基于SCADA数据的风电机组传动系统故障状态监测

李霸军，杨茜芝

(1.中国水电顾问集团张北风力发电厂，河北省张家口市 076450；2.华北电力大学电站设备状态监测与控制教育部重点实验室，北京 102206)

0 前 言

由于实际风电场运行状态复杂，上述方法在实际应用中可能遇到各种问题，需要通过实际数据进行广泛检验和调整。本文结合某风场实际设备故障，采用多项式回归分析方法对SCADA监控数据进行建模分析，给出了实际故障监测分析的案例。

1 状态监测

1.1 多项式回归法

风电机组某个部件在运行中产生的监控数据之间往往具有一定的关联关系。正常和异常运行状态时的关联关系不同。可以根据关联关系的变化判断部件状态发生了变化。各变量之间的关系模型可以用多项式回归法(Polynomial Regression)拟合获得。如果只有1个自变量时，称为一元多项式回归；如果有多个自变量时，称为多元多项式回归。多项式回归最大优点就是通过增加自变量的高次项对实测点进行逼近，得到满意的拟合结果，并且可以处理多种类型的非线性问题，因为任意函数都可以分段用多项式来逼近。本文主要讨论SCADA系统中两参数之间的关系，属于一元多项式回归。

考虑2个变量x和y之间存在关系y=f(x,A)。各取m个监测数据(x1,y1)、(x2,y2)、...、(xm,ym)可以做出2个变量x和y之间的关系散点图。用k阶多项式对散点图进行拟合：

(1)

可以看出，模型函数依赖于k个参数A=(a1,a2,…,ak)，其中m≥k。希望能找到参数矢量A。根据多项式回归法，拟合后的函数值与实际数据之间误差的平方和为最小，即：

(2)

其中，

由引理2.5有y) → x) ⊇1) → ((x →y)y)) → x).由引理2.4(2)和定义2.3知， ⊇(y → x).结合上述式子，由(HFC1)知，(x → y)y) → x) ⊇ (y → x) ∩ (y →x) = (y → x).这说明(1)对于成立.类似可证(2)也成立.

(3)

将误差平方和R2对所有系数ai求偏导数，得到：

(4)

左边第1项为一个范德蒙行列式，经过分解，可表示成如下矩阵：

XTXA=XTY

(5)

根据式(5)可以得到多项式回归模型的系数矩阵：

A=(XTX)-1XTY

(6)

多项式回归阶数k的确定取决于SCADA系数的关系。例如风速与有功功率存在3次方关系，取k=3。

1.2 差异性判断法

根据一台风电机组在不同时刻数据的多项式回归模型系数的差异大小，可以判断该机组状态的变化。或者根据正常状态和异常状态风电机组的多项式回归模型系数的差异大小，判断异常状态。设异常状态的多项式回归模型系数矩阵为A；正常状态的多项式回归模型系数矩阵为B。2个模型系数的差异性用式(7)计算[2]：

(7)

式中:aj为当前待判断的SCADA多项式回归系数;bj为正常状态下相同SCADA数据的多项式回归系数；xmax和xmin分别是x的最大值和最小值。

差异值C反映单台风电机组在不同时刻的状态差异，同时也反映2台机组的状态差异。C值越大，表明2种状态差异越大。如果其中一种状态为正常状态，则另一种状态就越偏离正常状态。为了进行定量判断，依据3σ准则设定机组偏离正常状态的阈值。计算正常机组在相同运行条件下的多组C值，求其均值μ和标准差，报警阈值设定为：

Ck=μ+3σ

(8)

如果偏差超过设定阈值时(C>Ck)就进行报警，可以实现运行状态的量化判断。

2 SCADA数据选择及预处理

现代大型兆瓦级并网风电机组上配备的SCADA系统对风电场运行设备进行监控，实现数据采集、设备远控、数据测量记录、参数调整及报警等功能。每台机组上的监测数据以一定时间间隔连续存储在监控系统中，因此首先要确定监测参数筛选、监测数据预处理和筛选有效数据。

(1) 监测参数筛选。以风电机组传动系统为例，所涉及的主要部件包括主轴及其支撑轴承、齿轮箱、制动装置等。与传动系统相关的监测参数包括低速轴转速、高速轴转速、齿轮箱油温、齿轮箱轴承温度、齿轮箱振动以及发电机功率和风速等。

(2) 监测数据预处理。风力发电机组运行状态受外界环境影响非常大，运行工况复杂多变。风电机组SCADA系统记录的数据包含了许多停机及弃风等非正常运行状态的数据点，不规范的原始数据无法直接进行数据挖掘和模型建立。因此在建立正常运行状态模型前需要对这些数据进行预处理。

(3) 有效数据筛选。根据国际标准IEC61400-12《风电机组发电性能测试》中规定的有效数据筛选原则，在进行运行状态监测分析之前，将风电机组处于停机、弃风等非正常运行状态的数据去除掉，只获取有效数据进行分析。

3 分析案例

3.1 机组及SCADA数据描述

河北省张家口某风电场一期33台1 500 kW双馈异步式风电机组于2010年5月投运，其中某台机组于2014年7月发生传动系统故障，造成机组停机。该机组的额定风速为12.5 m/s。

机组SCADA系统存储了投运以来的10 min平均运行数据。取故障机组在投运初期的SCADA数据作为正常运行状态数据，以1个月运行数据(2010年12月)为单位建立机组正常运行状态数据模型。以发生传动系统故障之前的1个月运行数据(2012年6月)作为待判断数据(异常数据)，对多项式回归分析法的效果进行分析验证。

图1是机组正常状态和异常状态下的功率曲线散点对比图，风速和有功功率数据经过预处理。异常状态下的功率曲线出现了明显的偏差，充分说明该机组出现了运行异常状况，但仅凭功率曲线的变化不能确定发生故障的部件。

图1 正常和异常状态的功率曲线散点对比图

图2 正常和异常状态的监测数据关系散点对比图

与传动系统相关的监测数据(风速-齿轮箱油温、齿轮箱油温-齿轮箱轴承温度)的关系散点图见图2。从风速-齿轮箱油温关系(图2a)可以看出，正常状态下，齿轮箱油温随风速增加略有增长，基本上呈线性关系;异常状态下，齿轮箱油温的变化范围很大，出现明显偏差。从齿轮箱油温-齿轮箱轴承温度(图2b)看出，在正常状态下，齿轮箱油温与齿轮箱轴承温度基本上保持线性关系，散点比较集中;在异常状态下，齿轮箱油温与齿轮箱轴承温度之间的关联性明显降低。

3.2 多项式回归拟合结果分析

以齿轮箱油温与齿轮箱轴承温度之间的关系数据为例，进行多项式回归拟合计算。为了消除不同风速对监控数据的影响，将监控数据分成不同风速区间进行拟合计算，每个区间的风速跨度为0.5 m/s。将监控数据关系在切入风速到额定风速之间划分为14个区间，建立14×14参数关系矩阵，分别进行多项式回归拟合。图3是4个风速区间的正常和异常状态下的取k=1得到的多项式拟合曲线，4个风速区间对应的风速范围分别为5.5～6.0、6.0～6.5、6.5～7.0、7.0～7.5 m/s。

图3 几个风速段的拟合曲线图

从图3可知，各个风速区间的异常和正常拟合曲线都存在明显区别，正常状态下的关系曲线比较集中，受风速影响较小，表明齿轮箱油温与轴承温度的关系比较稳定。而异常状态下的关系曲线比较分散，齿轮箱油温和轴承温度变化范围都比较大，且受到风速的影响。

3.3 运行状态判断

为了更加充分反映正常状态和异常状态的区别，采用k=3对齿轮箱油温-齿轮箱轴承温度关系数据散点(见图2b)进行多项式回归拟合，根据拟合得到的模型系数，由式(7)计算正常和异常状态的差异值C。表1列出了4个风速区间的正常和异常状态多项式回归拟合系数以及差异值C计算结果。可以看出，表中所列出的4个风速区间的差异值C都比较大，均超过了式(8)设定的报警阈值，其中最小值为14.88，最大值为111.61。差异值C计算结果充分表明待判断的数据已经偏离正常状态，机组齿轮箱可能出现问题。这一分析显示，采用多项式系数差异值C可以实现风电机组部件异常状态的预判，可以为实现风电机组的合理运行维护提供技术支持。

表1 几个风速段的多项式回归系数及C值表

4 结 语

利用多项式回归法建立风电机组SCADA数据之间的关系矩阵，根据正常状态和异常状态的差异值C，实现异常状态的判断。C值反映了机组异常状态与正常状态的偏离程度，即故障程度。通过对某风电场的风电机组SCADA数据进行分析计算，表明该方法可以在SCADA系统发出故障报警之前实现异常状态判断，这样可以及时采取相应措施，避免异常状态的进一步发展而导致设备故障报警停机状况。

参考文献:

[1] 郭鹏, David, Infield, 杨锡运.风电机组齿轮箱温度趋势状态监测及分析方法[J].中国电机工程学报,2011,31(32)：129-136.

[2] K. Kim. Use of SCADA Data for Failure Detection in Wind Turbines [J].Energy Sustainability Conference and Fuel Cell Conference, 2011.

[3] 姚万业,李新丽.基于状态监测的风电机组变桨系统故障诊断[J].可再生能源,2016, 3(34): 437-440.

[4] 董玉亮,李亚琼,曹海斌等.基于运行工况辨识的风电机组健康状态实时评价方法[J].中国电机工程学报,2013,33(0)：1-8.

[5] W. Yang. Wind turbine condition monitoring by the approach of SCADA data analysis[J].Renewable Energy, 2013, 53, 365-376.