風電機組故障建模及特征提取方法的研究

華電電力科學研究院有限公司 李雪玉

摘要：從風電機組故障模式識別模型特性出發，研究故障不同發展階段的故障和特征，解決不同嚴重程度故障模式識別的問題，實現了風電機組早期故障模式的預知性識別。

關鍵詞：風電機組;故障模式;識別

1引言

風電機組的故障預判有利于預防機組隱患向故障、事故的發展;故障的事后診斷能夠得到故障最優處理措施以解除故障。因此風電場狀態檢修是以可靠性最高、故障風險最低、運維成本控制最經濟為約束條件的最佳運維模式，風電機組故障建模及特征提取是機組故障診斷的核心環節。

風電機組SCADA數據作為重要的生產數據，是評判機組故障發生與否和故障程度的重要指標。因此本文著手利用反向推理過程解決機組SCADA數據特征的提取問題，該方法同時嚴格考慮到外界工況對參數的影響。

2典型故障模式建模方法的選取

本文從分析風電機組故障屬性和故障建模出發，運用機理建模和反向建模方法，初步構建故障模式與參數的關聯性。對華銳SL1500機組15種典型的故障模式按照屬性劃分為功能型故障和失效型故障，并對這兩種故障模式選取不同的故障建模方法，從而為不向類型故障模式特征提取方法的確定奠定基礎。表1例舉了華銳SL1500機組15種典型故障模式的建模方法選取結果。

3故障SCADA數據特征的奇異點剔除

華銳SL1500機組的SCADA生產數據全部匯總到PLC控制器，統一發送到遠端集控室。由于運行數據傳感器精度、電磁信號干擾、信息處理錯誤、數據存儲問題以及棄風限電、機組故障停機等原因均會使SCADA系統數據產生奇異數據點。這些奇異點會在故障建模中誤判為機組故障數據，因此需要解決奇異點剔除問題。

本文依據對張北縣某風電場華銳SL1500機組2011—2013年三年的歷史數據進行全面分析，歸納總結出該類機組奇異點剔除的規則：

機組非工作狀態時的奇異點：外界風速大于機組切入風速時，機組輸入功率為零點或負值點。 機組異常停機過程的奇異點：外界風速大于機組切入風速時、小于機組切出風速時，機組輸出功率由正常值減小到零值或負值點。

機組正常啟動過程的奇異點：外界風速大于機組切入風速時，機組輸出功率由零值或負值點增加到正值的點。

機組正常運行過程中，參照IEC61400-12-1‘‘bin”劃分法，以0.5m/s間隔為風速區間劃分標準，剔除每個區間內機組輸出功率值概率密度分析不滿足分布準則的數據點。

4運行工況辨識參數選取和區間劃分

由于風電機組運行過程中受到風速、環境溫度等因素的影響，溫度、功率等運行相關參數也具有明顯的隨機波動性特點，所以在完成風電機組SCADA參數的奇異點剔除后，還需考慮機組運行工況的干擾問題。

經過對張北縣某風電場華銳SL1500機組201 1年—2013年三年的數據進行研究，得到了表2與機組故障SCADA數據特征相關的工況參數。依據不同故障模式關聯的數據工況參數情況，將工況參數劃分為三部分。

4.1溫度類的工況參數

機組SCADA類溫度參數(軸承溫度、齒輪箱潤滑油溫、變槳電機溫度、轉子繞組溫度、定子繞組溫度)與外界的風速和環境溫度緊密相關。 規定環境溫度工況區間劃分間隔值△T=5℃，

環境溫度歷史最值為T1和T2，則△T將環境溫度參數整體區間劃分為m份。選取切入風速V1和V2切出風速為邊界值，△V=0.5m/s為劃分區間，將外界風速參數整體區間劃分為n份。

4.2非溫度類變槳SCADA數據的工況參數

非溫度類變槳SCADA數據主要指影響變槳角度故障和變槳轉矩故障關聯參數三葉片角度和三葉片變槳轉矩。通過分別研究葉片變槳角度、葉片變槳轉矩與外界風速的分布關系，利用外界風速將機組運行工況劃分為3~ 6m/s、6~12m/s相12~25m/s三部分，分別對三種工況下的變槳角度和變槳轉矩進行統計分析。

4.3非溫度類偏航SCADA數據的工況參數

非溫度類偏航SCADA數據主要指影響偏航定位不準確、偏航無法啟動、偏航電纜纏繞、偏航限位開關故障。該部分外界風速對偏航系統故障的影響主要體現在切入風速V.。=3m/s時機組不執行偏航，因此該部分工況參數外界風速區間劃分即為切入風速V

5工況區間內特征參數概率分布統計分析

該部分的原理是通過剔除奇異點并按工況區間劃分后的數據分布統計規律反推數據與機組故障模式的關聯性。風電機組故障SCADA數據主要分為離線標準數據的訓練過程和在線實時數據的檢測過程。在線實時數據的檢測過程為對機組實時SCADA數據通過判斷所屬工況空間、與標準樣本數據對比、統計機組異常點比例來提取機組故障SCADA數據特征。

采用時間長度為Z的時間窗口對2個數據進行實時檢測，定義每次檢測過程中異常數據點的個數為Z。，因此長度為Z的時間窗口內在線實時數據檢測異常率q.，為：

6案例分析

本案例以某風場某風機組2011年3月到2012年2月的SCADA數據作為標準樣本進行訓練，將2012年3月到2013年2月的數據作為實時檢測數據，以該機組齒輪箱潤滑油溫度參數為研究對象。

首先，按照上文提出的故障SCADA數據特征的奇異點剔除方法處理檢測數據。該風場全年最低溫度為-19.940 C，最高溫度為48.90 C，則其環境溫度范圍溝-200 C~ 500 C。按照上文關于溫度類參數工況區間劃分方法，環境溫度區間可劃分的個數為：m-(50-(-20)+1)/5=14.02，取整為m=15。

同樣風速參數參照IEC 61400-12 -1“bin”劃分方法，n=( 20-2+1) /0.5=38， 則n-38。 因此，可將齒輪箱潤滑油溫度參數的工況劃分為nxm=570個區間。

隨機挑選3個劃分工況內的齒輪箱潤滑油數據進行正態分布驗證，均符合規律。然后再對齒輪箱潤滑油溫度參數570個運行工況內的數據進行閾值訓練，得到每個細化運行工況內的齒輪箱潤滑油溫度閾值。

至此，實現了基于該風場某風機組齒輪箱潤滑油溫度參數2011年3月到2012年2月工況辨識下的歷史數據概率分布離線訓練，接下來對2012年3月到2013年2月齒輪箱潤滑油溫度數據進行實時檢測，得到每個細化區間的異常率。

本文設定異常率閾值為0.5—0.7。研究結果表明2012年3月到2013年2月該機組齒輪箱潤滑油溫出現過2次參數預警特征超限，1次參數診斷特征超限，其中診斷超限的數據時間標記與該案例中的2013年2月的第一行星輪系太陽輪磨損故障的發生時間相吻合。

7小結

本文依據風電機組故障的木同屬性，明確不同類型的故障建模方法。運用故障機理建模和反向建模兩種方式，針對機組傳動鏈振動數據和機組SCADA數據制定適于變工況條件下的風電機組振動數據特征和SCADA數據特征提取方法，同時較為準確地揭示了風電機組故障特征隨故障發展的動態演變規律。