基于LabVIEW平台的风电机组叶片覆冰状态诊断系统研究

2020-04-19叶伟文杨波龚妙刘瑞李重桂李录平

风能 2020年9期

叶伟文杨波龚妙刘瑞李重桂李录平

運行在潮湿、寒冷环境下的风电机组容易发生叶片覆冰，由此会造成机组的安全性、可靠性降低，严重影响经济运行。目前，关于风电机组叶片覆冰状态诊断，国内外学者进行了大量的研究，如对叶片不同翼型下的覆冰形态进行数据模拟，以建立覆冰与功率损失的诊断关系；在实验室环境下进行不同覆冰状态叶片的模态分析以及动力特性模拟实验，确定了叶片模态频率与覆冰程度的关系，建立起风电机组叶片覆冰状态定量检测指标体系。但是，数值模拟或实验所采用的物理模型和数据，与工程实际存有偏差，而直接利用风电场SCADA系统采集的数据进行风电机组叶片覆冰诊断，是一种更加便捷有效的方式。

目前，基于SCADA数据的叶片覆冰诊断方法日益增多，其中以机器学习方法表现最佳。如运用Elman人工神经网络对风电机组叶片结冰故障进行诊断；运用全连接神经网络与随机森林相结合进行叶片覆冰数据仿真测试。但由于多种因素的限制，这些工作都处在理论方法的层面，与应用到工程实际还有一定距离。目前在实际应用层面，相关技术主要是由整机制造商开发研究，其基本思路为通过比较实际数据与理论数据之间的偏差进行叶片覆冰状态判断。其缺点在于技术所用的指标参数较为单一，使得诊断精度欠佳，对机组安全仍存在一定威胁性；同时大多需要安装特定装置，增加了额外的负担与成本。

基于上述原因，为进一步推动工程应用，本文在原有研究的基础上进行改进，选取了五种与叶片覆冰状态相关的故障参数指标，搭建BP神经网络机器学习诊断模型，并使用LabVIEW软件平台将诊断模型开发成风电机组叶片覆冰状态监测与诊断系统，可实现数据的实时采集、显示和分析，对当前风电机组叶片覆冰监测与诊断技术的发展有一定促进作用。

叶片覆冰状态监测模型

一、叶片覆冰状态影响因素分析模型

在一个风电场内，风电机组的位置分布广，风轮的朝向随风向变化，风轮的转速与叶片角度随风速变化，通过安装固定覆冰传感器的方式来检测叶片的覆冰故障具有一定的局限性，宜采用基于运行指标参数分析的方法来监测叶片的覆冰状态。

众多研究表明，对风电机组叶片覆冰具有直接影响的因素是风速、温度和湿度，体现在SCADA参数列表中就是机舱气象站风速、测风塔环境温度和空气湿度。温度是风电机组叶片覆冰的先决条件，直接影响着叶片的结冰与否；空气湿度也对机组叶片覆冰起着重要的作用，并且影响着冰层的密度与形状；风速影响液滴在风电机组叶片上附着的数量，也会增强叶片表面换热，随着风速的增加，叶片更易发生覆冰。图1所示为影响叶片覆冰状态的外因和覆冰对机组状态参数影响的逻辑关系，此图也可视为叶片覆冰状态监测的物理模型。

对于特定的叶片而言，空气温度、空气相对湿度、叶片与空气之间的相对速度是影响叶片覆冰的重要外因。对于运行中的风电机组，其覆冰状态（覆冰严重程度）又可以引起风轮转速偏差、机组输出功率偏差、桨距角偏差、偏航角偏差的变化。所以，可以从外因与受影响参数的定量关系中提取叶片覆冰故障特征，再利用这些覆冰故障指标来设计覆冰指标提取模型，从而构建叶片覆冰状态诊断模型。

二、叶片覆冰监测的指标提取模型

在此前的研究中，通过设计叶片覆冰状态特征参数处理模型，提取出6种与叶片覆冰相关的参数指标，分别是温度、湿度、功率-风速指标、桨距角、偏航角以及P/V3变化速率指标，将其作为BP神经网络输入特征，建立起风电机组叶片覆冰诊断理论模型。但随着研究的深入，需要对叶片覆冰指标提取模型做出一些调整和改进：

（1）原研究工作未对覆冰指标的归一化进行统一，例如温度指标取值范围为[–1，1]，而功率-风速指标取值范围为[0，1]。依据回归型机器学习算法的特性，要求输入特征具有相同的度量尺度，因此，需对覆冰指标进行统一的归一化；

（2）对环境温度、空气相对湿度和风速-桨距角指标的提取模型进行了更加准确的定义；

（3）用风速-轮毂转速指标取代偏航角指标，去除P/V3变化速率指标，在保证精度的同时，优化了系统处理和分析数据的过程，减少了运算内存。

（一）环境温度指标提取模型

图2所示为湿冷环境中，在相同时间内（40min）不同相对湿度（分别是88.4%、66.6%、60.7%、50.0%）下叶片冰层厚度与覆冰温度之间关系的实验室模拟结果。从图中可以看出：（1）在0℃～-5℃温度范围内，温度越低，叶片覆冰的速度越快；（2）当气温低于-5℃时，在空气湿度一定的情况下，温度继续降低，并未显著提高叶片覆冰的速度；（3）在环境温度一定的情况下，相对湿度越大，叶片覆冰的速度越快。

根据国内风电场分布的地域情况，设风电机组工作温度范围为–40℃～50℃。依据风电场运行经验，当环境温度低于5℃时风电机组就会开始结冰。前述实验结果表明，当空气温度为–5℃时叶片结冰速率基本达到最大，空气温度低于–5℃后，叶片结冰速率变化不大。

叶片覆冰状态监测系统

一、叶片覆冰状态监测系统设计

系统基于LabVIEW软件平台开发，首先从数据库中提取风电机组状态信号和特征数据，再根据上述神经网络模型诊断叶片的覆冰状态，从而实现风电机组叶片覆冰状态的远程监测与诊断。根据LabVIEW软件编程特点及叶片覆冰状态监测与诊断系统功能要求，系统的总体功能设计如图4所示。

（1）用户登录：设置了用户登录权限，分为管理员（能够执行更高权限的操作）和普通用户，用户通过设定的密码登录系统，可实现修改密码、个人信息等基本功能。

（2）帮助：对系统所需的相关参数进行设置，输入风电机组的设计参数，主要包括额定风速、额定功率、最大轮毂转速等，用于后续数据归一化处理；对系统进行维护。

（3）显示：呈现各个后台分析模块的分析结果，包括：采集的各状态的实时数据、覆冰特征数据随时间的变化曲线、诊断结果等。

（4）操作：进入MATLAB Script节点对数据进行处理和神经网络训练；对数据处理结果及绘制的数据曲线进行保存；查询模块可实现数据回放功能。

（5）诊断：主要完成对叶片覆冰程度的诊断分析，并将诊断结果显示在前面板上。

根据该系统设计的主体功能框架和需求分析，系统软件主要功能总体设计流程图如图5所示。该流程综合考虑了各功能模块的需求和链接，以及不同应用对象及场景的适用性，简化了计算程序，特别是对于同种型号的机组，只需训练一次神经网络，便可进行覆冰状态的监测，不需要时刻训练神经网络，因此可节省大量时间。

软件的主界面如图6所示，包含用户登录、功能控制按钮以及信号显示及查询按钮等，可以显示实时数据和历史数据及数据处理与诊断结果。

以某2MW风电机组为例进行神经网络训练，选取该机组一段时期内不同时间不同覆冰程度的真实数据，经过核密度-均值筛选，挑选出1000组数据作为神经网络训练样本。在学习率设置为0.01、隐含层节点数设置为16的条件下，经过973次训练成功达到0.001的精度要求。

系统通过调用MATLAB Script节点，在节点中放入事先编译好的数据处理及诊断程序，先对调用的原始数据进行去空值和平均值处理，选取在风电机组运行风速范围内的状态参数值，然后根据所提出的风电机组叶片覆冰故障特征提取模型，对数据进行归一化处理，并将其导入训练好的神经网络模型中，最后输出神经网络诊断数据及其特征图。

二、叶片覆冰状态监测系统集成与测试

软件总体分为三个主要模块，分别为数据读取与显示、故障诊断和数据存储与回放。从数据流向来看，数据传递顺序为：

（1）数据读取与显示模块：将从SCADA系统中导出的状态数据保存在合适的路径下，然后通过LabVIEW数据读取子模块，将SCADA数据读取到软件系统的数据缓存区，并将数据实时显示在程序前面板上。

（2）故障诊断模块：将数据从缓存区中读取进来，首先在MATLAB Script节点中经过一系列数据预处理，包括去空值、取平均、归一化等处理，获取覆冰指标参数，进行神经网络训练，然后用训练好的神经网络模型，对读取到的数据进行诊断。

（3）数据存储与回放模块：对读取的数据和故障诊断结果进行及时保存，便于日后调用和对比分析。

在调用原始数据之前，为方便后续在MATLAB Script節点中进行覆冰状态诊断，需要提前设置风电机组的相关参数，包括额定风速（10m/s）、额定功率（2000kW）和最大轮毂转速（16.0228rad/s）。此外，为方便运行人员直观判断叶片覆冰程度，设置覆冰程度报警指示灯：未覆冰时指示灯颜色为绿色；轻微覆冰时指示灯颜色为黄色；较严重覆冰时指示灯颜色为橙色；严重覆冰时指示灯颜色为红色。

将数据调用进系统，可在系统前面板查看到各覆冰相关参数的变化情况，同时系统开始对数据进行诊断。将状态特征曲线以波形图的形式显示在系统主界面上，并展现与诊断结果相匹配的报警指示灯颜色，同时还可以将诊断数据及结果进行保存，便于下次查看和对比。

为测试系统功能，调取一段风电机组叶片严重覆冰期间的历史数据，图7为系统数据显示前面板与诊断结果。当前覆冰状态诊断值ZT为0.89，覆冰状态指示灯为红灯，说明该系统能够有效诊断风电机组叶片覆冰严重程度。

三、叶片覆冰状态监测系统性能检验与分析

为验证所开发出的风电机组叶片覆冰状态诊断系统的准确性与稳定性，选取湖南郴州某风电场一台额定功率为2MW、额定风速为10m/s的风电机组为应用对象，该机组有效风速段为3 ～22 m/s，桨距角允许误差为0 ～3.6422，偏航允许误差为±15。使用该机组从2018年1月2日开始覆冰至1月4日达到停机阈值这一时段的历史覆冰数据作为验证数据。前述神经网络训练所用数据同源于此。

系统运行过程采取的是模拟传感器实时采集数据的方式，系统每隔一秒从数据库中读取一组参数进行诊断，每一秒就会产出一个诊断结果，其诊断输出结果如图8所示。从图中可以看出，诊断值时刻发生变化，但整体而言，能够将叶片覆冰越来越严重的情况展示出来，且与机组在2018年1月4日04：01因覆冰严重而停机的情况相符。

为分析系统的稳定性，利用带宽占比分析法来确定诊断值的偏差范围，其分析过程为将整条曲线分成若干个区间，区间长度为500个时间点，找出各区间内诊断ZT值的最大值以及最小值，对最大值进行拟合得到上包络线，对最小值进行拟合得到下包络线，上下两条包络线形成包络带，诊断ZT值始终位于包络带内。定义包络带带宽为某时刻上、下两条包络线值的差值，带宽占比表示带宽占整个诊断值取值范围的百分比，如图9所示。

此包络带平均带宽为0.0579，最大带宽为0.0584，分别占诊断值取值范围的5.79%和5.84%，即诊断值波动范围稳定在±3%之内，表明系统诊断结果波动稳定。

同时从图9中可看出，由于对覆冰等级进行了定量，且诊断值存在波动，覆冰等级分界线与上、下两条包络线的交点所对应的横坐标之间的区域（a、b和c）存在诊断等级交叉现象，由此会带来诊断失误。为确定系统诊断误差的大小，采用如下几何分析的方式进行论证：

y=0.2的覆冰等级分界线，与上、下两条包络线交点所对应的横坐标区间长度为9082，同时横坐标区间截取的包络带形状，被该线分割成两个面积近似相等的三角形A和B。对于未覆冰等级的诊断，三角形A所在区域诊断正确，三角形B所在区域诊断错误；对于轻微覆冰等级的诊断，三角形A所在区域诊断错误，三角形B所在区域诊断正确，所以在横坐标a区域系统诊断正确率为50%，即诊断正确的时间点有4541个，错误的时间点同样为4541个。同理，y=0.5的覆冰等级分界线，与上、下两条包络线交点所对应的横坐标区间长度为3921，诊断错误的时间点有1961个；y=0.8的覆冰等级分界线，与上、下两条包络线交点所对应的横坐标区间长度为5472，诊断错误的时间点有2736个。系统运行测试数据时间点约11万个，其中诊断错误的时间点约9238个，可得系统诊断误差为8.39%。