某风电场基于数据驱动的诊断系统的建设与应用

苏俊 陈振华

1.国家电投集团江苏新能源有限公司；2.北京协合运维风电技术有限公司

国内风电机组装机容量迅速扩大，机组运行中的故障问题日益突出，如何提前预测机组部件故障，合理安排检修，减少安全事故及发电量损失越来越重要。本文通过SCADA 数据建立了大部件、设备健康和性能劣化3 类共134 个模型，将这些模型集成到数据驱动型的诊断系统中，成功发现了机组发电机轴承异常和功率曲线异常，结合风电场定检和巡检工作进行了处理，降低风电场非计划性停机损失，为智能化运维模式的探索提供有效依据。

伴随着风电行业的快速发展和风电机组的广泛安装使用，运行机组的故障问题日益突出。如何合理采用故障预警技术，通过实时数据和预警算法有效地发现事故隐患，快速准确地进行机组维护和维修，保障机组安全运行，降低机组的故障率，提高风电的竞争能力，成为了行业的共识。

本文利用风电机组运行及状态数据进行全量小颗粒度监测和大数据挖掘计算，开发基于SCADA 数据的监测发电机轴承温度、齿轮箱温度这类大部件诊断模型，监测风电机组功率曲线的性能劣化诊断模型，监测设备健康的传感器、温度模拟量数值、发电机绕组温度、变桨电机温度类设备健康诊断模型。并开发集成各类模型的数据驱动型诊断系统，对风电场设备数据开展实时智能预警分析，为智能化运维模式的探索提供有效依据。

1 预警及诊断技术研究

实施风电机组故障预警是目前形势下电力企业适应市场经济、降低发电成本、提高经济效益的一项有力的措施。其目的是实时、在线掌握设备的健康状况降低企业维修费，提高设备可靠性、安全性。

1.1 预警及诊断理论

在国外，基于状态检修的大部件预警技术是20世纪70年代初发展起来的一种较为先进的检修方式，已在欧美发达国家得到较为广泛的运用。目前，国外在状态检修技术研究与实践应用方面都已取得了显著成绩。从2000年开始，以美国为代表的发达国家正在从以可靠性为中心的维修(RCM)方式向实施预知性检修(PDM)和状态检修(CBM)方面发展，来改进和优化检修工作。

风机状态检修和大部件预警可分为基于模型的方法和基于信号的方法，但是当系统越来越复杂，使用模型和信号的方法都无效时，基于人工智能的方法就发展起来了。（1）其中基于模型的方法可用来发现一些特殊的系统故障。从实现的角度可以分为通过数值计算实现，以及通过知识学习的方法实现。参数估计、状态监测，都是常用的模型方法，模型方法有时也会用到推断和分类算法。（2）基于信号的方法是通过分析输出信号来诊断故障。发生故障的信号通常具有一定的特征，从时域或频域的角度进行分析，可以发现风机齿轮箱和其他部件的初期故障[1]。（3）专家系统与人工智能方法，某些时候需处理的对象过于复杂，基于模型的方法和基于信号的方法都无法有效使用的情况下，例如同时发生的一些故障造成了不同的影响，这时就可以用统计学习的方法进行故障诊断。常用的统计学习的方法有概率法、模糊逻辑、人工神经网络、贝叶斯网络。统计学习的方法有一个特点，就是需要大量历史数据。常使用深度学习、神经网络、组合神经网络[2]、BP 神经网络[3]、提升树、支持向量机[4]、分类回归树等方法。

1.2 建模方式

本文基于SCADA 历史数据和案例分别建立大部件诊断模型、设备健康模型和功率曲线异常模型并进行测试，再通过风电场实时数据验证和迭代优化模型。建模的技术路线和方式如下：

（1）技术路线，首先需将风机历史数据分为异常状态和正常状态，并进一步将异常状态按照系统物理构成或其他特征区分成不同的数据集，通过构建模型建立这些故障数据的模型，通过机组历史正常数据构建健康数据模型；再将机组实时监控数据导入到这些模型中，实时判断机组健康状态，预测机组是否出现劣化或故障，并通过各种故障模型识别具体故障部位和等级，提供特征决策。

（2）模型训练方式，预警模型训练主要包括两种方式，一是根据已有算法和原理拿现场数据和案例进行验证；另一种是根据现场案例，尝试不同算法和数据进行验证。

（3）模型建立过程，必然一个循序渐进的过程。整个路线图分为了4 个阶段进行：1）基于原理的一维参数阈值模型建立。即采用传统方法，基于部件原理和设计参数，通过搭建实验平台或用软件搭建模型，根据严格的输入输出公式，导入输入数据通过输出结果判断大部件损坏。2）基于统计学的全量风机模型建立。采用统计学的概率及分布规律，计算全场风机各部件温度值、电流、电压等统计概率阈值，通过阈值对各风机各参数进行预警。3）基于原理规则的制定参数多维数据模型建立。针对齿轮箱、叶片等大部件存在一定规则，但是无法通过简单模型进行表述，采用有监督学习方法挑选有限的参数进行训练。4）基于深度神经网络的多维数据模型建立。针对无法通过规则训练的模型，采用全量数据进行无监督、深度神经网络和深度编码算法的训练。

（4）建模数据，一般采用两种数据，即离线数据和在线实时数据。

2 预警和诊断模型

本文针对风电场的数据和使用场景，将预警诊断模型分为大部件、功率曲线异常和设备健康3 类，分别采用不同的理论和方式建立模型。

2.1 大部件预警诊断模型

风机大部件因设计缺陷、质量隐患及安装维护不规范导致的安全隐患风险大，难以通过风机自身的故障报警系统提前发现运行风险，故障停机后处理难度大，部件失效后造成的发电量损失影响较大；下面介绍基于SCADA 数据的发电机轴承故障诊断模型。

该模型基于SCADA 的10min 数据，采用单机自适应和多机协同的无监督学习自适应算法，利用功率、发电机转速、发电机驱动端轴承温度、发电机非驱动端轴承温度、发电机绕组温度、环境温度测点建模，利用风速、轮毂转速、桨距角、发电机冷却温度这些测点进行条件判断和数据剔除。通过数学运算并结合业务知识将与轴承温度，叶轮转速相关性低的变量剔除，进一步进行降维处理提取出发电机温度和发电机轴承温度相关的特征信息，通过推荐算法建立发电机温度预警模型及发电机轴承故障检测和诊断模型。

通过全场风机历史10min 数据进行训练和验证，得到最终模型；模型执行时采用全场风机10min 数据，每天判断设备状态，最后综合每天状态得到预警指标。

2.2 功率曲线异常诊断模型

从风电场损失电量占比可知，机组发电性能劣化导致的损失电量占比较高，而风机SCADA 系统并没有针对功率曲线的诊断机制，导致运维人员无法及时发现性能不佳的机组。功率曲线诊断模型就是基于风速、功率、转速、桨距角、各种温度的SCADA 数据，以单台机组的功率曲线拟合和异常点识别为出发点，结合图像识别技术，通过数据挖掘、人工智能算法方式识别风机限功率、功率曲线偏移、桨叶角受限、风机控制策略变化、风机无法满发等情况，并自动推送诊断报警信息。

2.3 设备健康诊断模型

针对设备健康诊断，风机中传感器、温控阀等常规部件数量多，维修频次较高，目前常规固定阈值触发的故障报警机制，运维人员往往只能进行事后运维，缺乏故障预警及预防性运维方法。该类诊断模型将重点关注风电机组的关键模拟量、各子系统温度类数值异常情况和转速类数值异常情况，通过对设备历史数据进行机器学习，结合当前设备运行状态，综合判断设备健康状态，及时给出高准确率的故障诊断信息。

第一个阶段是通过运用深度神经网络算法建立各类设备健康的预警诊断模型。监测模型基于代表正常风机的SCADA 数据进行训练，所有正常以及非正常的风机的拟合误差将会被预测出来。第二阶段是建立EWMA控制表。UCL 和LCL 将被用于对设备异常进行报警。

3 系统开发

数据驱动型诊断分析系统基于现有的运行数据来系统地检测和预测设备状况的过程变化以及其未来趋势。

3.1 系统架构设计

数据驱动型诊断分析系统通过接口接入集控中心实时数据，支持离线Excel 格式数据导入。数据采集后，根据模型进行训练，提供预警，并将消息推送给用户。

单台风机的预警模型遍历需要消耗一定时间及计算资源，如何保证全场风机的预警模型同时工作，在有限时间内从数据中训练得到诊断模型和预测模型是实时预警的内在要求。本次针对实时性要求不高的模型采用延长预警间隔，增加模型计算时间，减少硬件费用的投入。

3.2 硬件及部署

系统程序安装在应用服务器上，安装程序之前先对服务器环境进行维护，并安装软件。硬件配置如下：浪潮NF5270M5，Intel Xeon 4216（16 核）或Xeon 4214(12 核)×2 个，2GRDIMM DDR4 内存×4 个，960G SSD 2.5×3 个+2TB SAS 硬盘（15K）3.5×5 个，INSPUR 八通道高性能SAS RAID 卡RS0820P(2G 缓存)×1 个，550W白金电源PURLY×2 个。

数据从监控中心Ⅲ区的南瑞朗坤数据服务器通过API 获取，服务器共用2 个物理网卡，分别用于集团内网系统访问、外网远程维护。

3.3 系统功能

预警系统的功能设计基于现场生产业务场景，根据每个风场的数据采集情况和设备历史运行规律定制化配置预警模型参数，将预警模型的算法逻辑和业务需求相结合，通过释放数据价值，实现了基于状态检修的智慧运维生产模式。

智能预警系统包括首页、预警概览、预警详情、统计查询、算法调度等功能。

（1）首页和预警概览，如图1所示。为智能预警系统的信息总览模块，针对用户所关注的电站，可以查看电站各模型未处理工单统计，各类模型在各个场站历史预警甘特图。

图1 系统图Fig.1 System diagram

（2）预警详情，各预警模块为智能预警系统每个模型详细信息，展示从预警概览跳转过来的预警信息或每个模型筛选条件下的结果。

可以查看该电站选择风机下未处理、已确认、已关闭预警信息，默认未处理。多维度、快捷切换和跳转展示预警历史信息、每条信息下的特征图、支撑用户确认是否需要处理、提供处理意见和处理过程及结果反馈功能。

可以批量确认预警信息，确认后才能进行后续处理过程跟踪。

（3）统计查询，提供风机维度、模型维度和时间维度的预警结果查询和分布规律。

（4）算法调度，支持技术人员通过选择快速配置和调度任务，可对单个风电场单个模型下方诊断任务，可一次下发多条任务；也可以创建周期性任务，定时执行；可实时跟踪任务状态。

4 系统应用及经验总结

系统部署后，大部件、设备健康和性能劣化共134个模型每天执行一次，成功发现3 台发电机轴承异常，2台功率曲线异常，10 台限功率运行。现场针对系统检修建议，结合定检和巡检对异常情况进行了处理，实现提升风电场故障消缺的准确性、及时性，大幅度降低风电场非计划性停机损失，为智能化运维模式的探索提供有效依据。

预警系统在该风电场的应用有利于风电场在线掌握设备的健康状况，提高设备可靠性、安全性；应用过程中也发现预警模型在实际应用中存在泛化性不足，对数据质量要求较高的特点。因此，后续预警模型建立及系统开发需要充分考虑模型的泛化性，提高模型的准确性，减少模型对数据质量的要求，同时要求风电场做好传感器及数据的维护工作。