蘇俊 方超 孫猛

摘 ?要：傳統(tǒng)風電機組故障診斷預警算法準確度較低，預警速度較慢，為此，提出基于工況辨識的風電機組故障診斷預警算法。首先進行故障診斷數(shù)據(jù)預處理，基于工況辨識，選擇合適的風電機組運行參數(shù)，采用溫度預測的方法，利用觀測溫度與預期溫度的殘差來反映設備的運行狀態(tài)，使用MSET建立風機齒輪箱溫度模型，確定預警指標，設計基于工況辨識的風電機組故障診斷預警算法。實驗結果表明，設計算法能有效減少診斷預警時間，且其準確度更高。

關鍵詞：工況辨識;風電機組;故障診斷;預警算法

中圖分類號：TP277 ? 文獻標識碼：A 文章編號：2096-4706（2021）12-0033-04

Abstract： The traditional fault diagnosis and early warning algorithm of wind turbine has low accuracy and slow early warning speed. Therefore， a fault diagnosis and early warning algorithm of wind turbine based on condition identification is proposed. Firstly， preprocess the fault diagnosis data， select the appropriate operating parameters of the wind turbine based on the condition identification， use the temperature prediction method to reflect the operating state of the equipment through the residual between the observed temperature and the expected temperature， use MSET to establish the temperature model of the wind turbine gearbox， determine the early warning index， and design the fault diagnosis and early warning algorithm of the wind turbine based on the condition identification. Experimental results show that the designed algorithm can effectively reduce the diagnosis and early warning time， and its accuracy is higher.

Keywords： condition identification; wind turbine; fault diagnosis; early warning algorithm

0 ?引 ?言

國家日益重視環(huán)境保護，大力支持新能源的發(fā)展，風力發(fā)電就是一種基于新能源的發(fā)電技術，其可以利用環(huán)境的自然特性產(chǎn)生并供給電力，可以極大地減小能源消耗，減輕環(huán)境污染。由于其這些優(yōu)點，目前已經(jīng)成為各國的主流發(fā)電方式[1]。但由于風力發(fā)電的特殊性，某些地區(qū)雖具有豐富的風力資源，但由于其自然環(huán)境惡劣導致機組設備經(jīng)常受損，風力發(fā)電機故障頻發(fā)，直接影響風力發(fā)電的效率，也對風力發(fā)電的安全性造成威脅，因此需要提前對風電機組進行故障診斷預警，從而快速診斷風電機組故障，提升發(fā)電效率。

因此，在這種情況下，相關研究人員研究風電機組故障產(chǎn)生的原因[2]，并根據(jù)故障原因利用傳統(tǒng)的檢測技術將故障信號進行轉換，然后提取故障信息特征，并處理故障信息，從而實現(xiàn)風電機組的故障預警。傳統(tǒng)的故障預警方法主要可以預警中小規(guī)模的風電機組，當對大規(guī)模風電機組進行預警時，由于傳統(tǒng)方法使用的算法過程較為簡單，不能滿足故障診斷和故障預警的要求。因此需要在確保故障預測準確性的同時發(fā)出預警，進行實時性檢測，基于此，本文提出一種基于工況辨識的風電機組故障診斷預警模型，并在現(xiàn)有風電機組故障診斷預警算法的基礎上，設計一種新的故障診斷預警算法。

1 ?基于工況辨識的風電機組故障診斷預警算法設計

1.1 ?進行故障診斷數(shù)據(jù)預處理

故障處理預警平臺記錄的風電機組運行數(shù)據(jù)量非常多，包含風電機組在各種異常運行情況下的數(shù)據(jù)點，這些異常數(shù)據(jù)點影響研究結果的可靠性。MSET模型必須輸入風電機組正常運行期間的健康數(shù)據(jù)，以便刪除這些異常數(shù)據(jù)點[3]。本文在特定時間選擇后選擇適當數(shù)量的數(shù)據(jù)，檢查所選數(shù)據(jù)是否滿足風電機組的全部運行條件，并去除設備輸出為零或負值或風速為零的樣本點。如果風速低于切入風速并大于切出風速，則這些數(shù)據(jù)滿足異常運行條件下的數(shù)據(jù)點要求。

同時，不同運行參數(shù)的數(shù)據(jù)維度不同，最大值和最小值相差很大[4]。例如，風速范圍通常為3 m/s～25 m/s，發(fā)電機轉速范圍通常為1 000 rpm～1 800 rpm，絕對值差超過10倍，忽略這種情況會導致建模時出現(xiàn)不匹配現(xiàn)象，進而影響模型的計算精度。為此，減少數(shù)據(jù)之間不同維度的影響，需要將各個運行參數(shù)的值控制在統(tǒng)一范圍內(nèi)，歸一化公式如式（1）所示：

1.2 ?選取風電機組故障診斷預警參數(shù)

在風電機組記錄的數(shù)據(jù)中，齒輪箱溫度、滾動軸承振動對風電機組的相關參數(shù)產(chǎn)生一定影響，其數(shù)據(jù)范圍與風電機組的故障狀況以及運行時間相關[5]。因此，在確定風電機組的運行狀態(tài)和合理劃分風電機組的運行工況之前，需要選擇合適的風電機組運行參數(shù)。所選參數(shù)直接或間接地影響風力發(fā)電機的狀況，也間接證明風電機組的故障范圍。從設備振動頻率、齒輪箱溫度、設備SCADA、振動加速度、風速、功率、發(fā)電機轉矩之間的關系可知，風速、功率和發(fā)電機轉矩對齒輪箱溫度和檢測設備有明顯的影響。

利用風電機組發(fā)電時，其預警參數(shù)也與風力發(fā)電機的類型有關，變速器的風力發(fā)電機組主要受到其轉動速度影響，同時，其與轉動加速度關系密切，一般呈正比例關系。即轉動加速度越高，預警參數(shù)范圍越大。變速箱轉速越高其溫度越高，當風電機組轉速增加時，齒輪箱承受的載荷也隨之增加，發(fā)電機滾動軸承轉速也在增加，振動越來越強，齒輪箱溫度也隨之升高。

1.3 ?建立MSET故障診斷預警模型

目前，風電發(fā)電機組故障預警數(shù)據(jù)監(jiān)測與分析，利用溫度預測方法，其主要是利用觀測溫度與預期溫度之間的剩余量來反映裝置的運行狀態(tài)[6]。如果剩余誤差超過設定值，觸發(fā)報警裝置，使用系統(tǒng)誤差溫度預測對實際溫度進行準確估計。通過MSET建模方法確定風機齒輪箱溫度模型，并使用SCADA數(shù)據(jù)之間的復雜相關性，描述設備運行期間齒輪箱溫度和其他參數(shù)之間的隱含關系，以獲得準確的預警值。根據(jù)溫度觀測值與估計值之間殘差的統(tǒng)計性質(zhì)，需要確定合適的殘差誤差值，以確定齒輪箱誤差的預警范圍?；诠r辨識故障預警流程如圖1所示。

如圖1所示。左側部分使用MSET進行工況拆分建立正確的訓練模型，設置每個子任務的殘差閾值指標并發(fā)布預警信息異常率指標，右側部分確定觀測數(shù)據(jù)的工作狀態(tài)并計算相應的工作狀態(tài)指數(shù)用于確定異常值，并使用滑動窗口方法計算相應時間內(nèi)異常值的比率。

故障預警模型使用MSET技術，因其主要在預估領域有巨大作用，因此將其應用在故障預警模型的建立中，可以識別風電機組各個設備的故障信息，并將其合并到模型中進行統(tǒng)一反饋。除此之外，其基于數(shù)據(jù)驅(qū)動的有線性模型和非線性函數(shù)。線性建模方法在風電機組故障傳感器的標定、系統(tǒng)狀態(tài)監(jiān)測、故障報警和診斷等方面得到了廣泛而有效的應用。使用模型估算和分析靜態(tài)運行歷史數(shù)據(jù)中運行參數(shù)之間的相關性[7]，并通過在包含相關參數(shù)的變量之間創(chuàng)建非線性模型來估算設備的運行狀態(tài)。

建立MSET故障診斷預警模型的前提是創(chuàng)建適當?shù)倪^程矩陣D，即利用故障預警檢測參數(shù)，建立恰當?shù)倪^程矩陣，以覆蓋風電機組的各個設備的運行范圍，運行中的歷史數(shù)據(jù)能夠真實地反映風電機組的運行狀態(tài)，其組成的變量集之間是相互關聯(lián)并耦合的。由相互關聯(lián)的變量組成的觀察向量可以用來描述設備的運行狀態(tài)。設定風電機組運行過程中有m個狀態(tài)，則過程矩陣D可定義為：

D=[X（1） X（2）…X（m）] ? ? ? ? ? ? ? ? （2）

其中，建立的過程矩陣可以反映風電機組在各個時期的運行變化，除此之外，風電機組在運行過程中還需要將轉換變量提取出來，并計算轉換參數(shù)，將矩陣結構重組，帶入選取的參數(shù)，進行二次轉換。

MSET建模的主要步驟是確定操作參數(shù)。其算法的核心在于歷史SCADA數(shù)據(jù)組成的MSET狀態(tài)矩陣，建模選擇的數(shù)據(jù)具備的正常運行條件是覆蓋風力發(fā)電機組，以及所選擇的運行參數(shù)是否與溫度變化有很強的相關性是選擇的核心。變速箱型號也對該模型有一定的影響，可以選擇對輸出影響較大的不同類型的變量作為模型的輸入變量。當故障預警模型的變量因素較多時，所有變量均可作為模型的輸入?yún)?shù)，這明顯增加了模型的復雜度，導致模型的計算量顯著增加，增加計算時間，降低精度。模型的主觀篩選具有局限性。采用灰色關聯(lián)度（GRA），選擇合理的運行參數(shù)作為一組模型變量，應用灰色關聯(lián)度計算各種輸入變量，可以實現(xiàn)模型輸入變量的有效、全面、綜合選擇，無須人工主觀篩選，提高模型的適應性，實現(xiàn)定性驗證分析基于此建立的故障診斷預警模型W如式（3）所示。

1.4 ?制定風電機組故障預警指標

使用MSET計算預警指標，確定兩者之間的殘差[8]，當殘差在閾值范圍內(nèi)，則判斷該殘差為一個穩(wěn)定點，如果殘差過大，則該殘差不能判斷為一個點。閾值指標是在MSET模型離線訓練期間確定的。其余部分用作訓練數(shù)據(jù)，輸入模型用于計算殘值。為了確定預警過程中的異常值，評價預警指標。由于非參數(shù)模型在預測模型輸入變量的過程中，存在不確定性。如果閾值較低，說明異常檢測算法對正常運行狀態(tài)信息過于敏感，易造成錯誤判斷。在確定殘差的平均值時，需要對閾值賦予一定的系數(shù)，確定預警指標E如式（4）所示。

依據(jù)風機運行的隨機性能和擾動性能可知，若運行過程中出現(xiàn)異常波動均屬于正?，F(xiàn)象。如果呈現(xiàn)下降趨勢，則可以判斷當前風力發(fā)電機運行狀況不正常，運行過程存在隱患。因此，當判斷某一特定點或少數(shù)點異常時，立即發(fā)出預警信息，觸發(fā)誤報，增加誤報率。因此，為降低誤報率，補充異常率作為預警指標，發(fā)布預警信息。假設在一段時間內(nèi)連續(xù)計算N個變速箱溫度的觀測和估計殘差，可以將其中的Na判斷為異常值。

1.5 ?故障診斷預警算法

在風力發(fā)電機組的實際運行中，依據(jù)實際運行條件確定殘差閾值，結合溫度模型試驗結果和以往經(jīng)驗建立殘差閾值。利用任務條件識別中處理的有效數(shù)據(jù)構建MSET模型歷史矩陣，將通過任務條件識別得到的4個任務條件所包含的數(shù)據(jù)作為驗證樣本。使用設計的方法，將所有未分離工況的數(shù)據(jù)和四種工況的數(shù)據(jù)作為驗證樣本，設置溫度估計模型，計算殘差平均值，確定相應的預警閾值。根據(jù)該閾值，結合式（1）～（4），設計的基于工況辨識的故障診斷預警算法U如式（5）所示。

式（5）中，B代表元素差值，C代表控制范圍，使用設計的算法將風電機組實際運行工況進行劃分，將空間數(shù)據(jù)單獨存儲，作為后續(xù)工作的故障預警數(shù)據(jù)源，為基于工況辨識下的風電機組故障預警提供基礎。

2 ?實驗

為檢測本文設計的風電機組故障診斷預警算法的準確度，使用傳統(tǒng)的預警算法和本文設計的預警算法進行對比實驗，檢測其與標準的故障預警齒輪軸溫的區(qū)別，風電機組故障預警系統(tǒng)程序運行如圖2所示。

2.1 ?實驗準備

各節(jié)點的硬件配置為：CPU其內(nèi)存為128 GB，硬盤360 GB，故障截取的并行比用式（6）計算。

式（6）中，F(xiàn)代表并行比，H代表故障節(jié)點數(shù)，T代表預警反應時間，實驗用前置機及服務器獲取的數(shù)據(jù)，整合為XML格式，根據(jù)并行比公式，列出故障樣本的截取情況如表1所示。

根據(jù)表1截取的故障樣本，將多次實驗的平均值進行對比。

2.2 ?實驗結果與討論

記錄本文設計算法與傳統(tǒng)算法故障診斷預警的齒輪軸溫，與標準的故障診斷預警齒輪軸溫對比，繪制曲線擬合圖，如圖3所示。

由圖3可知，本文設計的基于工況辨識的風電機組故障診斷預警算法診斷的故障齒輪軸溫與標準值擬合度高，能有效減少預警時間，優(yōu)于傳統(tǒng)的故障診斷預警方法。

3 ?結 ?論

綜上所述，風力能源的使用對維持我國生態(tài)環(huán)境可持續(xù)發(fā)展有重要意義，因此維持風電機組的正常工作狀態(tài)，使其可以穩(wěn)定地工作，對能源保護有重要意義，因此本文設計了基于工況辨識的風電機組故障診斷方法，實驗證明其與標準數(shù)值擬合度高，優(yōu)于傳統(tǒng)的故障診斷預警方法，具有一定的應用價值，為后續(xù)的故障診斷預警提供參考。

參考文獻：

[1] 靳志杰，霍志紅，許昌，等.基于特征選擇和XGBoost的風電機組故障診斷 [J].可再生能源，2021，39（3）：353-358.

[2] 鄧子豪，李錄平，劉瑞，等.基于SCADA數(shù)據(jù)特征提取的風電機組偏航齒輪箱故障診斷方法研究 [J].動力工程學報，2021，41（1）：43-50.

[3] 王紹平，王冰，曹智杰，等.海上風電機組分布式控制系統(tǒng)故障診斷與定位研究 [J].可再生能源，2020，38（10）：1343-1348.

[4] 孫群麗，周瑛，劉長良.基于LARS特征選擇的風電機組故障診斷的研究 [J].可再生能源，2020，38（10）：1349-1354.

[5] 常興邦，詹俊，盛利.基于粒子濾波與BP神經(jīng)網(wǎng)絡的風電機組主軸承溫度故障診斷研究 [J].技術與市場，2020，27（6）：11-15.

[6] 高峰，鄧星星，劉強，等.大型風電機組電動變槳系統(tǒng)變槳角度故障診斷 [J].太陽能學報，2020，41（5）：98-106.

[7] 鄧子豪，李錄平，劉瑞，等.大型風電機組電機驅(qū)動型主動偏航系統(tǒng)故障診斷技術概述 [J].太陽能，2020（4）：34-41.

[8] 孫鶴旭，孫澤賢，張靖軒.基于并行模糊C-均值聚類的風電機組發(fā)電機故障診斷研究 [J].太陽能學報，2020，41（3）：8-14.

作者簡介：蘇俊（1983.01—），男，漢族，江蘇鹽城人，中級工程師，碩士研究生，研究方向：嵌入式開發(fā)、風機健康管理。