基于健康样本的风电机组状态评估与异常检测系统

2015-01-22安学利唐拥军吴光军陈海元

大电机技术 2015年2期

安学利，唐拥军，吴光军，陈海元

（1.中国水利水电科学研究院，北京 100038；2.长江新能源开发有限公司，上海 200001；3.响水长江风力发电有限公司，江苏盐城 224600）

0 引言

风力发电已经进入了大规模的发展阶段，由于其恶劣的运行环境，机组部件更易老化[1-3]。为确保风电机组的安全稳定运行，需要对机组运行状态进行监测，以便及时发现机组异常。现有风电机组在线监测系统仅仅通过简单比较监测参数的测量值与预设的单一静态阈值来实现报警功能。该方式忽略了不同风速、不同转速下机组性能的差异，缺少对机组早期潜在故障的预警能力。

因此，需要不同机组的自身特性，建立能自适应风电机组工况变化的、精细的轴承状态评估模型。本文充分利用风电机组健康状态监测数据资源，建立基于健康样本的风电机组状态评估和异常检测系统，解决当前风电机组故障样本少，难以对其开展有效的诊断的难题，提高风电机组运行维护的水平，减少故障导致的停机损失。

1 径向基函数插值

径向基函数法[4]（radialbasisfunction，RBF）能精确和稳定地用于数据不完整的、带噪声的散乱数据的插值和拟合，它采用非均匀的采样点构造出连续的隐式函数，插值时只需要对该函数进行重新采样。

在（风速、转速和振动）三维曲面M上的散乱点集{xi，yi，zi}，其中i=1,2,……,n，xi表示风速，yi表示转速，zi表示振动；构造一个曲面M′合理逼近。

定义使用径向基函数建立的插值函数：

式中：X=（x，y，z）,wi是实系数，是欧式距离，φ为径向基函数，P(X)是一个多项式：

常采用的径向基函数为φ(r)=r3。令为曲面M上的点，式（1）中系数w1,…,wn,p0,p1,p2,p3通过插值约束条件：

和正交条件：

得到，其中hj为插值函数f(X)在cj处的函数值。由式（3）、（4）可得

式中

式（5）左边通常是非半正定、可逆的，故存在惟一解（w1，w2，……，wn，p0，p1，p2，p3）。将求得的径向基系数和多项时系数代入式（2），能得到插值函数为

2 基于健康样本的状态评估和异常检测

机组经过长期运行逐渐脱离正常运行状态，进入非正常连续运行状态。因此，必须对机组运行状态进行实时评估，尽可能减少事故发生的机率。

通过综合分析大量现场及实验数据，发现风速和机组转速是影响风电机组振动参数状态的两个主要因素。本文应用径向基函数插值理论[4]，建立综合考虑风速和转速的风电机组振动健康标准模型v=f(s,r)，v为机组振动参数，s为风速，r为机组转速。所构建的基于健康样本的风电机组状态评估模型，首先收集分析风电机组不同风速、不同转速下的在线监测数据，遴选机组运行正常时振动测点健康样本；然后建立综合考虑风速和转速的振动健康标准模型v=f(s,r)，获得风速、转速与振动参数间的映射关系，如图1所示；最后将机组在线监测中的风速、机组转速数据代入机组健康模型，计算当前工况下的振动参数的健康值，进而可获得该振动参数的性能退化度。

图1 风速、转速-风电机组振动映射关系

将机组在线监测中的风速、机组转速数据代入v=f(s,r)，计算当前工况下的振动测点状态参数健康值v(t)，获得该测点当前振动偏差D(i)、Dv(i)：

式中：i表示第i个样本点。振动偏差Dv(i)高于预设值时，进行报警。

3 实验验证

在风电机组实验台上进行了轴承故障实验，验证本文所提系统的有效性。图2给出了在某状态下风电机组某轴承振动加速度波形频谱与基于健康样本的标准波形频谱的对比，从图中可以看出，由于风电机组结构复杂、风速的波动性，使得其振动波形非常复杂，难以从波形中准确地分析其真实运行状态。但是通过分析频谱图可以发现，在当前工况下风电机组该振动测点频谱与标准频谱有明显的差别，说明该测点振动已经偏离了健康标准状态，需引起重视。

下面分析该测点在一个时间段振动参数的状态，由图3所示。从图中可以看出，在该时间段内，该轴承振动实际值已经明显偏离健康标准值，其性能退化度已经达40%，如图4所示，需要停机对该轴承进行检查，该异常是在实验台设置的外圈故障。该轴承发生外圈故障时，机组功率异常检查如图5所示。从图中可以看出，机组轴承发生故障时，机组功率偏差不大。