风电场机组运行异常监测系统研究

2018-03-04何灏

风能 2018年8期

文 | 何灏

风能在我国能源结构中地位日趋重要，逐步成为火电、水电后第三大常规能源。风力发电机组通常服役于恶劣环境中，风速风向的随机性、间歇性以及环境温度变化等不确定因素，使机组各部件处于交变载荷下，部件易老化、损坏。

为保障风电机组安全稳定运行，业主通常采用定检、巡检等被动式维护，然而该方式针对性差、效率低，造成人力物力资源浪费，并且运行隐患也难及时发现。每年机组齿轮箱、叶片等大部件损坏事故屡见不鲜。随着物联网、人工智能、大数据等技术发展，风电行业衍生出了CMS、SCADA、集中监控、大数据平台等产品，它们在一定程度上弥补了现场人员专业技术不足、事故发生太过突然的问题。其中CMS利用成熟的振动分析技术对机组传动链进行状态监测，但原始数据过大难以保存并且缺乏机组主控数据支撑，预警范围有限；SCADA主要作用是将风电场机组主控信息显示并提供远程操作功能，传统的SCADA系统内缺乏基于机器学习的技术来预测机组故障；风电远程集中监控系统即实行风电场区域化集中控制，提高运行管理水平和劳动生产率，然而由于缺乏海量数据应用技术，难以满足精准的故障预判要求；大数据平台解决了集控中心对海量数据采集存储瓶颈，数据传输速率可达千万点/秒，基于云计算的系统架构将PB级数据查询分析时间等级控制在系统实用要求范围内，然而由于风电机组型号和运行时间的差异，风电企业回传的信息格式多样，目前很难设计通用型风电大数据平台，另外现场运行管理数字化程度低也影响平台实用效果。

针对上述问题，本文提出一种风电场风力发电机组运行异常监测系统，可以在不增加机组传感器和前置机的情况下，实现秒级数据和毫秒级数据采集，并通过数据挖掘，辨识不同风力发电机组自身特性，建立自适应风力发电机组工况变化的、精细的机组运行状态特征模型，进行机组异常报警。

系统架构

风电场风力发电机组运行异常监测系统架构分为五层，即物理设备层、数据产生层、数据处理层、数据存储层、数据应用层，如图1所示。其中物理设备层包括机组PLC、风电场SCADA、气象站、电网调度信息、CMS以及视频监控数据；数据产生层包括基于SCADA数据转换模块以及基于PLC编程的数据采集系统，后者可下载至原机组主控系统核心计算单元中；数据处理层是一台高性能工作站，内含数据预处理程序和指标计算程序；数据存储层是一台数据服务器，用于存储上层信息，并具有上传至远程服务器的功能；数据应用层包括大部件异常监测和控制性能异常监测；数据展示层包括监测报警界面和信息图表界面。

网络拓扑

图1 风力发电机组运行异常监测系统架构

图2 是系统完整网络拓扑，其中数据生成由场级PLC采集单元实现，数据采集需要一台服务器，采集各机组PLC模块信息以及场级PLC生成数据并存储成文本文件；数据预处理服务器读取采集服务器文件并按照规范进行预处理，包括数据清理、集成、规约和变换等工作，最后将处理完的数据以文本形式存储到文件夹中，每天每台机组运行数据经过处理后形成一个文件；数据挖掘服务器则对这些文件进行读取，利用核心算法模块进行计算，得到支持系统各项异常监测和评估的指标或特征量，并将结果存储到数据库服务器中。监控电脑中安装C/S客户端访问数据库服务器并实现异常预警、评价结果展示以及辅助功能。数据库服务器又通过专网将数据上传至集中管理平台，支撑上层应用开发。该拓扑优点是各功能资源充足，系统性能好，未来系统软硬件扩展空间大；缺点是成本高。因此在实际应用中，系统拓扑可采用图3方式。该方案成本适中，性能风险小，由于将数据运算和存储设备分离，也利于未来功能扩展。另外，如有必要，可以在架构中将数据运算存储工作站拆分成数据预处理服务器、数据库服务器、数据挖掘服务器，在成本预算充足时，可以灵活地向方案一转变。

图2 网络拓扑

图3 简化网络拓扑

图4 系统功能结构

系统功能

系统功能结构如图4所示，首先通过以太网分别与风电场各台风力发电机组连接，采集秒级数据和毫秒级数据并以文本文件形式存储，其中秒级数据信息包括风速、风向、轴系转速、温度、振动、机组状态、压力、电网信息、电压、电流、功率、电机转矩、辅助机构动作标志、偏航调桨信息，

毫秒级数据包括机组状态、风速、风向、偏航角、电机转矩、变桨角度、电机转速、网侧功率、机侧功率、叶轮转速、机舱前后方向振动加速度、机舱左右方向振动加速度；接下来通过文件传输协议下载数据，对数据文件进行清洗、集成、变换、归约的预处理后将结果存入数据库；然后用数据库数据进行挖掘，并将全风电场机组运行异常监测结果以友好方式向客户实时展示、报警，异常监测包括塔筒异常、桨角异常、电机异常、转矩异常、叶片异常、风速异常、对风异常、转动异常、风况特性、机组转速转矩曲线、功率桨角曲线、风速桨角功率曲面等。

系统内数据流程参见图5，对于秒级数据，首先进行预处理得到标准化数据，然后通过计算形成指标数据，同时通过变换得到均值数据，最后将各运算结果存入数据库。而对于高频数据，则利用滤波算法、FFT以及模式识别方法得到信号波动性和频谱信息，并存入数据库。随后如图6所示，数据库用于数据挖掘、数据展示和数据报表，其中数据挖掘重点在于数据异常监测和软件算法的设计与实现，数据展示则更注重人机友好界面的构思，而数据报表是向客户提供结果导出途径，方便记录、提交、发布。