文章快速检索     高级检索
  山东大学学报(工学版)  2017, Vol. 47 Issue (6): 100-107  DOI: 10.6040/j.issn.1672-3961.0.2017.013
0

引用本文 

辛燕, 李景才, 任旦元, 周民强. 基于IEC信息分类的风电机组可利用率分析与提升方法[J]. 山东大学学报(工学版), 2017, 47(6): 100-107. DOI: 10.6040/j.issn.1672-3961.0.2017.013.
XIN Yan, LI Jingcai, REN Danyuan, ZHOU Minqiang. Availability analysis of wind turbine based on IEC information classification and research on the improvement method[J]. Journal of Shandong University (Engineering Science), 2017, 47(6): 100-107. DOI: 10.6040/j.issn.1672-3961.0.2017.013.

基金项目

国家自然科学基金资助项目(51465009)

作者简介

辛燕(1980—), 女, 山东菏泽人, 讲师, 硕士, 主要研究方向为机械制造及风电领域. E-mail:reliabile@163.com

文章历史

收稿日期:2017-01-09
网络出版时间:2017-07-10 13:47:50
基于IEC信息分类的风电机组可利用率分析与提升方法
辛燕1, 李景才1, 任旦元2, 周民强2     
1. 商丘职业技术学院, 河南 商丘 476000;
2. 浙江运达风电股份有限公司, 浙江 杭州 310012
摘要:针对国内风电机组可利用率计算结果与实际偏差较大的缺点, 基于IEC61400-26-1标准中的机组运行类别, 对主控系统中各状态码进行可利用属性的划分, 对故障停机时间采用基于时间戳法的统计计算, 改进可兼顾业主和制造商利益的机组可利用率计算方法, 计算结果整体趋势与SCADA报表一致。该方法可通过对低利用率机组状态代码的时间和次数统计, 发现机组可利用率低的主要原因, 并提出改进意见, 进而通过主控程序升级等方式提升机组利用率。结果表明, 利用该方法计算, 机组可利用率提升2.2%, 与实际结果更加符合。
关键词风力发电机    可利用率    状态码    时间戳法    提升方法    主控系统    
Availability analysis of wind turbine based on IEC information classification and research on the improvement method
XIN Yan1, LI Jingcai1, REN Danyuan2, ZHOU Minqiang2     
1. Shangqiu Polytechnic, Shangqiu 476000, Henan, China;
2. Zhejiang Windey Company Limited, Hangzhou 310012, Zhejiang, China
Abstract: To avoid the availability difference between calculated value and actual value, status codes of main control system were divided into different parts according to their available properties, based on the standard IEC61400-26-1. The statistics of wind turbine downtime was based on timestamp method. The calculation method of availability was improved by taking account of the interests of owners and manufacturers, and the overall trend of the results was consistent with the SCADA Report. By counting the time and times of the status codes of the low availability unit, the improvement method could find the main reason of low availability in wind turbine and give advice to improve wind turbine availability by updating main control program. The results showed that the wind turbine availability could be increased by 2.2%, according with actual results through proposed method.
Key words: wind turbine    availability    status code    timestamp method    improvement method    main control system    
0 引言

机组的可利用率是对风电机组可靠性考核的一个重点指标[1]。文献[2]规定, 机组可利用率指标应大于95%, 但国内对于风力发电机组可利用率的计算方法仍存在争议。文献[3]提出了可利用率P计算公式

$ P = \left( {1 - \frac{{A - B}}{T}} \right) \times 100\%, $

式中:A为评估期内机组停机小时数, B为统计期间因维护、电网和极端自然环境等非机组自身故障导致的所有停机时间, T为统计时长。该方法没有对风力发电机组停机的根本原因进行分析, 只是对停机时间进行了统计计算, 且该算法中风力发电机组待机时间不包含在停机时间内, 当机组处于数据丢失状态时, 此段时间默认为可利用时间。因此该方法计算出的可利用率误差较大, 并不能真实反映机组的实际状况。

文献[4]对风电机组可利用率的不同计算方法进行了介绍。文献[5]提出了一种基于状态码的可利用率计算, 根据机组的故障类型, 对状态码进行是否可利用的分类, 细化了各故障类型下的机组可利用状态, 提高了可利用率计算值的可信度和精确度, 但是在实际运行中, 该方法对机组的故障停机时长的判定过于简化, 也未考虑机组故障停机后再次启机的响应时间[6]

不同计算方法的差异主要表现为:对因外部环境条件导致发电机组不能正常运行的原因的界定存在差异。针对现有计算方法存在的问题, 本研究分析了IEC61400-26-1中的强制性等级Level 4中的各项信息类别, 对风电机组与并网、待机、停机、维护所有状态码进行分类, 根据IEC61400-26-1上的业主角度(仅统计机组运行发电时间)与制造商角度(超出技术规范的停机时间纳为可利用时间)两种维度各自的优缺点, 优化可利用率计算方法, 找寻机组可利用率低的原因, 并通过主控升级等技术改进方式提升机组利用率。

1 基于IEC分类的可利用率计算方法 1.1 IEC 61400-26-1分类定义

根据IEC 61400-26-1对机组的可利用组分类如表 1所示[7]

表 1 IEC 61400-26-1可利用组的分类 Table 1 Classification of available groups according to IEC 61400-26-1

表 1中的各英文字母缩略词的全拼为:IA—Information available; IAO—Information available operative; IAOG—Information available operative generating; IAOGFP/IAOGPP—Information available operative with full performance/partial performance; IAONG—Information available operative non generating; IAONGTS/IAONGEN/IAONGRS/IAONGEL—Information available operative non generating technical standby/out of environmental specification/requested shutdown/out of electrical specification; IANO—Information available non operative; IANOSM/IANO-PCA/IANOFO/IANOS—Information available non operative scheduled maintenance/planned corrective action/forced outage/suspended; IAFM—Information available force majeure; IU—Information unavailable。

各部分项的详细解释为:正常运行(IAOGFP)—机组正常运行发电; 非正常运行(IAOGPP)—机组未满功率发电(限功率、桨叶受损等情况导致机组不能满发); 技术待机(IAONGTS)—机组因偏航解揽、偏航超时等因机组自身性能特点无法快速发电的待机时间; 超出环境条件(IAONGEN)—主要因风速或温度等外部条件不满足机组运行条件的停机; 指令停机(IAONGRS)—主要为人为操作停机, 机组不一定不可用; 电气规范外(IAONGEL)—主要因电网问题如电网掉电等情况引起的停机; 非运行中的计划性改进(IANOPCA)—主要为技术改造、程序升级、其他非定期的维修措施等; 暂停(IANOS)—主要为在排故或者维修过程中因自然原因不适合继续操作等原因导致的停机; 不可用信息(IU)—因数据丢失无法对具体数值进行量化。

1.2 不同维度的可利用率计算公式

按业主(机组运行)维度, 只将IAOGFP与IAOGPP两选项算为可利用时间, 其余均为不可利用时间。即仅计算机组运行的可利用率TBA, 其计算公式为:

$ {{T}_{\text{BA}}}=1-\frac{{{T}_{\text{IAONGTS}}}\,\,+\,\,{{T}_{\text{IAONGEN}}}\,\,+\,\,{{T}_{\text{IAONGRS}}}\,\,+\,\,{{T}_{\text{IAONGEL}}}\,\,+\,\,{{T}_{\text{IANOSM}}}\,\,+\,\,{{T}_{\text{IANOPCA}}}\,\,+\,\,{{T}_{\text{IANOFO}}}\,\,+\,\,{{T}_{\text{IANOS}}}\,\,+\,\,{{T}_{\text{IAFM}}}}{{{T}_{总}}}。$ (1)

式中: TBA为时间可利用率; T为统计总时长, 一般为一个完整年8 760 h; 各项分子分别对应表 1中的各项分类状态导致的停机时间, h, 如: TIAONGTS为技术待机原因导致的停机时间。

按制造商(技术可利用)维度, 将计划性改进(IANOPCA)和强制停机(IANOFO)归为不可利用分组, 缘由为仅此两项是因机组自身质量问题导致的停机, 其他各项分类机组自身并不存在质量问题, 因此其计算公式:

$ {{T}_{\text{BA}}}=1-\frac{{{T}_{\text{IANOPCA}}}\,\,+\,\,{{T}_{\text{IANOFO}}}}{{{T}_{\text{总}}}}。$ (2)

以上两种方法中, 式(1)制造商往往不认可, 因为将电网受累等导致的停机责任也归属于制造商, 该方法常常导致东北、华北和西北地区限电严重的风电场可利用率极低; 式(2)计算简单, 更有利于制造商的利益。为了结合这两种方法的优点, 本研究在可利用率计算中剔除了状态代码属性划分有争议的部分, 采用以下公式进行计算:

$ {{T}_{\text{BA}}}=\frac{1-{{T}_{\text{IAONGTS}}}\,\,+\,\,{{T}_{\text{IAONGRS}}}\,\,+\,\,{{T}_{\text{IANOPCA}}}\,\,+\,\,{{T}_{\text{IANOFO}}}}{{{T}_{总}}}。$ (3)

式(3)能简化业主工作, 保证业主利益, 同时也考虑了制造商对机组质量承担相应责任的问题, 督促制造商改进和提升机组的控制等功能。

式(1~3)中的T均不含不可用信息(IU)。

2 基于状态码的可利用率计算 2.1 状态码的分级定义

风力机组控制系统状态码的记录属性有触发时间(包含激活“+”和恢复“-”两种类型)、状态代码、状态描述等[8-11], 但并不包含IEC 61400-26-1中所列的各种信息状态。为了能利用状态码进行可利用率的计算, 先对原有状态码进行改进, 按表 1中强制性等级Level 4中的各项信息进行类别划分。部分状态码的信息分类如表 2所示。除表 2中的示例之外, 其余461条状态码也按照状态触发原因、是否造成停机等一一进行如表 2的分组。

表 2 部分状态码信息分组示例 Table 2 Partial examples of status code information groupings
2.2 故障时长计算判定方法

按照表 1的可利用组分类对数据进行筛选, 初步筛选出所有“不可利用”状态数据。按式(3)将IAONGTS、IAONGRS、IANOPCA和IANOFO筛选出来进行不可利用时间计算。

对故障时间段进行统计, 分段流程图如图 1所示。

图 1 依据状态代码分段流程 Figure 1 Time segmentation based on state codes

步骤1:若连续数据为同一状态代码, 观察此段数据最后一行状态数据, 该数据若对应“-”(即复位状态), 则连续数据在此分段, 以最后一行数据作尾; 该数据若对应“+”(即触发状态), 则连续数据在最后一行数据处不分段, 此段连续数据继续向下扩展, 执行步骤2。

步骤2:此时, 与步骤1最后一行数据相连的必为多种状态代码交错的一段数据, 找到此段数据中首次相邻出现同一状态代码且分别对应“+”和“-”的两条数据, 观察这两条数据以上的数据对应的“+”和“-”的个数是否相等, 若不等, 此段数据在这两条数据处不分段, 继续向下扩展直至找到满足以上条件的两条代码; 若相等, 继续进行判断, 这两条数据之后若为不同状态代码, 则此段数据在此分段, 以这两条数据作尾; 若这两条数据之后仍为相同的状态代码, 此时数据如何分段按步骤1继续判断。

同一状态码故障分段如图 2所示。框中连续数据为同一状态代码, 最后一行数据(即高亮部分)对应“-”, 因此框中数据以最后一行数据为界分段, 该端故障时间为22 min。

图 2 同一状态码故障分段 Figure 2 The fault segmentation of the same state code

不同状态码故障分段如图 3所示。大黑框中连续数据为不同状态代码交错, 黑色矩形方框处两条数据的状态代码一致且分别对应“+”和“-”, 同时这两条数据以上数据“+”“-”个数相等。此段数据在这两条数据处有可能分段, 至于是否分段, 须向下继续判断。图 3中, 这两条数据之后仍为同一状态代码, 且最后一条对应“-”, 因此故障停机时间如黑框所示进行分段进行计算, 停机时长为4 h。

图 3 不同状态码故障分段 Figure 3 The fault segmentation of the different state code

当状态码记录因场外受累导致通讯中断而数据丢失时, 该段时间视做IU不可用信息处理, 不纳入不可利用时间的计算中。

对一个完整年的状态码数据进行如图 1所示的流程分类, 最后求出不可利用总时间, 再按式(3)算出机组的可利用率。

3 现场验证 3.1 新算法可利用率与SCADA报表对比

基于IEC 61400-26-1标准对状态码进行信息组分类, 并按可利用率计算公式对东南沿海某山地风电场的24台机组进行可利用率计算, 根据式(3)计算出机组可利用率与直接从SCADA(supervisory control and data acquisition)报表上获取的可利用率对比图如图 4所示。机组状态码算出的各机组利用率均低于SCADA报表上的数值, 除了11#机组的可利用率与报表数值有较大偏差外, 整体的数据趋势是一致的, 而造成偏差的主要原因为:式(3)加入了对机组技术待机时间的考核, 如5508偏航初始化、机组断电后重新上电运行并网时的启机恢复时间、变流器等待时间等, 这些代码均对式(3)中所算的机组利用率有影响。报表显示的可利用率平均值达到98.24%, 而用新算法算出的各机组可利用率仅达到95.70%, 且多台机组的可利用率未达到95%, 有较大的提升空间。

图 4 各机组可利用率对比 Figure 4 The comparison of the availability of each unit
3.2 部分机组利用率低原因调查

图 4可知, 11#机组与24#机组的可利用率、报表值出入较大。对各状态码的出现次数和占用时间进行分析, 11#机组各状态码占比结果如图 5所示。除去电网电压跌落、电网相角不平衡等电网故障原因和维护导致的停机外, 发现停机时间较长主要由变桨系统和偏航系统故障所致。

图 5 11#机组各状态码占比排序 Figure 5 The ranking of the status codes of unit 11#

对产生故障的原因进行分析, 发现11#机组的滑环碳刷磨损严重, 导致滑环内部有金属屑和碳粉等颗粒物堵塞在滑环的环形轨道上, 造成变桨通讯信号时断时续, 控制单元无法正常接受和反馈信号, 变桨通讯故障频发; 偏航系统油压过低、偏航时间过长等主要为偏航夹钳漏油所致, 除了夹钳的夹紧片质量未达标外, 还因为偏航操作频繁:偏航总次数达45 291次, 而其余机组的平均总次数为37 062次, 具体偏航数据如表 3所示。

表 3 偏航数据统计 Table 3 The statistic of yaw data

结合11#机组的风玫瑰图和地形等因素, 最终判定11#机组所处位置的来风受湍流和其他机组的尾流影响较大[12], 特别是在12月至次年2月, N为主风向时, 机组偏航频繁, 加速了偏航系统刹车夹钳的磨损。

3.3 提高机组利用率

针对风场中各机组存在的共同问题, 除了对各接线进行紧固外, 重点更换了碳刷, 机组定期维护时对滑环内部进行检查并清灰[13], 处理后全场机组因变桨通讯故障引起的停机时间大幅度降低。此外, 通过添加C型滤波器消除机组的谐振谐波[14]; 优化模式搜索算法, 避免在最大功率跟踪控制时频发变桨故障[15], 最终提高可利用率。

针对11#机组偏航故障停机时间较长的问题, 对风速风向仪进行更换和标北设定, 对偏航控制策略进行优化, 基于风速风向等历史数据对当日的主方向进行设定, 重新对无风期和低风期(风速 < 5 m/s)时的偏航误差角度进行设定, 避免无必要的小风期频繁偏航并提高偏航精度[16-20], 此外偏航解缆等方面进行优化, 采用在无风期主动解缆的模式来避免造成发电量的损失[21-25]。考虑尾流效应, 对11#机组偏航角度进行扇区设定, 避免11#反复受到湍流风的影响。

根据机组不同的停机类型, 对于停机后重新恢复运行发电的等待时间进行了优化, 其中如紧急停机的, 重新恢复运行前的机组自检功能不变, 而如维护停机或SCADA人为停机的, 机组处于半休眠状态, 省去一些非必要的自检过程, 机组复位后能快速运行发电, 无需花费更多的等待时间。

对原有机组中存在的多发故障进行排除和程序升级, 根据式(3)得到各机组的可利用率对比, 如图 6所示。各机组的可利用率有明显提升, 最终平均可利用率达到了97.92%。

图 6 各机组可利用率优化前后对比 Figure 6 The availability of each unit before and after optimization
4 结论

本研究针对现有风电机组时间可利用率计算值与实际值偏差较大的问题:

(1) 根据IEC61400-26-1中机组可利用类别的定义, 对主控系统中的各状态代码进行属性划分, 并改进可利用率的计算方式, 使兼顾业主和制造商的利益。

(2) 根据时间戳法计算各状态码的时间和次数占比, 对影响机组利用率较多的状态码频发的原因进行深入分析, 通过针对性优化达到提高机组可利用率的目的, 通过现场验证, 可利用率提高2.22%。

(3) 各状态码属性划分的标准应及早建立, 部分状态码在技术待机与超出环境条件停机分类上还需进一步统一, 推进基于状态码计算可利用率在风电场验收时的应用。

参考文献
[1] 秦冠军, 笃峻, 徐浩, 等. 基于风机状态细分的风机运营可靠性考核算法[J]. 可再生能源, 2014, 32(5): 668-672
QIN Guanjun, DU Jun, XU Hao, et al. Reliability assessment algorithm of wind turbine based on subdivided of wind turbine state[J]. Renewable Energy Resources, 2014, 32(5): 668-672
[2] 国家能源局. 风电场运行指标与评价导则: NB/T 31045—2013[S]. 北京: 中国标准出版社, 2014.
[3] 张瑞君. 风力发电机组性能考核方法探讨[J]. 能源技术经济, 2011, 23(11): 70-72
ZHANG Ruijun. Analysis on the performance evaluation method[J]. Electric Power Technologic Economics, 2011, 23(11): 70-72
[4] 姜锐. 风力发电机组可利用率浅析[C]//2008年中国电机工程学会年会论文集. 西安, 中国: 中国电机工程学会, 2008: 1-6.
JIANG Rui. Analysis of the utilization rate of wind turbine[C]//2008 China Electrical Engineering Society Annual Conference. Xi'an, China: China Electrical Engineering Society, 2008:1-6.
[5] 刘欣村, 陈磊. 基于状态码的风力发电机组可利用率计算[J]. 电网与清洁能源, 2016, 32(1): 85-88
LIU Xincun, CHEN Lei. Wind turbine availability calculation based on status code[J]. Advances of Power System and Hydroelectric Engineering, 2016, 32(1): 85-88
[6] 严淼. 一种风电场可利用率计算方法的实现[C]//2013电力行业信息化年会论文集. 北京, 中国: 中国电机工程学会, 2013: 551-553.
YAN Miao. A method for calculating the availability of wind farm[C]//Proceedings of the 2013 Annual Meeting of the Electric Power Industry Informatization. Beijing, China: China Electrical Engineering Society, 2013:551-553.
[7] IEC Central Office. Time-based availability for wind turbine generating systems:IEC 61400-26-1—2011[S]. Geneva: IEC, 2011.
[8] 徐卫峰, 赵刚, 郝勇生, 等. 风力发电机主控系统状态码设计与应用[J]. 风机技术, 2013(2): 59-63
XU Weifeng, ZHAO Gang, HAO Yongsheng, et al. Design and application of status code in wind turbine control system[J]. Compressor, Blower & Fan Technology, 2013(2): 59-63
[9] 和晓慧, 刘振祥. 风力发电机组状态监测和故障诊断系统[J]. 风机技术, 2011(6): 50-52
HE Xiaohui, LIU Zhenxiang. Condition monitoring and fault diagnosis system for wind turbine[J]. Compressor, Blower & Fan Technology, 2011(6): 50-52
[10] IEC Central Office. Wind turbines-Part 1:Design requirements:IEC61400-1—2005[S]. Geneva: IEC, 2006.
[11] 陈坤. 海上风力发电机组电控安全系统介绍[J]. 风机技术, 2011(4): 48-51
CHEN Kun. Introduction of electronic control system for offshore wind turbine[J]. Compressor, Blower & Fan Technology, 2011(4): 48-51
[12] 贾彦, 刘璇, 李华, 等. 考虑尾流效应对风电场机组布局的影响分析[J]. 可再生能源, 2014, 32(4): 429-435
JIA Yan, LIU Xuan, LI Hua, et al. Analysis of wind farm units layout considering wake effect[J]. Renewable Energy Resources, 2014, 32(4): 429-435
[13] 甘槐樟, 周鑫盛. 风电场风机变桨系统故障分析[J]. 湖南电力, 2012, 32(6): 35-37
GAN Huaizhang, ZHOU Xinsheng. Analysis of usual faults in pitch system of wind turbines[J]. Hunan Electric Power, 2012, 32(6): 35-37
[14] 赵伟国, 姜自民, 刘玉田, 等. 海上风电机组谐波适应性远端检测[J]. 山东大学学报(工学版), 2016, 46(4): 125-130
ZHAO Weiguo, JIANG Zimin, LIU Yutian, et al. Remote testing on harmonic adaptability of offshore wind turbines[J]. Journal of Shandong University (Engineering Science), 2016, 46(4): 125-130 DOI:10.6040/j.issn.1672-3961.0.2016.219
[15] 荆业飞, 徐蓓蓓, 张承慧, 等. 基于模式搜索的风能最大功率跟踪控制[J]. 山东大学学报(工学版), 2013, 43(5): 44-48
JING Yefei, XU Beibei, ZHANG Chenghui, et al. Maximum power point tracking control of wind energy based on pattern search[J]. Journal of Shandong University (Engineering Science), 2013, 43(5): 44-48
[16] 高阳, 钟宏宇, 陈鑫宇, 等. 基于神经网络和小波分析的超短期风速预测[J]. 可再生能源, 2016, 34(5): 705-711
GAO Yang, ZHONG Hongyu, CHEN Xinyu, et al. Ultra short term wind speed forecasting based on neural network and wavelet analysis[J]. Renewable Energy Resources, 2016, 34(5): 705-711
[17] HENRIKSEN L C. Intelligent control for wind turbine yaw system[J]. Wind Energy, 2011, 14(5): 72-95
[18] TORABI A, TARSAⅡ E. Fuzzy controller used in yaw system of wind turbine noisy[J]. Journal of Mathematics and Computer Science, 2014(8): 105-l12
[19] HENRIKSEN L C. Increased power capture by rotor speed—dependent yaw control of wind turbines[J]. Journal of Energy Engineering, 2013, 16(6): 1107-1115
[20] MIKKELSEN T, HANSEN K H, ANGELOU N, et al. Lidar wind speed measurements from a rotating spinner[J]. Europe's Premier Wind Energy Event Warsaw, 2012(4): 20-23
[21] 李晓燕. 兆瓦级风力机偏航控制系统设计研究[D]. 上海: 上海交通大学, 2006.
LI Xiaoyan. The design and research of the yaw control system for MW rated wind turbine[D]. Shanghai:Shanghai Jiaotong University, 2006.
[22] 金长生. 风力发电机偏航控制系统的研究[D]. 大连: 大连理工大学, 2010.
JIN Changsheng. The study of yaw control system of wind turbine[D]. Dalian:Dalian University of Technology, 2010.
[23] 沈小军, 杜万里. 大型风力发电机偏航系统控制策略研究现状及展望[J]. 电工技术学报, 2015, 30(10): 196-203
SHEN Xiaojun, DU Wanli. Expectation and review of control strategy of large wind turbines yaw system[J]. Transactions of China Electrotechnical Society, 2015, 30(10): 196-203 DOI:10.3969/j.issn.1000-6753.2015.10.027
[24] 张东东. 基于风向预测的风电机组偏航系统的研究[D]. 乌鲁木齐: 新疆农业大学, 2014.
ZHANG Dongdong. Study on wind turbine yaw system based on wind direction forecast[D]. Urumqi:Xinjiang Agricultural University, 2014.
[25] 叶杭冶. 风力发电机组的控制技术[M]. 北京: 机械工业出版社, 2002: 25-36.