基于工况辨识的风电机组故障诊断预警算法研究

2021-01-14苏俊方超孙猛

现代信息科技 2021年12期

苏俊方超孙猛

摘要：传统风电机组故障诊断预警算法准确度较低，预警速度较慢，为此，提出基于工况辨识的风电机组故障诊断预警算法。首先进行故障诊断数据预处理，基于工况辨识，选择合适的风电机组运行参数，采用温度预测的方法，利用观测温度与预期温度的残差来反映设备的运行状态，使用MSET建立风机齿轮箱温度模型，确定预警指标，设计基于工况辨识的风电机组故障诊断预警算法。实验结果表明，设计算法能有效减少诊断预警时间，且其准确度更高。

关键词：工况辨识;风电机组;故障诊断;预警算法

中图分类号：TP277 文献标识码：A 文章编号：2096-4706（2021）12-0033-04

Abstract： The traditional fault diagnosis and early warning algorithm of wind turbine has low accuracy and slow early warning speed. Therefore， a fault diagnosis and early warning algorithm of wind turbine based on condition identification is proposed. Firstly， preprocess the fault diagnosis data， select the appropriate operating parameters of the wind turbine based on the condition identification， use the temperature prediction method to reflect the operating state of the equipment through the residual between the observed temperature and the expected temperature， use MSET to establish the temperature model of the wind turbine gearbox， determine the early warning index， and design the fault diagnosis and early warning algorithm of the wind turbine based on the condition identification. Experimental results show that the designed algorithm can effectively reduce the diagnosis and early warning time， and its accuracy is higher.

Keywords： condition identification; wind turbine; fault diagnosis; early warning algorithm

0 引言

国家日益重视环境保护，大力支持新能源的发展，风力发电就是一种基于新能源的发电技术，其可以利用环境的自然特性产生并供给电力，可以极大地减小能源消耗，减轻环境污染。由于其这些优点，目前已经成为各国的主流发电方式[1]。但由于风力发电的特殊性，某些地区虽具有丰富的风力资源，但由于其自然环境恶劣导致机组设备经常受损，风力发电机故障频发，直接影响风力发电的效率，也对风力发电的安全性造成威胁，因此需要提前对风电机组进行故障诊断预警，从而快速诊断风电机组故障，提升发电效率。

因此，在这种情况下，相关研究人员研究风电机组故障产生的原因[2]，并根据故障原因利用传统的检测技术将故障信号进行转换，然后提取故障信息特征，并处理故障信息，从而实现风电机组的故障预警。传统的故障预警方法主要可以预警中小规模的风电机组，当对大规模风电机组进行预警时，由于传统方法使用的算法过程较为简单，不能满足故障诊断和故障预警的要求。因此需要在确保故障预测准确性的同时发出预警，进行实时性检测，基于此，本文提出一种基于工况辨识的风电机组故障诊断预警模型，并在现有风电机组故障诊断预警算法的基础上，设计一种新的故障诊断预警算法。

1 基于工况辨识的风电机组故障诊断预警算法设计

1.1 进行故障诊断数据预处理

故障处理预警平台记录的风电机组运行数据量非常多，包含风电机组在各种异常运行情况下的数据点，这些异常数据点影响研究结果的可靠性。MSET模型必须输入风电机组正常运行期间的健康数据，以便删除这些异常数据点[3]。本文在特定时间选择后选择适当数量的数据，检查所选数据是否满足风电机组的全部运行条件，并去除设备输出为零或负值或风速为零的样本点。如果风速低于切入风速并大于切出风速，则这些数据满足异常运行条件下的数据点要求。

同时，不同运行参数的数据维度不同，最大值和最小值相差很大[4]。例如，风速范围通常为3 m/s～25 m/s，发电机转速范围通常为1 000 rpm～1 800 rpm，绝对值差超过10倍，忽略这种情况会导致建模时出现不匹配现象，进而影响模型的计算精度。为此，减少数据之间不同维度的影响，需要将各个运行参数的值控制在统一范围内，归一化公式如式（1）所示：

1.2 选取风电机组故障诊断预警参数

在风电机组记录的数据中，齿轮箱溫度、滚动轴承振动对风电机组的相关参数产生一定影响，其数据范围与风电机组的故障状况以及运行时间相关[5]。因此，在确定风电机组的运行状态和合理划分风电机组的运行工况之前，需要选择合适的风电机组运行参数。所选参数直接或间接地影响风力发电机的状况，也间接证明风电机组的故障范围。从设备振动频率、齿轮箱温度、设备SCADA、振动加速度、风速、功率、发电机转矩之间的关系可知，风速、功率和发电机转矩对齿轮箱温度和检测设备有明显的影响。

利用风电机组发电时，其预警参数也与风力发电机的类型有关，变速器的风力发电机组主要受到其转动速度影响，同时，其与转动加速度关系密切，一般呈正比例关系。即转动加速度越高，预警参数范围越大。变速箱转速越高其温度越高，当风电机组转速增加时，齿轮箱承受的载荷也随之增加，发电机滚动轴承转速也在增加，振动越来越强，齿轮箱温度也随之升高。

1.3 建立MSET故障诊断预警模型

目前，风电发电机组故障预警数据监测与分析，利用温度预测方法，其主要是利用观测温度与预期温度之间的剩余量来反映装置的运行状态[6]。如果剩余误差超过设定值，触发报警装置，使用系统误差温度预测对实际温度进行准确估计。通过MSET建模方法确定风机齿轮箱温度模型，并使用SCADA数据之间的复杂相关性，描述设备运行期间齿轮箱温度和其他参数之间的隐含关系，以获得准确的预警值。根据温度观测值与估计值之间残差的统计性质，需要确定合适的残差误差值，以确定齿轮箱误差的预警范围。基于工况辨识故障预警流程如图1所示。

如图1所示。左侧部分使用MSET进行工况拆分建立正确的训练模型，设置每个子任务的残差阈值指标并发布预警信息异常率指标，右侧部分确定观测数据的工作状态并计算相应的工作状态指数用于确定异常值，并使用滑动窗口方法计算相应时间内异常值的比率。

故障预警模型使用MSET技术，因其主要在预估领域有巨大作用，因此将其应用在故障预警模型的建立中，可以识别风电机组各个设备的故障信息，并将其合并到模型中进行统一反馈。除此之外，其基于数据驱动的有线性模型和非线性函数。线性建模方法在风电机组故障传感器的标定、系统状态监测、故障报警和诊断等方面得到了广泛而有效的应用。使用模型估算和分析静态运行历史数据中运行参数之间的相关性[7]，并通过在包含相关参数的变量之间创建非线性模型来估算设备的运行状态。

建立MSET故障诊断预警模型的前提是创建适当的过程矩阵D，即利用故障预警检测参数，建立恰当的过程矩阵，以覆盖风电机组的各个设备的运行范围，运行中的历史数据能够真实地反映风电机组的运行状态，其组成的变量集之间是相互关联并耦合的。由相互关联的变量组成的观察向量可以用来描述设备的运行状态。设定风电机组运行过程中有m个状态，则过程矩阵D可定义为：

D=[X（1） X（2）…X（m）] （2）

其中，建立的过程矩阵可以反映风电机组在各个时期的运行变化，除此之外，风电机组在运行过程中还需要将转换变量提取出来，并计算转换参数，将矩阵结构重组，带入选取的参数，进行二次转换。

MSET建模的主要步骤是确定操作参数。其算法的核心在于历史SCADA数据组成的MSET状态矩阵，建模选择的数据具备的正常运行条件是覆盖风力发电机组，以及所选择的运行参数是否与温度变化有很强的相关性是选择的核心。变速箱型号也对该模型有一定的影响，可以选择对输出影响较大的不同类型的变量作为模型的输入变量。当故障预警模型的变量因素较多时，所有变量均可作为模型的输入参数，这明显增加了模型的复杂度，导致模型的计算量显著增加，增加计算时间，降低精度。模型的主观筛选具有局限性。采用灰色关联度（GRA），选择合理的运行参数作为一组模型变量，应用灰色关联度计算各种输入变量，可以实现模型输入变量的有效、全面、综合选择，无须人工主观筛选，提高模型的适应性，实现定性验证分析基于此建立的故障诊断预警模型W如式（3）所示。

1.4 制定风电机组故障预警指标

使用MSET计算预警指标，确定两者之间的残差[8]，当残差在阈值范围内，则判断该残差为一个稳定点，如果残差过大，则该残差不能判断为一个点。阈值指标是在MSET模型离线训练期间确定的。其余部分用作训练数据，输入模型用于计算残值。为了确定预警过程中的异常值，评价预警指标。由于非参数模型在预测模型输入变量的过程中，存在不确定性。如果阈值较低，说明异常检测算法对正常运行状态信息过于敏感，易造成错误判断。在确定残差的平均值时，需要对阈值赋予一定的系数，确定预警指标E如式（4）所示。

依據风机运行的随机性能和扰动性能可知，若运行过程中出现异常波动均属于正常现象。如果呈现下降趋势，则可以判断当前风力发电机运行状况不正常，运行过程存在隐患。因此，当判断某一特定点或少数点异常时，立即发出预警信息，触发误报，增加误报率。因此，为降低误报率，补充异常率作为预警指标，发布预警信息。假设在一段时间内连续计算N个变速箱温度的观测和估计残差，可以将其中的Na判断为异常值。

1.5 故障诊断预警算法

在风力发电机组的实际运行中，依据实际运行条件确定残差阈值，结合温度模型试验结果和以往经验建立残差阈值。利用任务条件识别中处理的有效数据构建MSET模型历史矩阵，将通过任务条件识别得到的4个任务条件所包含的数据作为验证样本。使用设计的方法，将所有未分离工况的数据和四种工况的数据作为验证样本，设置温度估计模型，计算残差平均值，确定相应的预警阈值。根据该阈值，结合式（1）～（4），设计的基于工况辨识的故障诊断预警算法U如式（5）所示。

式（5）中，B代表元素差值，C代表控制范围，使用设计的算法将风电机组实际运行工况进行划分，将空间数据单独存储，作为后续工作的故障预警数据源，为基于工况辨识下的风电机组故障预警提供基础。

2 实验

为检测本文设计的风电机组故障诊断预警算法的准确度，使用传统的预警算法和本文设计的预警算法进行对比实验，检测其与标准的故障预警齿轮轴温的区别，风电机组故障预警系统程序运行如图2所示。

2.1 实验准备

各节点的硬件配置为：CPU其内存为128 GB，硬盘360 GB，故障截取的并行比用式（6）计算。

式（6）中，F代表并行比，H代表故障节点数，T代表预警反应时间，实验用前置机及服务器获取的数据，整合为XML格式，根据并行比公式，列出故障样本的截取情况如表1所示。

根据表1截取的故障样本，将多次实验的平均值进行对比。

2.2 实验结果与讨论

记录本文设计算法与传统算法故障诊断预警的齿轮轴温，与标准的故障诊断预警齿轮轴温对比，绘制曲线拟合图，如图3所示。

由图3可知，本文设计的基于工况辨识的风电机组故障诊断预警算法诊断的故障齿轮轴温与标准值拟合度高，能有效减少预警时间，优于传统的故障诊断预警方法。

3 结论

综上所述，风力能源的使用对维持我国生态环境可持续发展有重要意义，因此维持风电机组的正常工作状态，使其可以稳定地工作，对能源保护有重要意义，因此本文设计了基于工况辨识的风电机组故障诊断方法，实验证明其与标准数值拟合度高，优于传统的故障诊断预警方法，具有一定的应用价值，为后续的故障诊断预警提供参考。