Tab.1 Component failure frequency and downtime（%）
风机部件故障率占比停机时间占比 电气系统328 发电机236 齿轮箱148 偏航系统611 制动系统211 变桨系统1912 叶轮系统48
摘要 该文阐述了海上风力发电机组主要电气设备运行状态检修技术研究现状，分别介绍了状态监测、状态评价以及检修决策等，对未来海上风力发电机组电气设备状态检修技术发展方向进行了概述。通过大量文献研究表明，状态监测方面，发电机与变频器电气状态监测技术主要还是集中在电流特征分析、电压信号分析、功率分析等电气信号分析手段；通过时域、傅里叶变换、小波变换等信号处理手段提取特征参量；基于箱式变压器的电气状态监测技术相比于陆上大型电力变压器略显不足，可用于监测提取的状态参量较少。状态评价方面，相比于传统的物理模型与数据分析，神经网络模型与模糊评价仍是目前比较有效的方法。检修决策方面，目前更多的还是依靠传统的故障树以及马尔可夫、改进马尔可夫过程。伴随着技术进步与运维工作经验积累，多参量监测系统、部件-系统-整机的完善评价标准体系、综合机会检修、组合检修与排程优化的决策技术将成为海上风力发电机组运维领域未来发展的方向。
关键词：海上风力发电机组 电气设备 状态监测 状态评价 状态检修
作为海洋大国，我国具有广泛的海洋战略利益与战略资源。国家发展改革委、国家海洋局在联合印发《全国海洋经济发展“十三五”规划》中首次指出，海洋经济是未来中国经济的新增长点。到2020年，我国海洋经济发展空间将不断拓展，综合实力和质量效益将进一步提高，海洋产业结构和布局将更趋合理，海洋科技支撑和保障能力将进一步增强，海洋生态文明建设将取得显著成效，海洋经济国际合作将取得重大成果，海洋经济调控与公共服务能力将进一步提升，形成陆海统筹、人海和谐的海洋发展新格局。因此，创新海洋工程技术，合理开发和利用海洋资源具有重要的意义。建设海洋强国和发展海洋新能源是新时代的必然且迫切要求。作为海洋新能源的代表之一，海上风力发电具有能量密度大、资源广、稳定性好、占地少、靠近东部沿海地区等优点。发展海上风力发电不仅可以充分利用海洋资源，还可以加快我国发展绿色能源的步伐。
与陆上风电相比，海上风电不仅资源丰富，还具有对环境的负面影响较小、发电利用小时数高、风电机组距离海岸较远、视觉和噪声干扰小、不占用土地资源、机组易大型化发展、风电场易规模化开发等优点。另外，海上风电场一般靠近传统电力负荷中心，电网消纳问题易于解决，很大程度上减少了长距离输电问题。然而海上风电机组的运行维护成本较高，合理的运维已成为海上风电规模化建设以及实现全生命周期盈利的重要保障。
近些年来我国海上风电事业发展快速，市场正在逐步扩大，大规模建设与投运的海上风电机组对机组设备的运行可靠性、经济性与维修性都提出了更高的要求[1]。不同于陆上风电设备，海上风电机组面临更加复杂的环境条件，例如高温、高湿、盐雾腐蚀、雷电、台风等恶劣气候，导致风电机组事故频发[2]；可及性差、运输作业条件严苛等使得运维成本高出陆上风电1倍有余，且占总成本35%左右，高额的运维成本已经成为海上风力发电发展的主要限制因素[3]。同时，由于无法及时全面地了解风力发电机组设备及关键部件运行状况，维修模式主要采用表现预防性基于时间的计划维修和表现纠错性基于故障的事后维修的方式，一定程度上造成了设备“欠修”和“过修”的发生，进而不仅造成了设备意外故障率的增加，也进一步增大了运维成本[4]。海上风电机组是集机械、电气设备于一体的复杂多部件系统。长久以来，学者们针对叶轮系统[5]、齿轮箱[6]、主轴[7]等关键机械部件的检修工作开展了大量研究，电气设备受到的关注相对较少。然而常见机组故障中由发电机组故障、变频器故障、箱式变压器故障等为代表的电气系统故障虽然停机时间占比较低，但故障率所占比例很高，风机部件故障率与停机时间占比见表1[8]。
表1 风机部件故障率与停机时间占比
Tab.1 Component failure frequency and downtime（%）
风机部件故障率占比停机时间占比 电气系统328 发电机236 齿轮箱148 偏航系统611 制动系统211 变桨系统1912 叶轮系统48
目前海上风电机组电气设备的维修方式仍然以照搬陆上风电以及电力行业的经验为主，采取传统计划维修和事后维修的方式。然而面对高频发生、停机时间分散的电气故障，采取传统检修模式弊端明显，检修模式亟需改进[9]。体现预测性的基于设备状态的状态维修策略更加符合海上风电机组电气设备的运行特点[10]。通过对设备关键部件进行实时监测，对获得的各部件的信息进行相应处理及综合分析，然后根据分析结果，给出设备各部件运行状况报告或健康状态报告，确定计划维修和事后维修之间的最佳点，从而减少不必要的维修操作并节省非计划停机时间。有学者通过数学模型得出采用状态检修模式，每年可降低25%～50%的设备维修费用[3,11-12]。因此，推行海上风电机组电气设备状态检修工作很有必要。
目前主流的海上风电机组均为全功率变速恒频（Variable Speed Constant Frequency, VSCF）发电系统，其中以高速齿轮箱+笼型异步发电机+全功率变频器为技术路线的笼型异步发电系统与以永磁发电机+全功率变频器为技术路线的永磁直驱发电系统较为常见。笼型异步发电系统通过笼型型感应发电机（Squirrel Cage Induction Generator, SCIG）产生电能，利用全功率变频器，实现转子转速实时变化，而其所发出的电能频率保持固定不变与电网同步，其系统结构简化图如图1所示[13]。发电过程中，风机的桨叶在风的作用下旋转，将风能资源转换成机械能，通过齿轮箱的增速作用实现与笼型异步电机连接，发电机通过旋转将机械能转换为电能，全功率变频器将笼型异步电机输出的交流电转换为与电网相位频率相同的交流电，通过机组箱式变压器升压接入电网[14]。永磁直驱发电系统没有负责变速的齿轮箱部分，风轮机和永磁同步发电机（Permanent Magnet Synchronous Generator, PMSG）硬链接，转速相同。风能首先通过风轮叶片转换为动能，再带动电机转换为电能。最后通过全功率的变频器，将系统定子发出不稳定的三相交流电频率稳定在工频，并通过机组箱式变压器升压接入电网[15]，其系统结构简化图如图2所示。除了上述两类机型外，在永磁直驱发电系统的PMSG前端添加齿轮箱形成的永磁半直驱发电系统，与使用电励磁同步发电机（Electric Excitation Synchronous Generator, EESG）的电励磁直驱发电系统也是海上风电机组常见机型，如图3、图4所示[16]。不论何种发电系统，发电机、全功率变频器以及变压器是风力发电机组实现能量转换的重要电力设备，其运行状态与维修策略在很大程度上会影响风力发电机组的可靠性与经济性。在海上风电机组电气设备推行状态检修模式，流程大致分为状态监测、状态评价、检修策略导向与执行等步骤，本文将综述这几部分研究现状。
图1 笼型异步风力发电系统拓扑结构简化图
Fig.1 Simplified topological structure of squirrel cage asynchronous wind power generation system
图2 永磁直驱风力发电系统拓扑结构简化图
Fig.2 Simplified topological structure of permanent magnet direct drive wind power generation system
图3 永磁半直驱风力发电系统拓扑结构简化图
Fig.3 Simplified topological structure of permanent magnet semi-direct drive wind power generation system
图4 电励磁直驱风力发电系统拓扑结构简化图
Fig.4 Simplified topological structure of direct drive wind power generation system with electric excitation
对海上风电机组运行数据进行连续实时监测是评价机组当前时刻的运行状态，制定维修决策的前提[17]。通过对设备运行过程中所表现出的各种外部征兆信息进行感知，提取反映状态的有效数据，可以为评价设备健康状态、故障诊断与决策提供依据，以此在事故发生前或需要时及时开展维修作业[18]。因此，状态监测技术是实现状态检修的基础环节。
2.1.1 发电机状态监测技术研究现状
针对笼型异步发电机的状态监测参量与传统双馈型机组相近，主要包括发电机的振动、转速、定子线圈温度、定子电压、定子与转子电流、发电机输出功率等信号[2]，之后再对监测的参量信号进行处理、挖掘、特征提取等手段实现电机状态监测，预警常见的电气故障，例如线圈短路、绝缘损坏、三相不平衡、转子偏心等。目前最普遍的监测方法是利用定子电流谱进行发电机电流特征分析（Motor Current Signature Analysis, MCSA）[19]。例如线圈短路中的匝间短路可通过提取定子电流谐波成分来监测分析[20-21]；文献[22]则通过负序电流作为特征量表征匝间短路。然而当短路匝数较少时，定子电流变化量非常微小，谐波成分或负序电流较难被检测，文献[23]发现，发电机定子三相电流Park矢量轨迹变化随着短路故障的加重而明显，可以作为表征参量。除了利用定子电流谱进行监测外，文献[24]发现，定子匝间短路时，转子平均瞬时功率谱中的2倍频谐波变化最明显，可以作为笼型异步发电机定子绕组匝间短路的故障特征量。也有学者在传统电流分析的基础上加以改进，例如文献[25]根据多回路理论和发电机的数学方程，分析了电机的短路故障电流的谐波情况，并采用希尔伯特-黄变换（Hilbert-Huang Transform, HHT）方法和基于集合经验模态的希尔伯特-黄变换（Ensemble Empirical Mode Decomposition-HHT, EEMD-HHT）方法对电流进行分析处理，能够做到对电机故障的发生进行判别和对故障进行“筛选”。另一种常见的故障为相间短路，主要包括定子单相、多相短路。除了利用定子电流谱进行监测外，实验结果表明，发电机瞬时功率谱比传统的定子电流谱具有更多的相间短路相关信息[26]，可以作为表征参量；同时，温度在发电机发生相间短路时会发生明显的变化，故障特征会随着短路时间的增加更加明显[27]，故而温度也可作为表征量；此外，绕组故障时，磁场中通常存在不对称现象，可通过提取特定故障频率来进行监测[13]。定子三相不平衡也是发电机常见的电气故障，不平衡会引起发电机电流和功率输出的变化，因而从电流信号谐波含量的变化可以检测出不平衡[28]。除了监测电气特性外，文献[29]应用连续小波变换提取发电机有功功率特征信息，用于判断转子偏心或轴承损坏等机械故障。
针对永磁直驱发电机、半直驱和电励磁直驱发电机的状态监测参量与笼型异步发电机大致相同，主要包括发电机的振动、转速、定子线圈温度、定子电压、定子与转子电流、发电机输出功率等信号。不同于笼型异步发电机，永磁电机故障大致可以分为三类：电气故障、机械故障和永磁体故障[30]。定子电流谱特征分析也是目前应用最为广泛的手段，通过采用傅里叶变换、小波变换、希尔伯特变换、经验模态分析、Wigner-Ville分布等方法处理信号以获取特征参量，进而对发电机状态进行监测。例如文献[31]利用快速傅里叶变换（Fast Fourier Transform, FFT）对q轴电流进行频谱分析来诊断匝间短路故障。文献[32-35]利用FFT对定子电流进行频谱分析来诊断匝间短路和转子偏心故障。文献[36-37]采用小波变换和希尔伯特变换对定子电流进行分析来诊断永磁体退磁故障。文献[38]采用经验模态分析与Wigner-Ville分布相结合的方法分析定子电流用于诊断匝间短路故障。
除了上述基于两种发电机的特征信号监测外，构建发电机模型解析的方法也是目前较为常见的监测手段。例如文献[39]根据永磁电机匝间短路故障情况下的数学模型，利用扩展卡尔曼滤波器估算永磁电机匝间短路的故障匝数，作为故障特征量用于诊断匝间短路故障。也有学者构建了发电机匝间短路情况的数学模型，发现发电机故障相电流远大于正常状态时的相电流，三相电流之间的相位不再对称[40-41]。
2.1.2 变频器状态监测技术研究现状
变频器是风电机组重要的电气设备，也是故障频率最高的设备之一[42]，陆上机组变频器中不同元件的故障率分布如图5所示[13]。电容器、印制电路板和功率半导体器件IGBT是三个故障率较高的关键部件，其故障通常是由温度、振动和湿度三个主要因素直接或间接引起的，其中温度是最主要的因素[43]，例如IGBT模块中最常见的失效模式是由封装材料经历的热机械疲劳应力引起的封装失效。
图5 变频器中不同元件的故障率分布
Fig.5 Fault rate distribution of different components in converter
区别于陆上机组，大容量海上风电机组变频器采用全功率模式，发电功率经变频器全功率变换后接入电网，变频器的容量与发电机容量相匹配，使得发电机和电网完全解耦，提升了风电机组的电网适应性。由于海上风电功率波动剧烈，面临盐雾浓度高、湿度大、灾害性天气频发等特点，变频器的安全运行和状态监测也区别于陆上机组[44]，然而功率半导体器件依然是海上风电机组变频器中最为脆弱的部件，开路故障为其主要故障类型。
通常情况下变频器功率器件的内部热阻增加20%可作为功率模块基本失效的依据之一[45]。然而，在海上高开关频率工况及复杂噪声环境下，采用功率模块内部的传感器很难监测到这些微弱的特征量信号，需要采取其他手段。目前变频器监测方法实现主要有基于三相电流信号、基于三相电压信号以及基于IGBT状态参量信号三种类型[46]。
基于电流的监测可以用来判断变频器中电力电子器件IGBT的开路故障，通过利用时域分析[47]、电流Park矢量法[48]、归一化直流法[49]、负载电流分析法[50]和电流模式识别法[51]等手段进行故障判断[52]。相比电流监测，基于三相电压监测的方法不受基波周期限制，具有较快的故障定位速度，文献[53]指出，当电压下降到同一水平时，较高基板温度的IGBT下降沿需要更长的时间，可以此作为特征参量；文献[54]也利用FFT等信号处理方法从逆变器系统输出电压中提取特征信号实现故障诊断。除电信号特征量之外，基于IGBT状态参量信号也有应用，例如在运行过程中变流器功率模块温度监测值可作为反映器件状态的重要特征量。虽然目前直接在线测量功率器件的结温可行性较低，但是由于结温影响功率模块内部损耗，表征运行状态的温度信号可从外部数据间接获得[55]。文献[56-57]利用功率模块外部的温度测量值计算其功率损耗随温度变化的情况，通过电气运行点参数，如电压、电流及功率因数等计算动态功率损耗。文献[58]提出将栅极阀电压、跨导和导通压降这三个电参数作为IGBT模块的状态监测特征参量。除了对上述信号监测的研究之外，也有学者选择从机组变频器的建模和控制策略入手提取表征参量[59-64]。
2.1.3 变压器状态监测技术研究现状
箱式变压器是大容量海上风电机组中重要的电气设备之一，主要功能为提升电压等级便于能量传输[65]。传统大容量电力变压器的状态监测多利用油中溶解气体分析（Dissolved Gas Analysis, DGA）方法中的三比值法以及改进的DGA方法进行[66]，常见的变压器故障基本可以通过此种方法识别，监测技术与分析手段已经比较成熟。
然而不同于传统的电力行业中的变压器采用油浸式，海上风电机组所用的变压器大部分为干式箱式变压器[67]，无法通过经典的DGA方法实现变压器的监测与诊断，同时用以反映箱式变压器状态的参量也较少。目前针对变压器的状态监测主要依靠温度监测、局部放电分析和频率响应分析[68]、数据采集与监视控制系统（Supervisory Control And Data Acquisition, SCADA）数据的深度挖掘等手段。在此基础上，实际运行中机组箱式变压器主要依靠例行巡检的方式进行离线监测，结合专家经验对变压器进行后续评价工作，对现场运维人员技术要求较高。
状态监测技术研究现状小结见表2。整体而言，目前基于海上风电机组中发电机以及变频器的电气状态监测技术主要还是集中在电流特征分析、电压信号分析、功率分析等电气信号分析手段。通过时域、傅里叶变换、小波变换等信号处理手段提取特征参量；基于箱式变压器的电气状态监测技术相比于陆上大型电力变压器略显不足，可用于监测提取的状态参量较少。
现有的海上风电机组电气设备状态监测技术可供分析的信号大部分源自于SCADA系统数据，能够完整反映设备状态的信号来源较少，且部分信号采集精度不满足分析要求。如需对典型电气设备进行全面监测，一方面需要加装电气信号采集装置，弥补监测信号来源不足以及精度低的问题；一方面针对采集信号提取特征参量时采取的分析方法也需改进，在传统时域、频域等分析方法基础上采用新的融合类分析方法；另一方面，海上风电机组中电气设备与叶轮系统、传动系统等机械部件间存在比较强的联系，状态量转移频繁，因而基于多种不同部件的状态参量共同表征，如利用叶片监测信息结合发电机参量共同实现发电机全面状态监测有望成为未来状态监测技术发展的重要方向。
表2 状态监测技术研究现状小结
Tab.2 Summary of research status of condition monitoring
风机部件监测参量特征参量提取手段特征参量特点 发电机定子电压、定子与转子电流、发电机输出功率定子电流特征分析、时域频域变换电流谐波采样频率要求较高，部分特征参量无法快速响应发电机状态变化 负序电流 电流频谱 瞬时功率谱 Park矢量 振动信号、转速、定子线圈温度、磁信号振动信号频谱分析、磁信号频谱分析振动频谱振动频谱与温度对于初期状态异常有一定滞后性、磁信号获取难度较大 温度 磁信号频谱 变频器三相电流信号时域分析、电流Park矢量法、归一化直流法、负载电流分析法等电流特征频谱受基波周期限制 三相电压信号电压波动监测，时域频域变换电压下降至同一水平时间、逆变系统输出电压不受基波周期限制，具有较快的故障定位速度 状态参量信号利用电压、电流及功率因数等计算动态功率损耗用功率损耗表征结温准确性仍需提高 变压器温度温度监测—可供分析参量较少 电气信号时域频域变换电流谐波、电流频谱
海上风电机组电气设备状态评价技术是在状态监测的基础上，通过分析设备运行过程中反映状态的有效数据，评价设备健康状态，提供检修策略导向。因此，状态评价技术是实现状态检修的重要环节。早期风电电气设备状态评价技术主要有基于物理模型的评价方法（利用状态方程、参数模型估计和辨识等方法产生残差，然后基于某种准则阈值对该残差进行评价）[69]以及基于SCADA数据的状态评价方法（采用基于数据驱动的多参数融合方法）[70-71]。然而两种方法存在过度依赖模型准确性和历史数据的问题，因此学者们在此基础上开展研究，发现大数据及人工智能聚类算法在信息相关性分析、推理、优化决策方面拥有优势，可有效应用于复杂非线性系统的状态评价[18,21,72-73]。
神经网络模型以及改进的神经网络模型是目前研究较多的一种状态评价方法。文献[74]采用小波神经网络方法实现发电机状态评价与故障预警；文献[75]建立了一种运行工况自适应神经网络故障预警模型，利用SCADA数据监测风机关键部件的健康状况；文献[76]采用基于Levenberg Marquadt梯度下降法和牛顿法的BP（back propagation）神经网络实施状态评价；文献[77]从数据挖掘的角度分析对发电机轴承温度影响最大的参数，在此基础上用人工神经网络模型预测发电机轴承温度；文献[78]应用离散小波变换、特征提取、遗传算法和神经网络技术开发了一个异步电动机在线状态监测系统，通过监测电机空载和满负荷工况下的电气信号实现电机状态的实时评价和预警。
另一种模糊状态评价方法，由于符合风电机组存在大量的渐变性故障，且故障的发展通常要经过一个漫长且具有模糊性的中间过渡过程的特性，得到了广泛应用。例如文献[69]提出一种海上风电机组多层次模糊综合状态评价模型，并改进了指标权重计算方法；文献[79]应用变权理论解决了个别关键参数严重偏离正常值，导致人工判断与模糊评价模型结果不一致的问题；文献[80]引入灰色理论，改进了模糊评价策略，提高了模糊评价模型的准确度；文献[81]根据风电机组各部件的运行状态的相似云及模糊综合评价建立模型，考虑风机的实时运行状态对于相应部件劣化度的影响。
信息融合法也是传统电力设备状态评价的方法之一，例如文献[82]基于人工神经网络和证据理论完成了变压器状态评价模型的构建。然而信息融合法多用于大容量油浸式变压器的评价，在海上风电机组变压器领域应用较少。
状态评价技术研究现状小结见表3。当前风电机组电气设备状态评价技术研究还是着重在评价模型的建设与优化，以神经网络模型与模糊评价为代表，学者们开展了大量的研究工作。然而，目前业内尚未形成统一的设备以及整机评价标准，实际风电机组运维工作中针对设备的状态评价方式较为单一，主要依靠故障报警信号以及例行巡检结果，缺乏细化的状态分级与状态劣化过程展现，使得依据设备实际状态而开展的检修工作难度较大。如需推行海上风电机组电气设备状态检修工作，作为实现状态检修的重要环节与关键依据，制定可行的状态评价标准将成为关键。未来全寿命周期管理体系有望成为全面管控海上风电机组的主流技术、这其中，基于设备-整机健康指数编制健康档案并进行动态跟踪，通过特征量的动态变化分析获取相应的健康等级，再精准定位病灶，给出警报信息将是发展方向。
表3 状态评价技术研究现状小结
Tab.3 Summary of research status of condition evaluation
评价方法评价手段特点 基于物理模型基于状态方程、参数模型估计和辨识等方法产生残差，根据某种准则阈值对该残差进行评价过度依赖模型准确性 基于数据驱动的多参数融合方法过多依赖历史数据 神经网络模型小波神经网络可有效应用于复杂非线性系统的状态评价；神经网络模型建立与训练较为复杂 运行工况自适应神经网络 梯度下降法、牛顿法改性BP神经网络 遗传算法改进神经网络 模糊状态评价多层次模糊综合状态评价适用于渐变性故障，且故障的发展通常要经过一个漫长且具有模糊性的中间过渡过程 变权理论模糊评价 灰色理论模糊评价
海上风电机组电气设备检修决策技术是在状态监测和评价的基础上，制定检修策略与实施方案，是实现状态检修的最终环节[83]。主要内容分为待修机组或设备维修方式决策和具体维修作业任务的排程优化两部分。
基于设备可靠性的检修（Reliability Centered Maintenance, RCM）决策是较为常见的决策技术，可分为静态可靠性（基于故障模式与故障树等）与动态可靠性分析（例如马尔可夫过程）[84]。文献[85]选择典型故障模式为研究对象，运用RCM维修理论分析方法对其进行故障模式失效影响分析和故障树分析，在此基础上选择相应的理论方法进行维修方式和维修方案决策；在实际检修中，由于系统时刻会发生状态相互转移，为应对考虑持续时间的因素，有学者提出了半马尔可夫决策过程。文献[86]提出基于半马尔可夫决策过程的风机多状态维修优化模型，分析各退化状态下的维修策略，用策略迭代法确立部件的最优维修决策；文献[87-88]考虑了风电机组在天气以及季节影响下最优的维修策略制定方式。文献[89]在对双馈风力发电系统运行原理和故障机制分析基础上，建立了风力发电系统中发电机、变流器的可靠性概率数学模型，在考虑随机故障和老化故障的情况下，提出基于半马尔可夫过程的改进型多劣化状态维修模型。
考虑到海上风电机组位置的分散性，除了传统的基于时间和基于状态的维修策略，在海上风电维修决策中引入机会维修的概念受到了关注：文献[90]将机会维修的概念引入风电机组预防性维修决策中，研究了在进行定期维修、事后维修的基础上同时实施机会维修的可行性；文献[9]将状态监测技术和比例失效模型应用于风电机组维修决策，提出了状态-机会维修策略；也有学者提出针对海上风电系统的机会维修优化模型，采用传统的机组检修非线性整数规划模型，引入机会维护约束，对某海上风电场的维护时间做出安排[91]。
此外，组合维修策略也因符合海上风电场特性，受到了学者们的关注。文献[92-93]考虑时间窗口和维修需求等因素，应用蚁群优化算法，实现组合维修优化模型，提高了海上风电场的运维效率；文献[94]利用混合整数规划方法研究了适宜大型运维公司对海上风电场维修任务进行组合优化的算法；文献[95]采用蒙特卡洛仿真方法，建立面向组合维修的海上风电场运维模型；文献[96]在分析国内外状态检修现状的基础上，以状态检修理论和全面规范化生产维护（Total normalized Productive Maintenance，TnPM）理论为基础，尝试将TnPM维修体系应用到风电企业状态检修过程中，规范风电企业生产和维修流程，提高作业安全性和生产效率。
检修决策技术研究现状小结见表4。海上风电机组电气设备维修方式决策目前更多的还是依靠传统的故障树以及马尔可夫、改进马尔可夫过程。基于状态的维修，机会维修和组合维修是维修决策中常见的几类决策结果；维修任务排程优化研究中，学者们通过引入天气、季节、风浪等因素建立维修模型，可使运维效率进一步提高。然而，当前研究重点仍在模型优化阶段，在检修工作中实际应用并取得良好反馈的实例较少。
表4 检修决策技术研究现状小结
Tab.4 Summary of maintenance decision making
维修模式决策方法特点 基于设备可靠性的检修静态可靠性：基于故障模式失效影响分析和故障树分析需完备的故障树模型与各类失效模式且不适用于状态转移频繁的系统 动态可靠性分析：马尔可夫、半马尔可夫决策过程适用于各退化状态下的维修策略制定；模型较为复杂且需要设备全生命状态数据积累 机会维修利用状态监测技术和比例失效模型建立状态-机会维修策略、非线性规划适应海上风电机组位置的分散性 组合维修混合整数规划方法、蒙特卡洛仿真有利于维修任务排程优化；需要综合考虑时间窗口、天气、季节和维修需求等因素
随着互联网技术、大数据处理技术的应用，基于状态监测、状态评价、检修策略制定的状态检修技术将成为海上风力发电机组电气设备运维领域未来发展的方向之一。虽然国内外学者对风电机组的状态检修相关工作开展了大量的研究，从不同角度分析了设备状态维护优化模型，对于提高海上风机可靠性、减少运行维护成本有着重要的意义。然而海上风电机组是集机械、电气于一体的复杂多部件系统，电气设备不是孤立的系统，其故障模式及运行状态复杂多样。要在海上风电场推行电气设备状态检修模式，还存在很多问题亟待解决，未来的研究方向将会向以下几方面倾斜。
1）海上风电机组电气设备多参量状态监测系统基于电气设备的状态检测技术仍有待进一步发展。相比于风电机组的机械传动部件，例如叶片、齿轮箱等，发电机、变频器和变压器的在线可获取状态参量较少，例如对于发电机状态的在线监测主要集中在定子电流分析，变压器的监测参量缺乏等；另一方面，部分可提供判断设备健康状态的参量提取难度较大，例如用于进行频谱分析的电流信号对采样频率要求较高，同时对信号性噪比以及衰减率也均有较高的依赖。除此之外，电气设备的状态监测主要依赖于对自身特征参量的提取，并未与机组其他部件以及设备形成完整的状态传递链，即通过对典型机械设备的状态量提取推演电气设备的状态，反之亦可。未来基于多参量的状态监测将成为这部分研究工作的发展方向，利用多部件多状态参量表征单一设备状态将成为研究的热点。
2）海上风电机组电气设备状态评价体系
基于电气设备的状态评价技术缺乏统一的标准。目前海上风电电气设备状态评价更多的依靠专家系统、故障模式与历史故障数据、评价模型等方式给予设备健康程度评价，对专家、设备历史数据以及模型的准确度均有较高的要求，且普适性较差。行业内缺乏可执行度高的统一标准指导工作，并未形成完善的评价标准体系。未来运维人员以及研究学者们应着重致力于开展此方面研究工作，结合海上风电场历史运行数据、维护数据等，建立部件-系统-整机的完善评价标准体系。完善的评价标准体系将成为成功推行海上风电机组状态检修的重中之重。
3）海上风电机组电气设备检修工作应用
基于电气设备的状态检修工作缺乏实际应用。目前大多数研究工作重点关注状态监测，状态评价以及维修决策。虽然已有对检修实施以及检修流程优化的研究，然而大部分仍然停留在模型研究与部分优化阶段。状态检修工作最终必然是设备的检修以及跟踪反馈，实际检修工作面临的作业环境与边界条件远比优化模型复杂，如何根据实际问题改进、调整检修实施模型，使其更加符合现场作业要求将成为专家学者们研究的核心问题之一。
4）直驱式风电机组研究
未来大容量海上风电机组中，风电的全功率变换和超大容量化是发展趋势，容量将进入10MW级，永磁直驱型发电系统将成为主流。伴随着容量的进一步提升和高压大电流宽禁带器件的技术突破，风力发电机组电气系统的拓扑结构研究以及采用模块化多电平或级联多电平拓扑的海上风电变频器开发将成为研究热点。
参考文献
[1] Willis D J, Niezrecki C, Kuchma D, et al. Wind energy research: state-of-the-art and future research directions[J]. Renewable Energy, 2018, 125: 133-154.
[2] Kang Jichuan, Sobral J, Soares C G. Review of condition-based maintenance strategies for offshore wind energy[J]. Journal of Marine Science and Application, 2019, 18(1): 1-16.
[3] Lu Yang, Sun Liping, Zhang Xinyue, et al. Condition based maintenance optimization for offshore wind turbine considering opportunities based on neural network approach[J]. Applied Ocean Research, 2018, 74(1): 69-79.
[4] Zhang Chen, Gao Wei, Yang Tao, et al. Opportunistic maintenance strategy for wind turbines considering weather conditions and spare parts inventory management[J]. Renewable Energy, 2019, 133: 703-711.
[5] 绳晓玲. 叶轮不平衡故障下双馈风力发电机运行特性分析及控制研究[D]. 北京: 华北电力大学, 2017.
[6] Wang Tianyang, Han Qinkai, Chu Fulei, et al. Vibration based condition monitoring and fault diagnosis of wind turbine planetary gearbox: a review[J]. Mechanical Systems and Signal Processing, 2019, 126: 662-685.
[7] Liu Zepeng, Zhang Long. A review of failure modes, condition monitoring and fault diagnosis methods for large-scale wind turbine bearings[J]. Measurement, 2020, 149: 107002.
[8] Estefania A, Sergio M M, Andrés H E, et al. Wind turbine reliability: a comprehensive review towards effective condition monitoring development[J]. Applied Energy, 2018, 228: 1569-1583.
[9] 张路朋. 风电机组的状态机会维修策略[D]. 北京:华北电力大学. 2015.
[10] Jin Tongdan, Mechehoul M. Minimize production loss in device testing via condition-based equipment maintenance[J]. IEEE Transactions on Automation Science and Engineering, 2010, 7(4): 958-963.
[11] Varvara M, Athanasios J K. Techno-economic optimisation of offshore wind farms based on life cycle cost analysis on the UK[J]. Renewable Energy, 2019, 132: 439-454.
[12] Lerch M, De-Prada-Gil M, Molins C, et al. Sensitivity analysis on the levelized cost of energy for floating offshore wind farms[J]. Sustainable Energy Technologies and Assessments, 2018, 30: 77-90.
[13] Qiao Wei, Lu Dingguo. A survey on wind turbine condition monitoring and fault diagnosis—part I: components and subsystems[J]. IEEE Transactions on Industrial Electronics, 2015, 62(10): 6536-6545.
[14] Scheu M N, Tremps L, Smolka U, et al. A systematic failure mode effects and criticality analysis for offshore wind turbine systems towards integrated condition based maintenance strategies[J]. Ocean Engineering, 2019, 176: 118-133.
[15] 郝东晏. 永磁直驱式风力发电机系统的仿真与建模分析[D]. 石家庄: 河北科技大学, 2018.
[16] Honrubia E A, Gómez L E, Fortmann J, et al. Generic dynamic wind turbine models for power system stability analysis: a comprehensive review[J]. Renewable and Sustainable Energy Reviews, 2018, 81: 1939-1952.
[17] 傅质馨, 袁越. 海上风电机组状态监控技术研究现状与展望[J]. 电力系统自动化, 2012, 36(21): 121-129.
Fu Zhixin, Yuan Yue. Status and prospects on condition monitoring technologies of offshore wind turbine[J]. Automation of Electric Power Systems, 2012, 36(21): 121-129.
[18] 张登峰. 风力发电设备状态评价系统设计[D]. 郑州: 郑州大学, 2011.
[19] Mérigaud A, Ringwood J. Condition-based maintenance methods for marine renewable energy[J]. Renewable and Sustainable Energy Reviews, 2016, 66: 53-78.
[20] Abadi M B, Cruz S, Goncalves A P, et al. Inter-turn fault detection in doubly-fed induction generators for wind turbine applications using the stator reactive power analysis[C]//3rd Renewable Power Generation Conference, Naples, Italy, 2014, 8: 29.
[21] Henao H, Capolino G A, Fernandez C M, et al. Trends in fault diagnosis for electrical machines: a review of diagnostic techniques[J]. IEEE Industrial Electronics Magazine, 2014, 8(2): 31-42.
[22] 马宏忠, 张志艳, 张志新, 等. 双馈异步发电机定子匝间短路故障诊断研究[J]. 电机与控制学报, 2011, 15(11): 50-54.
Ma Hongzhong, Zhang Zhiyan, Zhang Zhixin, et al. Research on DFIG stator winding interturn short circuit fault[J]. Electric Machines and Control, 2011, 15(11): 50-54.
[23] 魏书荣, 符杨, 马宏忠. 双馈风力发电机定子绕组匝间短路诊断与实验研究[J]. 电力系统保护与控制, 2010, 38(11): 25-28.
Wei Shurong, Fu Yang, Ma Hongzhong. Stator winding inter-turn short-circuit diagnosis and experimental research on doubly-fed wind generator[J]. Power System Protection and Control, 2010, 38(11): 25-28.
[24] 马宏忠, 张艳, 魏海增, 等. 基于转子平均瞬时功率的双馈异步发电机定子绕组匝间短路故障诊断[J]. 电力自动化设备, 2018, 38(4): 151-156.
Ma Hongzhong, Zhang Yan, Wei Haizeng, et al. Diagnosis of stator winding inter-turn short circuit in DFIG based on instantaneous average power in rotor side[J]. Electric Power Automation Equipment, 2018, 38(4): 151-156.
[25] 于海波. 双馈异步风力发电机定子匝间短路故障诊断研究[D]. 北京: 华北电力大学, 2015.
[26] Zaher A, McArthur S, Infield D, et al. Online wind turbine fault detection through automated SCADA data analysis[J]. Wind Energy, 2009, 12(6): 574-593.
[27] Yang Wenxian, Tavner P J, Wilkinson M. Condition monitoring and fault diagnosis of a wind turbine synchronous generator drive train[J]. IET Renewable Power Generation, 2009, 3(1): 1-11.
[28] Martin R G, Joan P L, Vicente C A, et al. Diagnosis of induction machines under non-stationary conditions: concepts and tools[C]//2013 IEEE Workshop on Electrical Machines Design, Control and Diagnosis (WEMDCD 2013), Paris, France, 2013: 220-231.
[29] Watson S, Xiang B J, Yang Wenxian, et al. Condition monitoring of the power output of wind turbine generators using wavelets[J]. IEEE Transactions on Energy Conversion, 2010, 25(3): 715-721.
[30] 杭俊. 永磁直驱风力发电机组故障诊断技术研究[D]. 南京: 东南大学, 2016.
[31] Kim K H. Simple online fault detecting scheme for short-circuited turn in a PMSM through current harmonic monitoring[J]. IEEE Transactions on Industrial Electronics, 2011, 58(6): 2565-2568.
[32] Yassa N, M'hemed R. Modeling and detecting the stator winding inter turn fault of permanent magnet synchronous motors using stator current signature analysis[J]. Mathematics and Computers in Simulation, 2020, 167: 325-339.
[33] Ebrahimi B M, Faiz J. Diagnosis and performance analysis of three-phase permanent magnet synchronous motors with static, dynamic and mixed eccentricity[J]. IET Electric Power Applications, 2010, 4(1): 53-66.
[34] Ebrahimi B M, Faiz J, Araabi B N. Pattern identification for eccentricity fault diagnosis in permanent magnet synchronous motors using stator current monitoring[J]. IET Electric Power Applications, 2010, 4(6): 418-430.
[35] Ebrahimi B M, Faiz J, Roshtkhari M J. Static-, dynamic-, and mixed-eccentricity fault diagnoses in permanent-magnet synchronous motors[J]. IEEE Transactions on Industrial Electronics, 2009, 56(11): 4727-4739.
[36] Rosero J, Romeral L, Ortega J A, et al. Demagnetization fault detection by means of Hilbert-Huang transform of the stator current Decomposition in PMSM[C]//2008 IEEE International Symposium on Industrial Electronics, Cambridge, England, 2008: 1-5.
[37] Riba R, Garcia E A, Romeral L, et al. Detection of demagnetization faults in permanent-magnet synchronous motors under nonstationary conditions[J]. IEEE Transactions on Magnetics, 2009, 45(7): 2961-2969.
[38] Rosero J A, Romeral L, Ortega J A, et al. Short-circuit detection by means of empirical mode decomposition and Wigner-Ville distribution for PMSM running under dynamic condition[J]. IEEE Transactions on Industrial Electronics, 2009, 56(11): 4534-4547.
[39] Aubert B, Regnier J, Caux S, et al. Kalman-filter-based indicator for online interturn short circuits detection in permanent-magnet synchronous generators[J]. IEEE Transactions on Industrial Electronics, 2015, 62(3):1921-1930.
[40] 王栋. 双馈感应发电机绕组匝间短路故障分析[D]. 保定: 华北电力大学, 2014.
[41] 王德艳. 双馈式风力发电机定子绕组匝间短路的故障特征分析[D]. 保定: 华北电力大学, 2012.
[42] 李辉, 刘盛权, 冉立, 等. 大功率并网风电机组变流器状态监测技术综述[J]. 电工技术学报, 2016, 31(8): 1-10.
Li Hui, Liu Shengquan, Ran Li, et al. Overview of condition monitoring technologies of power converter for high power grid-connected wind turbine generator system[J]. Transactions of China Electrotechnical Society, 2016, 31(8): 1-10.
[43] Wang Huai, Liserre M, Blaabjerg F. Toward reliable power electronics: challenges, design tools, and opportunities[J]. IEEE Industrial Electronics Magazine, 2013, 7(2): 17-26.
[44] 姚芳, 胡洋, 李铮, 等. 基于结温监测的风电IGBT热安全性和寿命耗损研究[J]. 电工技术学报, 2018, 33(9): 2024-2033.
Yao Fang, Hu Yang, Li Zheng, et al. Study on thermal safety and lifetime consumption of IGBT in wind power converters based on junction temperature monitoring[J]. Transactions of China Electrotechnical Society, 2018, 33(9): 2024-2033.
[45] Yang Shaoyong, Xiang Dawei, Bryant A, et al. Condition monitoring for device reliability in power electronic converters: a review[J]. IEEE Transactions on Power Electronics, Cambridge, UK, 2010, 25(11): 2734-2752.
[46] 杨姮. 风电并网变流器故障模拟实验平台设计与实现[D]. 重庆: 重庆大学, 2018.
[47] 陈昭宇. 基于知识库的变流器故障诊断研究[D]. 上海: 上海交通大学, 2013.
[48] Mendes A M S, Cardoso A J M. Voltage source inverter fault diagnosis in variable speed AC drives, by the average current Park's vector approach[C]// IEEE International Electric Machines and Drives Conference, Seattle, USA, 1999: 704-706.
[49] Lamb J, Mirafzal B. Open-circuit IGBT fault detection and location isolation for cascaded multilevel converters[J]. IEEE Transactions on Industrial Electronics, 2017, 64(6): 4846-4856.
[50] 于泳, 蒋生成, 杨荣峰, 等. 变频器IGBT开路故障诊断方法[J]. 中国电机工程学报, 2011, 31(9): 30-35.
Yu Yong, Jiang Shengcheng, Yang Rongfeng, et al. IGBT open circuit fault diagnosis method for inverter[J]. Proceedings of the CSEE, 2011, 31(9): 30-35.
[51] Sobanski P, Orlowska K T. IGBT open-circuit fault diagnosis based on the current prediction in the line-side AC/DC converter[C]//2017 IEEE International Conference on Industrial Technology, Toronto, Canada, 2017: 113-118.
[52] Im W S, Kim J S, Kim J M, et al. Diagnosis methods for IGBT open switch fault applied to 3-phase AC/DC PWM converter[J]. Journal of Power Electronics, 2012, 12(1): 120-127.
[53] Xiang Dawei, Ran Li, Tavner P, et al. Condition monitoring power module solder fatigue using inverter harmonic identification[J]. IEEE Transactions on Power Electronics, 2012, 27(1): 235-247.
[54] Rothenhagen K, Fuchs F W. Performance of diagnosis methods for IGBT open circuit faults in three phase voltage source inverters for AC variable speed drives[C]//2005 IEEE 11th European Conference on Power Electronics and Applications, Dresden, Germany, 2005: 1-7.
[55] Xiang Dawei, Ran Li, Tavner P, et al. Monitoring solder fatigue in a power module using case-above-ambient temperature rise[J]. IEEE Transactions on Industry Applications, 2011, 47(6): 2578-2591.
[56] 刘建涛, 王治华, 王珂. 不同结构电压源换流器损耗对比分析[J]. 电力系统保护与控制, 2013, 41(6): 105-110.
Liu Jiantao, Wang Zhihua, Wang Ke. Comparative analysis of losses of voltage source converters with different structures[J]. Power System Protection and Control, 2013, 41(6): 105-110.
[57] 徐铭伟, 周雒维, 杜雄, 等. NPT型IGBT电热仿真模型参数提取方法综述[J]. 电力自动化设备, 2013. 33(1): 134-141.
Xu Mingwei, Zhou Luowei, Du Xiong, et al. Review of parameter extraction methodology for electro-thermal simulation model of NPT IGBT[J]. Electric Power Automation Equipment, 2013, 33(1): 134-141.
[58] Patil N, Das D, Goebel K, et al. Identification of failure precursor parameters for insulated gate bipolar transistors (IGBTs)[C]//2008 International Conference on Prognostics and Health Management, New York, USA, 2008: 1-5.
[59] 孙建建. 双馈风机双PWM变频器的建模及控制策略研究[D]. 北京: 华北电力大学, 2018.
[60] 黄涛, 陈民铀, 赖伟, 等. 计及疲劳累积及健康状态的风电变流器可靠性评估模型[J]. 电工技术学报, 2018, 33(20): 4845-4854.
Huang Tao, Chen Minyou, Lai Wei, et al. Reliability evaluation model of wind power converter considering fatigue accumulation and health status[J]. Transactions of China Electrotechnical Society, 2018, 33(20): 4845-4854.
[61] 邹武俊. 风力发电及变频器的仿真与控制研究[D]. 北京: 华北电力大学, 2019.
[62] Ma Ke, Bahman A S, Beczkowski S, et al. Complete loss and thermal model of power semiconductors including device rating information[J]. IEEE Transactions on Power Electronics, 2015, 30(5): 2556-2569.
[63] 陈根, 蔡旭. 并联型风电变流器故障重构控制[J]. 中国电机工程学报, 2018, 38(15): 4339-4349.
Chen Gen, Cai Xu. Fault reconfigurable control for parallel wind power converters[J]. Proceedings of the CSEE, 2018, 38(15): 4339-4349.
[64] Wang Wei, Zhang Jinghao, Cheng Ming, et al. Fault-tolerant control of dual three-phase permanent-magnet synchronous machine drives under open-phase faults[J]. IEEE Transactions on Power Electronics, 2017, 32(3): 2052-2063.
[65] 叶显帅. 风电变压器典型故障分析与研究[D]. 杭州: 浙江工业大学, 2014.
[66] 章禹. 变压器健康状态评价及短期增容研究[D]. 杭州: 浙江大学, 2018.
[67] Blaabjerg F, Liserre M, Ma Ke. Power electronics converters for wind turbine systems[J]. IEEE Transactions on Industry Applications, 2012, 48(2): 708-719.
[68] Singh J, Sood Y R, Jarial R K. Condition monitoring of power transformers bibliography survey[J]. IEEE Electrical Insulation Magazine, 2008, 24(3): 11-25.
[69] 郭慧东. 海上风电机群运行状态评价与维修决策[D]. 北京: 北京交通大学, 2018.
[70] Yang Wenxian, Court R, Jiang Jiesheng. Wind turbine condition monitoring by the approach of SCADA data analysis[J]. Renewable Energy, 2013, 53: 365-376.
[71] Tautz W J, Watson S J. Using SCADA data for wind turbine condition monitoring – a review[J]. IET Renewable Power Generation, 2017, 11(4): 382-394.
[72] 严英杰. 基于大数据分析技术的输变电设备状态评估方法研究[D]. 上海: 上海交通大学. 2018.
[73] 李刚, 张建付, 文福拴, 等. 计及信息不确定性的风电机组健康状态实时评估方法[J]. 电力系统自动化, 2017, 41(18): 111-117.
Li Gang, Zhang Jianfu, Wen Fushuan, et al. Evaluation of real-time health condition for wind turbines considering information uncertainty[J]. Automation of Electric Power Systems, 2017, 41(18): 111-117.
[74] 肖桂雨, 向健平, 凌永志, 等. 基于小波神经网络的风力发电机故障预测方法[J]. 电力科学与技术学报, 2019, 34(2): 195-202.
Xiao Guiyu, Xiang Jianping, Ling Yongzhi, et al. Prediction of wind turbine faults based on wavelet neural networks[J]. Journal of Electric Power Science and Technology, 2019, 34(2): 195-202.
[75] Bangalore P, Tjernberg L B. An approach for self evolving neural network based algorithm for fault prognosis in wind turbine[C]//2013 IEEE Grenoble PowerTech Conference, Grenoble, France, 2013: 1-6.
[76] Ju Lincang, Song Dekuan, Shi Beibei, et al. Fault predictive diagnosis of wind turbine based on LM arithmetic of artificial neural network theory[C]//2011 Seventh International Conference on Natural Computation, Shanghai, China, 2011: 575-579.
[77] Kusiak A, Verma A. Analyzing bearing faults in wind turbines: a data-mining approach[J]. Renewable Energy, 2012, 48: 110-116.
[78] 史丽萍, 汤家升, 王攀攀, 等. 采用最优小波树和改进BP神经网络的感应电动机定子故障诊断[J]. 电工技术学报, 2015, 30(24): 38-45.
Shi Liping, Tang Jiasheng, Wang Panpan, et al. Stator fault diagnosis of induction motors using the optimal wavelet tree and improved BP neural network[J]. Transactions of China Electrotechnical Society, 2015, 30(24): 38-45.
[79] 万书亭, 万杰, 张成杰. 基于灰色理论和变权模糊综合评判的风电机组性能评估[J]. 太阳能学报, 2015, 36(9): 2285-2291.
Wan Shuting, Wan Jie, Zhang Chengjie. Comprehensive evaluation of wind power unit performance evaluation based on grey theory and variable weight fuzzy mathematics[J]. Acta Energiae Solaris Sinica, 2015, 36(9): 2285-2291.
[80] 万杰. 基于SCADA数据的风电机组运行状态评估方法研究[D]. 保定: 华北电力大学, 2014.
[81] 李秋佳. 基于大数据建模分析的风电机组运行状态评估方法[D]. 保定: 华北电力大学, 2019.
[82] 宋志杰, 王健. 模糊聚类和LM算法改进BP神经网络的变压器故障诊断[J]. 高压电器, 2013, 49(5): 54-59.
Song Zhijie, Wang Jian. Transformer fault diagnosis based on BP neural network optimized by fuzzy clustering and LM algorithm[J]. High Voltage Apparatus, 2013, 49(5): 54-59.
[83] 罗森森. 基于故障数据和监测数据的风电机组优化维修策略研究[D]. 北京: 华北电力大学, 2019.
[84] 柴江涛. 基于RCM的风电机组维修决策技术研究[D]. 北京: 华北电力大学, 2017.
[85] 王瑞. 风电机组典型故障维修决策[D]. 北京: 华北电力大学, 2016.
[86] 苏春, 周小荃. 基于半马尔科夫决策过程的风力机状态维修优化[J]. 机械工程学报, 2012, 48(2): 44-49.
Su Chun, Zhou Xiaoquan. Condition-based maintenance optimization for wind turbines based on semi-Markov decision process[J]. Journal of Mechanical Engineering, 2012, 48(2): 44-49.
[87] Byon E, Ntaimo L, Ding Yu. Optimal maintenance strategies for wind turbine systems under stochastic weather conditions[J]. IEEE Transactions on Reliability, 2010, 59(2): 393-404.
[88] Byon E, Ding Yu. Season-dependent condition-based maintenance for a wind turbine using a partially observed Markov decision process[J]. IEEE Transactions on Power Systems, 2010, 25(4): 1823-1834.
[89] 秦洋. 基于马尔可夫过程的风力发电系统可靠性分析与检修优化研究[D]. 上海: 上海电机学院, 2016.
[90] 李帅. 基于机会的海上风电机组维修策略模型研究[D]. 北京: 华北电力大学, 2019.
[91] Halvorsen-Weare E E, Gundegjerde C, Halvorsen I B, et al. Vessel fleet analysis for maintenance operations at offshore wind farms[J]. Energy Procedia, 2013, 35: 167-176.
[92] Zhang Zhenyou. Scheduling and routing optimization of maintenance fleet for offshore wind farms using Duo-ACO[J]. Advanced Materials Research, 2014, 1039: 294-301.
[93] Feng Jianshe, Jia Xiaodong, Zhu Feng, et al. An intelligent system for offshore wind farm maintenance scheduling optimization considering turbine production loss[J]. Journal of Intelligent & Fuzzy Systems, 2019, 37(5): 6911-6923.
[94] Kovács A, Erdős G, Viharos Z J, et al. A system for the detailed scheduling of wind farm maintenance[J]. CIRP Annals, 2011, 60(1): 497-501.
[95] 桑祺, 何焱, 冯笑丹, 等. 面向组合维修的海上风电场运行维护建模及仿真[J]. 电力系统自动化, 2016, 40(20): 83-91.
Sang Qi, He Yan, Feng Xiaodan, et al. Modeling and simulation of combined repair oriented operation and maintenance for offshore wind farm[J]. Automation of Electric Power Systems, 2016, 40(20): 83-91.
[96] 么亮. 基于TnPM的风力发电设备状态检修流程优化研究[D]. 保定: 华北电力大学, 2018.
Research Status and Prospect of Condition Based Maintenance Technology for Offshore Wind Turbine Electrical Equipment
Abstract The research status of the operation state maintenance technology of offshore wind turbine main electrical equipment is reviewed. The condition monitoring, condition evaluation and maintenance decision-making technologies are introduced, respectively. Furthermore, the future development direction of condition based maintenance technology for offshore wind turbine electrical equipment is summarized. Through a large number of literature studies, in the aspect of condition monitoring, the electrical state monitoring technology of generator and inverter mainly focuses on the analysis of current characteristics, voltage signal and power analysis. Feature parameters are extracted by signal processing methods such as time domain analysis, Fourier transform and wavelet transform. Compared with the large-scale power transformer on land, the electrical condition monitoring technology based on offshore wind turbine transformer is slightly insufficient, and there are less state parameters that can be used for monitoring and extracting. Compared with the traditional physical model and data analysis, neural network model and fuzzy evaluation are still more effective methods in the aspect of condition evaluation. In terms of maintenance decision-making, it is still depended on the traditional fault tree, Markov process and improved Markov process to make decisions. With the development of technology and the accumulation of operation and maintenance experience, the multi parameter monitoring system, the perfect evaluation standard system of component-system-whole machine, the decision technology of comprehensive opportunity maintenance, combined maintenance and scheduling optimization will become the future development direction of offshore wind turbine operation and maintenance field.
keywords：Offshore wind turbine, electrical equipment, condition monitoring, condition evaluation, condition based maintenance
DOI:10.19595/j.cnki.1000-6753.tces.L90275
中图分类号：TM614
中国华能集团总部科技项目资助（HNKJ19-H16）。
收稿日期 2020-07-07
改稿日期 2020-10-20
高 晨 男，1991年生，博士，研究方向为海上风力发电状态检修。E-mail：gaochen@tpri.com.cn（通信作者）
赵 勇 男，1978年生，研究员，研究方向为风电、光伏、高压电气等设备质量监督、检测和故障诊断等。E-mail：zhaoyong@tpri.com.cn
（编辑 赫蕾）