葉偉文 楊波 龔妙 劉瑞 李重桂 李錄平

運行在潮濕、寒冷環(huán)境下的風電機組容易發(fā)生葉片覆冰，由此會造成機組的安全性、可靠性降低，嚴重影響經(jīng)濟運行。目前，關(guān)于風電機組葉片覆冰狀態(tài)診斷，國內(nèi)外學者進行了大量的研究，如對葉片不同翼型下的覆冰形態(tài)進行數(shù)據(jù)模擬，以建立覆冰與功率損失的診斷關(guān)系；在實驗室環(huán)境下進行不同覆冰狀態(tài)葉片的模態(tài)分析以及動力特性模擬實驗，確定了葉片模態(tài)頻率與覆冰程度的關(guān)系，建立起風電機組葉片覆冰狀態(tài)定量檢測指標體系。但是，數(shù)值模擬或?qū)嶒炈捎玫奈锢砟Ｐ秃蛿?shù)據(jù)，與工程實際存有偏差，而直接利用風電場SCADA系統(tǒng)采集的數(shù)據(jù)進行風電機組葉片覆冰診斷，是一種更加便捷有效的方式。

目前，基于SCADA數(shù)據(jù)的葉片覆冰診斷方法日益增多，其中以機器學習方法表現(xiàn)最佳。如運用Elman人工神經(jīng)網(wǎng)絡(luò)對風電機組葉片結(jié)冰故障進行診斷；運用全連接神經(jīng)網(wǎng)絡(luò)與隨機森林相結(jié)合進行葉片覆冰數(shù)據(jù)仿真測試。但由于多種因素的限制，這些工作都處在理論方法的層面，與應(yīng)用到工程實際還有一定距離。目前在實際應(yīng)用層面，相關(guān)技術(shù)主要是由整機制造商開發(fā)研究，其基本思路為通過比較實際數(shù)據(jù)與理論數(shù)據(jù)之間的偏差進行葉片覆冰狀態(tài)判斷。其缺點在于技術(shù)所用的指標參數(shù)較為單一，使得診斷精度欠佳，對機組安全仍存在一定威脅性；同時大多需要安裝特定裝置，增加了額外的負擔與成本。

基于上述原因，為進一步推動工程應(yīng)用，本文在原有研究的基礎(chǔ)上進行改進，選取了五種與葉片覆冰狀態(tài)相關(guān)的故障參數(shù)指標，搭建BP神經(jīng)網(wǎng)絡(luò)機器學習診斷模型，并使用LabVIEW軟件平臺將診斷模型開發(fā)成風電機組葉片覆冰狀態(tài)監(jiān)測與診斷系統(tǒng)，可實現(xiàn)數(shù)據(jù)的實時采集、顯示和分析，對當前風電機組葉片覆冰監(jiān)測與診斷技術(shù)的發(fā)展有一定促進作用。

葉片覆冰狀態(tài)監(jiān)測模型

一、葉片覆冰狀態(tài)影響因素分析模型

在一個風電場內(nèi)，風電機組的位置分布廣，風輪的朝向隨風向變化，風輪的轉(zhuǎn)速與葉片角度隨風速變化，通過安裝固定覆冰傳感器的方式來檢測葉片的覆冰故障具有一定的局限性，宜采用基于運行指標參數(shù)分析的方法來監(jiān)測葉片的覆冰狀態(tài)。

眾多研究表明，對風電機組葉片覆冰具有直接影響的因素是風速、溫度和濕度，體現(xiàn)在SCADA參數(shù)列表中就是機艙氣象站風速、測風塔環(huán)境溫度和空氣濕度。溫度是風電機組葉片覆冰的先決條件，直接影響著葉片的結(jié)冰與否；空氣濕度也對機組葉片覆冰起著重要的作用，并且影響著冰層的密度與形狀；風速影響液滴在風電機組葉片上附著的數(shù)量，也會增強葉片表面換熱，隨著風速的增加，葉片更易發(fā)生覆冰。圖1所示為影響葉片覆冰狀態(tài)的外因和覆冰對機組狀態(tài)參數(shù)影響的邏輯關(guān)系，此圖也可視為葉片覆冰狀態(tài)監(jiān)測的物理模型。

對于特定的葉片而言，空氣溫度、空氣相對濕度、葉片與空氣之間的相對速度是影響葉片覆冰的重要外因。對于運行中的風電機組，其覆冰狀態(tài)（覆冰嚴重程度）又可以引起風輪轉(zhuǎn)速偏差、機組輸出功率偏差、槳距角偏差、偏航角偏差的變化。所以，可以從外因與受影響參數(shù)的定量關(guān)系中提取葉片覆冰故障特征，再利用這些覆冰故障指標來設(shè)計覆冰指標提取模型，從而構(gòu)建葉片覆冰狀態(tài)診斷模型。

二、葉片覆冰監(jiān)測的指標提取模型

在此前的研究中，通過設(shè)計葉片覆冰狀態(tài)特征參數(shù)處理模型，提取出6種與葉片覆冰相關(guān)的參數(shù)指標，分別是溫度、濕度、功率-風速指標、槳距角、偏航角以及P/V3變化速率指標，將其作為BP神經(jīng)網(wǎng)絡(luò)輸入特征，建立起風電機組葉片覆冰診斷理論模型。但隨著研究的深入，需要對葉片覆冰指標提取模型做出一些調(diào)整和改進：

（1）原研究工作未對覆冰指標的歸一化進行統(tǒng)一，例如溫度指標取值范圍為[–1，1]，而功率-風速指標取值范圍為[0，1]。依據(jù)回歸型機器學習算法的特性，要求輸入特征具有相同的度量尺度，因此，需對覆冰指標進行統(tǒng)一的歸一化；

（2）對環(huán)境溫度、空氣相對濕度和風速-槳距角指標的提取模型進行了更加準確的定義；

（3）用風速-輪轂轉(zhuǎn)速指標取代偏航角指標，去除P/V3變化速率指標，在保證精度的同時，優(yōu)化了系統(tǒng)處理和分析數(shù)據(jù)的過程，減少了運算內(nèi)存。

（一）環(huán)境溫度指標提取模型

圖2所示為濕冷環(huán)境中，在相同時間內(nèi)（40min）不同相對濕度（分別是88.4%、66.6%、60.7%、50.0%）下葉片冰層厚度與覆冰溫度之間關(guān)系的實驗室模擬結(jié)果。從圖中可以看出：（1）在0℃～-5℃溫度范圍內(nèi)，溫度越低，葉片覆冰的速度越快；（2）當氣溫低于-5℃時，在空氣濕度一定的情況下，溫度繼續(xù)降低，并未顯著提高葉片覆冰的速度；（3）在環(huán)境溫度一定的情況下，相對濕度越大，葉片覆冰的速度越快。

根據(jù)國內(nèi)風電場分布的地域情況，設(shè)風電機組工作溫度范圍為–40℃～50℃。依據(jù)風電場運行經(jīng)驗，當環(huán)境溫度低于5℃時風電機組就會開始結(jié)冰。前述實驗結(jié)果表明，當空氣溫度為–5℃時葉片結(jié)冰速率基本達到最大，空氣溫度低于–5℃后，葉片結(jié)冰速率變化不大。

葉片覆冰狀態(tài)監(jiān)測系統(tǒng)

一、葉片覆冰狀態(tài)監(jiān)測系統(tǒng)設(shè)計

系統(tǒng)基于LabVIEW軟件平臺開發(fā)，首先從數(shù)據(jù)庫中提取風電機組狀態(tài)信號和特征數(shù)據(jù)，再根據(jù)上述神經(jīng)網(wǎng)絡(luò)模型診斷葉片的覆冰狀態(tài)，從而實現(xiàn)風電機組葉片覆冰狀態(tài)的遠程監(jiān)測與診斷。根據(jù)LabVIEW軟件編程特點及葉片覆冰狀態(tài)監(jiān)測與診斷系統(tǒng)功能要求，系統(tǒng)的總體功能設(shè)計如圖4所示。

（1）用戶登錄：設(shè)置了用戶登錄權(quán)限，分為管理員（能夠執(zhí)行更高權(quán)限的操作）和普通用戶，用戶通過設(shè)定的密碼登錄系統(tǒng)，可實現(xiàn)修改密碼、個人信息等基本功能。

（2）幫助：對系統(tǒng)所需的相關(guān)參數(shù)進行設(shè)置，輸入風電機組的設(shè)計參數(shù)，主要包括額定風速、額定功率、最大輪轂轉(zhuǎn)速等，用于后續(xù)數(shù)據(jù)歸一化處理；對系統(tǒng)進行維護。

（3）顯示：呈現(xiàn)各個后臺分析模塊的分析結(jié)果，包括：采集的各狀態(tài)的實時數(shù)據(jù)、覆冰特征數(shù)據(jù)隨時間的變化曲線、診斷結(jié)果等。

（4）操作：進入MATLAB Script節(jié)點對數(shù)據(jù)進行處理和神經(jīng)網(wǎng)絡(luò)訓練；對數(shù)據(jù)處理結(jié)果及繪制的數(shù)據(jù)曲線進行保存；查詢模塊可實現(xiàn)數(shù)據(jù)回放功能。

（5）診斷：主要完成對葉片覆冰程度的診斷分析，并將診斷結(jié)果顯示在前面板上。

根據(jù)該系統(tǒng)設(shè)計的主體功能框架和需求分析，系統(tǒng)軟件主要功能總體設(shè)計流程圖如圖5所示。該流程綜合考慮了各功能模塊的需求和鏈接，以及不同應(yīng)用對象及場景的適用性，簡化了計算程序，特別是對于同種型號的機組，只需訓練一次神經(jīng)網(wǎng)絡(luò)，便可進行覆冰狀態(tài)的監(jiān)測，不需要時刻訓練神經(jīng)網(wǎng)絡(luò)，因此可節(jié)省大量時間。

軟件的主界面如圖6所示，包含用戶登錄、功能控制按鈕以及信號顯示及查詢按鈕等，可以顯示實時數(shù)據(jù)和歷史數(shù)據(jù)及數(shù)據(jù)處理與診斷結(jié)果。

以某2MW風電機組為例進行神經(jīng)網(wǎng)絡(luò)訓練，選取該機組一段時期內(nèi)不同時間不同覆冰程度的真實數(shù)據(jù)，經(jīng)過核密度-均值篩選，挑選出1000組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓練樣本。在學習率設(shè)置為0.01、隱含層節(jié)點數(shù)設(shè)置為16的條件下，經(jīng)過973次訓練成功達到0.001的精度要求。

系統(tǒng)通過調(diào)用MATLAB Script節(jié)點，在節(jié)點中放入事先編譯好的數(shù)據(jù)處理及診斷程序，先對調(diào)用的原始數(shù)據(jù)進行去空值和平均值處理，選取在風電機組運行風速范圍內(nèi)的狀態(tài)參數(shù)值，然后根據(jù)所提出的風電機組葉片覆冰故障特征提取模型，對數(shù)據(jù)進行歸一化處理，并將其導(dǎo)入訓練好的神經(jīng)網(wǎng)絡(luò)模型中，最后輸出神經(jīng)網(wǎng)絡(luò)診斷數(shù)據(jù)及其特征圖。

二、葉片覆冰狀態(tài)監(jiān)測系統(tǒng)集成與測試

軟件總體分為三個主要模塊，分別為數(shù)據(jù)讀取與顯示、故障診斷和數(shù)據(jù)存儲與回放。從數(shù)據(jù)流向來看，數(shù)據(jù)傳遞順序為：

（1）數(shù)據(jù)讀取與顯示模塊：將從SCADA系統(tǒng)中導(dǎo)出的狀態(tài)數(shù)據(jù)保存在合適的路徑下，然后通過LabVIEW數(shù)據(jù)讀取子模塊，將SCADA數(shù)據(jù)讀取到軟件系統(tǒng)的數(shù)據(jù)緩存區(qū)，并將數(shù)據(jù)實時顯示在程序前面板上。

（2）故障診斷模塊：將數(shù)據(jù)從緩存區(qū)中讀取進來，首先在MATLAB Script節(jié)點中經(jīng)過一系列數(shù)據(jù)預(yù)處理，包括去空值、取平均、歸一化等處理，獲取覆冰指標參數(shù)，進行神經(jīng)網(wǎng)絡(luò)訓練，然后用訓練好的神經(jīng)網(wǎng)絡(luò)模型，對讀取到的數(shù)據(jù)進行診斷。

（3）數(shù)據(jù)存儲與回放模塊：對讀取的數(shù)據(jù)和故障診斷結(jié)果進行及時保存，便于日后調(diào)用和對比分析。

在調(diào)用原始數(shù)據(jù)之前，為方便后續(xù)在MATLAB Script節(jié)點中進行覆冰狀態(tài)診斷，需要提前設(shè)置風電機組的相關(guān)參數(shù)，包括額定風速（10m/s）、額定功率（2000kW）和最大輪轂轉(zhuǎn)速（16.0228rad/s）。此外，為方便運行人員直觀判斷葉片覆冰程度，設(shè)置覆冰程度報警指示燈：未覆冰時指示燈顏色為綠色；輕微覆冰時指示燈顏色為黃色；較嚴重覆冰時指示燈顏色為橙色；嚴重覆冰時指示燈顏色為紅色。

將數(shù)據(jù)調(diào)用進系統(tǒng)，可在系統(tǒng)前面板查看到各覆冰相關(guān)參數(shù)的變化情況，同時系統(tǒng)開始對數(shù)據(jù)進行診斷。將狀態(tài)特征曲線以波形圖的形式顯示在系統(tǒng)主界面上，并展現(xiàn)與診斷結(jié)果相匹配的報警指示燈顏色，同時還可以將診斷數(shù)據(jù)及結(jié)果進行保存，便于下次查看和對比。

為測試系統(tǒng)功能，調(diào)取一段風電機組葉片嚴重覆冰期間的歷史數(shù)據(jù)，圖7為系統(tǒng)數(shù)據(jù)顯示前面板與診斷結(jié)果。當前覆冰狀態(tài)診斷值ZT為0.89，覆冰狀態(tài)指示燈為紅燈，說明該系統(tǒng)能夠有效診斷風電機組葉片覆冰嚴重程度。

三、葉片覆冰狀態(tài)監(jiān)測系統(tǒng)性能檢驗與分析

為驗證所開發(fā)出的風電機組葉片覆冰狀態(tài)診斷系統(tǒng)的準確性與穩(wěn)定性，選取湖南郴州某風電場一臺額定功率為2MW、額定風速為10m/s的風電機組為應(yīng)用對象，該機組有效風速段為3 ～22 m/s，槳距角允許誤差為0 ～3.6422，偏航允許誤差為±15。使用該機組從2018年1月2日開始覆冰至1月4日達到停機閾值這一時段的歷史覆冰數(shù)據(jù)作為驗證數(shù)據(jù)。前述神經(jīng)網(wǎng)絡(luò)訓練所用數(shù)據(jù)同源于此。

系統(tǒng)運行過程采取的是模擬傳感器實時采集數(shù)據(jù)的方式，系統(tǒng)每隔一秒從數(shù)據(jù)庫中讀取一組參數(shù)進行診斷，每一秒就會產(chǎn)出一個診斷結(jié)果，其診斷輸出結(jié)果如圖8所示。從圖中可以看出，診斷值時刻發(fā)生變化，但整體而言，能夠?qū)⑷~片覆冰越來越嚴重的情況展示出來，且與機組在2018年1月4日04：01因覆冰嚴重而停機的情況相符。

為分析系統(tǒng)的穩(wěn)定性，利用帶寬占比分析法來確定診斷值的偏差范圍，其分析過程為將整條曲線分成若干個區(qū)間，區(qū)間長度為500個時間點，找出各區(qū)間內(nèi)診斷ZT值的最大值以及最小值，對最大值進行擬合得到上包絡(luò)線，對最小值進行擬合得到下包絡(luò)線，上下兩條包絡(luò)線形成包絡(luò)帶，診斷ZT值始終位于包絡(luò)帶內(nèi)。定義包絡(luò)帶帶寬為某時刻上、下兩條包絡(luò)線值的差值，帶寬占比表示帶寬占整個診斷值取值范圍的百分比，如圖9所示。

此包絡(luò)帶平均帶寬為0.0579，最大帶寬為0.0584，分別占診斷值取值范圍的5.79%和5.84%，即診斷值波動范圍穩(wěn)定在±3%之內(nèi)，表明系統(tǒng)診斷結(jié)果波動穩(wěn)定。

同時從圖9中可看出，由于對覆冰等級進行了定量，且診斷值存在波動，覆冰等級分界線與上、下兩條包絡(luò)線的交點所對應(yīng)的橫坐標之間的區(qū)域（a、b和c）存在診斷等級交叉現(xiàn)象，由此會帶來診斷失誤。為確定系統(tǒng)診斷誤差的大小，采用如下幾何分析的方式進行論證：

y=0.2的覆冰等級分界線，與上、下兩條包絡(luò)線交點所對應(yīng)的橫坐標區(qū)間長度為9082，同時橫坐標區(qū)間截取的包絡(luò)帶形狀，被該線分割成兩個面積近似相等的三角形A和B。對于未覆冰等級的診斷，三角形A所在區(qū)域診斷正確，三角形B所在區(qū)域診斷錯誤；對于輕微覆冰等級的診斷，三角形A所在區(qū)域診斷錯誤，三角形B所在區(qū)域診斷正確，所以在橫坐標a區(qū)域系統(tǒng)診斷正確率為50%，即診斷正確的時間點有4541個，錯誤的時間點同樣為4541個。同理，y=0.5的覆冰等級分界線，與上、下兩條包絡(luò)線交點所對應(yīng)的橫坐標區(qū)間長度為3921，診斷錯誤的時間點有1961個；y=0.8的覆冰等級分界線，與上、下兩條包絡(luò)線交點所對應(yīng)的橫坐標區(qū)間長度為5472，診斷錯誤的時間點有2736個。系統(tǒng)運行測試數(shù)據(jù)時間點約11萬個，其中診斷錯誤的時間點約9238個，可得系統(tǒng)診斷誤差為8.39%。

造成系統(tǒng)診斷誤差的原因：一是環(huán)境因素隨機變化較大，以及傳感器檢測數(shù)據(jù)有偏差，使診斷結(jié)果出現(xiàn)波動；二是由于神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閾值設(shè)置存有缺陷，具有一定局限性，導(dǎo)致診斷值波動；三是由于覆冰程度本就為一種模糊判定，在進行定量分級診斷時，增加了系統(tǒng)診斷誤差。

總的來說，系統(tǒng)診斷值波動范圍小，診斷誤差較小，系統(tǒng)運行性能良好。

結(jié)論

本文在原有研究的基礎(chǔ)上改進風電機組葉片覆冰狀態(tài)監(jiān)測與診斷數(shù)學模型，該模型的特點是從機組運行狀態(tài)參數(shù)中提取環(huán)境溫度、空氣相對濕度、風速-功率、風速-槳距角以及風速-輪轂轉(zhuǎn)速作為葉片覆冰故障特征，通過簡單的神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)葉片覆冰故障的監(jiān)測與診斷。

利用工程實際數(shù)據(jù)對所開發(fā)出的葉片覆冰狀態(tài)監(jiān)測系統(tǒng)的性能進行檢驗，并運用帶寬占比法對系統(tǒng)運行情況進行評估，得到平均帶寬占比為5.79%，診斷值波動范圍在±3%之內(nèi)，同時采用幾何方法分析得出系統(tǒng)診斷誤差為8.39%，表明了該系統(tǒng)運行性能良好，能準確診斷出葉片的覆冰狀態(tài)，具有一定的工程應(yīng)用價值。

（作者單位：葉偉文，楊波：廣州特種承壓設(shè)備檢測研究院；龔妙，劉瑞，李重桂，李錄平：長沙理工大學）