間運轉後,效率滑落到一定標準以下時提供警報; 因此本發明在發電機(23)的輸出端設有一電流電壓轉換器 (31)’以檢測其輸出電壓、電流與相位,另配合一風速檢 測器(33)及一風向檢測器(34)檢測運轉當時的風速風向訊 φ 號’與電流電壓轉換器(31)檢測所得輸出功率訊號一起送 至故障診斷系統(1 〇)進行判讀。另一方面,發電機(23)的 機身上亦設有感測器(27),以感測發電機(23)的震動情況 〇 4.變壓器(24)狀況檢測:係在變壓器(24)上安裝感測 器(28)以檢測其溫度變化;除此以外,該變壓器(24)的輸 出端進一步設有一電流電壓轉換器(32),以測量其電壓、 電流輸出大小》 除前述狀況檢測外’另可進一步以其他感測器檢測葉 201120310 片(21)及發電機(23)之轉速、齒輪箱(22)内機油壓力等。 前述各感測器(25)~(28)安裝位置的選定,可利用紅外 線熱顯像儀觀測運轉中的風力發電機(2〇),以取得其軸承 (211 )(231 )、齒輪箱(22)、發電機(23)、變壓器(24)之熱影 像,做為溫度偵測器安裝位置之參考點。又前述感測器 (25)〜(28)的輸出訊號係分別透過一換能器(TrarjSC|ucer) (29)與故障診斷系統(1〇)連結。 該故障s爹斷系統(10)包括有一處理單元(11) '複數的 Φ 類比數位轉換器(1 2)(1 3)、一顯示器(14)及一資料匯流排 (15);其中:該處理單元(ή)係透過資料匯流排(15)分別與 類比數位轉換器(12)(1 3)、顯示器(14)及風力發電機(20)上 各個換能器(29)連接’並進一步透過類比數位轉換器 (12)(13)分別與兩電流電壓轉換器(31)(32)及風速檢測器 (33)、風向檢測器(34)連接,以取得發電機(23) '變壓器 (24)的輸出電壓、電流與風速、風向訊號;再透過各換能 器(29)與風力發電機(2〇)上的各組感測器(25)~(28)連接。 φ 而處理單元(1彳)係將來自風力發電機(20)的輸出功率 、溫度感測、震動感測、油位感測及風速、風向等訊號利 用MATLAB / SIMULINK作為軟體介面,而利用相關訊號 分析軟體與資料探勘軟體,觀察訊號時頻圖、頻譜圖、週 期訊號與非週期訊號’進行初步的訊號來源點分析,再用 小波轉換、傅利葉轉換或希爾伯特-黃轉換(Empirical Mode Decomposition,EMD) ’萃取訊號的特徵值,以減少 建立故障碼的數目’並作為診斷系統之故障分類碼的資料 庫;而經過萃取特徵值的訊號即視為一特徵訊號,則進一 201120310 步利用内建的可拓類神經網路進行錯誤診斷。 請參閱第一圖所示,其揭矛古_ ,其包括-輸入層⑷)與一輪出層叫=經網路之架構 輸出層(42)之間建構可拓類神經網路(43);主輸 入的特徵訊號分類並建構成—物” 1 物兀模型後,再送入可拓類 神經網路(43)中’其中,輪 輸入層(41)的節點數量是由 模型之特徵數量所決定,而輪屮思“〇、 向輸出層(42)的節點數量則是由 特徵訊號的類別數量決定,並分 刀別用以存放計算後之可拓 距離,最後在輸出層(41)由最小值的可拓距離決定特徵訊 號所屬的類別。 可拓類神經網路(43〗盥甘au θ'5)與其他類神經網路方法相同,包 括學習與辨識兩個步驟;其中: 可拓類神經網路的學習法分為非監督式的#習與監督 式學習,本實施例採用監督式學習法來調整權重,藉由不 斷地學習與訓練來進行調整與修正權重。而可拓類神經網 路之監督式學習的演算步驟係如下所述: ϋ Ί1.#立輸入與輸出之權重值
Vk2 n. Vfj -….,/i (1) 步驟302 :讀取訓練樣本資料與特徵數允,如式 (2)所示: (2) 步驟303 :計算出每項特徵之權重中心值,以&表示 ,如下所示: ^ 卜幻’(3) (4) 201120310 % 而經,巧範圍可由學習資料所決定如下所示: wij=min\x^ (5) (6) 料( w^=^k·} 其中代表可拓類神經網路之輸入端學習資 步驟304 :利用#以下式(7)開始計算可拓距離(請配
合參閱第四圖所示): 〜卜%1 Μ Κ-^/) 十1 • 2 (7) 步驟305找k,= ’如果k*= k,並跳到步 kem 〆 驟307 ;若資料類別不相等k*表k,則繼續步驟306之動 作0 步驟306 :調整k類別與k*類別之權重值。 1.更新權重上、下限值大小。 = ^·_〇ω + η(4 - 2kj_old ) (8) = ^j_oId +r}(Xy~ Zkj〇ld) (9) -'ν_〇ω) (10) (11) 2 ·更新權重中心值大小。 ” _ ^kj_new + ^j^new) Zkj、new 2 _ _ (WK J k j _new 2 (12) (13) 步驟307 :重複步驟303至步驟307之步驟,直到所 有學習資料皆讀取並完成學習分類完畢。 步驟308 :當所有資料之分類程序都已達到收斂狀態 12 201120310 若否則返回步驟303繼 或總誤差率到達到目標值則停止 續。 所述: 之辨識演算 即可進行辨識或 當可拓類神經網路完成學習程序後 分類,演算步驟包括: /驟401 . 5賣取可拓類神經網路的權重值矩陣; 步驟402:計算中間值大小; ’
步驟403 :讀取測試樣本; 步驟404 : 步驟405 : 屬類別; 5十算測試樣本與各類別之可拓距離,· 尋找最小可拓距離,藉以判斷測試樣本所 步驟406 .完成辨識所有樣本即停止運算,否則回 驟403讀取下一筆測試樣本。 如前揭所述,由於硬體安裝的誤差或葉片損壞等因素 均將使轉㈣轉時產生震動,若將震動訊號經過頻域轉換 可刀析出a備的狀態訊息;又由於風力發電機⑽)須長 時間運轉,其齒輪箱(22)容易内部齒輪之間的磨損,使得 風力發電機(20)的輸出效率降低,而齒輪箱(22)内的油位 及油溫是否正常也是判斷齒輪箱(2 2)正常運轉與否的關鍵 之一,因此本發明利用多組感測器(25)〜(28)在風力發電機 (20)的齒輪箱(22)取出潤滑油油位、油溫度、齒輪振動等 特徵Λ號’作為前述可拓類神經網路(43)的測試樣本。又 發電機(23)係將機械能轉為電能之主要元件,故須考慮到 輸出電壓、電流、相位與當時風速之相對關係,因而本發 13 201120310 明利用電流電壓轉換器(31)由發電機(23)輸出端取出電氣 k號作為診斷用的測試樣本。 再者,本實施例係先模擬出8種可能的故障(運轉)狀 況’分別如下列: (1)正常狀況。 (2) 葉片一片故障。 (3) 葉片兩片故障。 (4) 風力發電機欠相。
(5) 齒輪箱油量不足。 (6) 齒輪箱溫度較高。 (7) 齒輪箱油溫較高。 (8) 風力發電機發生多重故障。 又處理單元(20)係利用10種特徵訊號包括:葉片轉; 、發電機轉速、發電機輸出電壓、發電機輸出電流、發$ 機:出功率、葉片軸承振幅值、齒輪箱軸承振幅值、齒李 知溫度、齒輪箱油溫和齒⑥箱機油墨力等送入可拓類神爱 2進行運算,藉以診斷風力發電機。除葉片轉速與發負 :轉逮外,其他特徵訊號均來自與故障診斷系統(1〇)連與 、各組感測器(25卜(28)及電流電麼轉換器(31 )(32)。 再者’故障診斷系統(1〇)診斷風力發電機(2〇)故障狀 :的方式係先利用可拓類神經網路判斷第"種特徵訊 ^ ’⑽其為何種轉速且轉速是否正常,㈣認前述狀態 匕:再由風力發電機(20)取得其他特徵訊號並送入可拓類 隍壯、“ μ 』㈣轉巾的風力發f機(20)其故 障狀況係屬前列的何種狀況。 14 201120310 另》月參閱第四圖所不,本發明主要係令風力發電場内 的每一風力發電機(20)分別連接一故障診斷系統⑽,為 方便進行遠端監控,各故障診斷系統(1〇)可分別連接一無 線網路傳輸單元(50),以便透過無線網路與一無線集線器 (60)連結,再由無線集線器_透過網際網路與遠端的控 制中。(70)連,结,以便故障診斷系統(1〇)將其診斷資料傳 送至遠端的控财心(7〇),以執行遠端集_遙控。 由上述可知,本發明如何在風力發電機的各個指定位 # 置上取得特徵訊號,並輸入至故障診斷系統的處理單元, 利用可拓類神經網路進行辨識,以自動出診斷風力發電機 的故障狀況,利用前述自動診斷技術具有下列優點: 1 利用故障診斷系統的預警功能,可預先瞭解風力發 機的運轉狀況,預先執行保養或維修,以降低重大事故 發生狀況。 2_透過風力發電機運轉狀態的監控,可有效減少停機 維修的時間,增加系統可靠度。 _ 3 可由故障診斷系統可得知風力發電機發生何種故障 ’並節省分析故障類型的步驟,使維修人員能快速準備備 料進行維修。 4·若進一步應用無線網路的技術,可由遠端集中監控 Μ力發電場所有風力發電機的運轉狀況。 5 ·持續的紀錄運轉狀況,建立未來故障預防的歷史資 '料庫’以作為維修及可靠度分析之重要依據。 15 201120310 【圖式簡單說明】 第一圖 第二圖 第三圖 線圓。 、今丹 , *公吗 〇 係本發明之可知 J拓類神經網路牟-立 係本發明可,、不思圖。 奴乃J拓類神經網路 J峪之可拓距離特性# 係本發明各故障診斷系統透過無線網路與每 第四圖 端控制中心連線的示意圖。 【主要元件符號說明】 (10)故障診斷系統 (12)(13)類比數位轉換 (14)顯示器 (20)風力發電機 (210)輪軸 (22)齒輪箱 (24)變壓器 (29)換能器 (33)風速檢測器 (41)輸入層 (43)可拓類神經網路 (60)無線集線器 (1 1)處理單元 器 (15)資料匯流排 (21)葉片 (211)(231)軸承 (23)發電機 (25)~(28)感測器 (31 )(32)電流電壓轉換器 (34)風向檢測器 (42)輸出層 (50)無線網路傳輸單元 (70)控制中心 16