王衛(wèi)娜 ，甄 冬 ，張 琨 ，張 磊

（1.河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津 300131；2.河北工業(yè)大學(xué) 機械工程學(xué)院，天津 300131）

近年來，風(fēng)電行業(yè)增長趨勢強勁，鑒于此歐洲風(fēng)能協(xié)會EWEA將累積裝機容量目標增加至2020年達到230 GW，2030年達到400 GW。然而，這是一個具有挑戰(zhàn)性的目標，其中風(fēng)力發(fā)電成本問題特別值得關(guān)注，它決定了風(fēng)能是否可以成為一個有競爭性的可持續(xù)的替代能源。風(fēng)力發(fā)電機作為風(fēng)力發(fā)電系統(tǒng)的關(guān)鍵部件之一直接影響著整個風(fēng)力發(fā)電系統(tǒng)的性能、效率[1]。隨著風(fēng)電機組的單機功率不斷增大，運行環(huán)境不斷復(fù)雜，控制系統(tǒng)故障已經(jīng)取代齒輪箱等機械部件故障成為影響機組安全運行的首要因素。風(fēng)電機組核心控制技術(shù)之一的變槳系統(tǒng)發(fā)生故障是目前造成機組停機的主要原因之一，因此，開展風(fēng)電機組變槳故障診斷方法的研究十分必要。近年來，不少研究者對風(fēng)電機組變槳故障診斷展開了研究。文獻[2]探討了故障監(jiān)控和數(shù)據(jù)采集系統(tǒng)提供的故障數(shù)據(jù)并在3個層次提供故障預(yù)測：故障與否的預(yù)測、故障診斷策略和具體的故障預(yù)測。文獻[3]提出了一種系統(tǒng)化調(diào)查風(fēng)機SCADA系統(tǒng)的警報。文獻[4]針對風(fēng)機葉片振動信號，采用小波分解方法，對葉片的裂紋、凹痕和破損進行故障診斷。

傳統(tǒng)上，機械設(shè)備的在線監(jiān)測是通過數(shù)學(xué)建模來實現(xiàn)的，但是由于風(fēng)機的操作涉及到復(fù)雜的控制，不容易建立一個精確的數(shù)學(xué)模型。所以本文的變槳故障診斷方法并不是根據(jù)風(fēng)機的瞬間響應(yīng)進行診斷，而是在一定操作條件下，對風(fēng)機的運行歷史狀態(tài)進行綜合評估，通過挖掘大量SCADA數(shù)據(jù)之間的關(guān)聯(lián)性，實現(xiàn)變槳故障的診斷，并通過仿真來驗證，這能減少由于SCADA異常值造成的計算錯誤，從而提高變槳故障監(jiān)測結(jié)果的可靠性。

1 數(shù)據(jù)來源與數(shù)據(jù)預(yù)處理

本文基于某1.5 MW風(fēng)場的海量SCADA數(shù)據(jù)進行研究，其風(fēng)電機組參數(shù)如表1所示。

表1 風(fēng)電機組參數(shù)Tab.1 Specification of wind turbine

風(fēng)機通過葉片捕獲能量，然后通過傳動鏈將能量轉(zhuǎn)換成機械能進行傳遞，最后利用發(fā)電機將能量轉(zhuǎn)換為電能。鑒于此，發(fā)電機功率與風(fēng)速的立方成正比[5-6]，所以在進行數(shù)據(jù)預(yù)處理時，風(fēng)速將作為相關(guān)數(shù)據(jù)分級的參照。在對風(fēng)機進行變槳故障診斷之前，應(yīng)先選擇與變槳故障發(fā)生密切相關(guān)的3個參數(shù)：風(fēng)速、槳距角和功率。由于越接近故障發(fā)生時刻，信號特征越明顯，所以提取風(fēng)電機組發(fā)生變槳故障時刻前0.5 h的風(fēng)速-槳距角、風(fēng)速-功率數(shù)據(jù)。由于風(fēng)速波動較大，變化沒有規(guī)律可循，所以需要對風(fēng)速先進行預(yù)處理，以得到較為穩(wěn)定的風(fēng)速數(shù)據(jù)。為了獲取SCADA數(shù)據(jù)之間的關(guān)聯(lián)性，數(shù)據(jù)預(yù)處理方法如表2所示。

表2 數(shù)據(jù)預(yù)處理Tab.2 Data pre-processing

如圖1所示為從某臺1.5 MW三葉片風(fēng)機上獲取的正常和發(fā)生變槳故障的SCADA原始數(shù)據(jù)。

圖1 原始SCADA數(shù)據(jù)Fig.1 Original SCADA data

從圖1可以看出，原始SCADA數(shù)據(jù)中的正常數(shù)據(jù)和故障數(shù)據(jù)部分混雜在一起，尤其是風(fēng)速-功率數(shù)據(jù)，無法直觀地表征出正常與故障的區(qū)別，無法為判別故障提供可靠的依據(jù)。此外，雖然風(fēng)速-功率已被廣泛應(yīng)用于風(fēng)機SCADA系統(tǒng)，但是圖中觀測故障并不明顯，這是由于風(fēng)機SCADA數(shù)據(jù)不僅是受風(fēng)機結(jié)構(gòu)完整性的影響，還受許多其他因素的影響（例如風(fēng)切變和湍流），這顯著增加了風(fēng)機變槳故障診斷的難度。

利用表2中的預(yù)處理方法預(yù)處理后的數(shù)據(jù)結(jié)果如圖2所示。

圖2 預(yù)處理后SCADA數(shù)據(jù)Fig.2 Pre-processed SCADA data

從圖2可以看出，上述數(shù)據(jù)預(yù)處理方法能有效地提取出隱藏在風(fēng)機原始SCADA數(shù)據(jù)中的特征；通過對比正常和故障的風(fēng)速-槳距角，風(fēng)速-功率曲線，可以看出故障曲線偏離正常曲線即故障的發(fā)生。

2 變槳故障診斷方法

為了挖掘隱藏在SCADA數(shù)據(jù)中的信息，將上述預(yù)處理過的風(fēng)速-槳距角， 風(fēng)速-功率數(shù)據(jù)｛xi，yi｝（i=1，2，…，n）用方程進行描述[8]：

式中：bj（j=0，1，…，k）為模型系數(shù)；k 為方程的階。式（1）用矩陣形式可以寫成：

此時令

則式（2）可以表達為

在式（3）的兩側(cè)增加X的轉(zhuǎn)置矩陣XT可得：

因此，可以通過計算得到系數(shù)矩陣B

得到系數(shù)矩陣B后可以建立｛xi，yi｝的相關(guān)模型。風(fēng)機是否發(fā)生變槳故障的運行狀況可以通過式（6）的參數(shù)計算進行評估，即：

式中：aj為待檢測數(shù)據(jù)模型系數(shù)；bj為風(fēng)機正常運行模型系數(shù)。

從式（6）可以推斷，正常情況下，當e≈0時，風(fēng)機正常運行，故障越嚴重，e值越大。不過，值得注意的是，對于風(fēng)機這樣的機械設(shè)備會不斷受到變化的載荷條件而且經(jīng)常在不同操作條件下工作，所以風(fēng)機的運行通常是依賴于實際載荷和運行條件。在e值的評估中，通過觀測最大狀態(tài)誤差來判斷風(fēng)機是否發(fā)生變槳故障，同時在定義e的閾值時仍然需謹慎，否則可能導(dǎo)致錯誤的診斷結(jié)論。

3 仿真結(jié)果及分析

為了驗證上述變槳故障診斷方法的有效性，選取某臺額定功率為1.5 MW風(fēng)機上經(jīng)常發(fā)生的2種不同的變槳故障類型M和N，對每種故障類型分別采集 2 組故障點前 0.5 h 的數(shù)據(jù)：M1，M2，N1，N2，并提取這臺風(fēng)機正常運行狀態(tài)下0.5 h的風(fēng)速-槳距角和風(fēng)速-功率數(shù)據(jù)，利用上述變槳故障診斷方法進行診斷，方程的階數(shù)k選取4，槳距角e的閾值選取1.3，功率e的閾值選取20，結(jié)果如圖3和表3所示。

從圖3和表3可以看出：

（1）預(yù)處理后的數(shù)據(jù)經(jīng)過計算能清楚地顯示出風(fēng)機變槳故障的發(fā)生；

（2）槳距角和功率的e值分別在不同范圍內(nèi)變化，但功率的e值較槳距角的e值能更明確地顯示出風(fēng)機變槳故障的發(fā)生；

圖3 數(shù)據(jù)預(yù)處理結(jié)果Fig.3 Result of pre-processed data

表3 e值計算結(jié)果Tab.3 Value of e

（3）通過槳距角或功率的e值所屬范圍能夠判斷出2種故障的類型，槳距角e值：1.3＜e＜3時為故障 M，e＞3 時為故障 N；功率 e值：20＜e＜40 時為故障N，e＞40時為故障 M。

4 結(jié)語

鑒于傳統(tǒng)機械故障診斷方法應(yīng)用于風(fēng)機變槳故障診斷中的不足和局限性，本文基于SCADA數(shù)據(jù)進行研究并挖掘其中的關(guān)鍵信息以便對風(fēng)機進行變槳故障診斷。通常在風(fēng)電機組正常運行時，故障會導(dǎo)致SCADA數(shù)據(jù)的變化，然而SCADA數(shù)據(jù)的變化并不一定表明故障的發(fā)生。所以說，SCADA數(shù)據(jù)的變化和故障是否發(fā)生有一定關(guān)聯(lián)性，但也不是絕對的，而利用文中的數(shù)據(jù)預(yù)處理方法可以有效地挖掘出數(shù)據(jù)中的隱藏信息，為后續(xù)變槳故障診斷工作奠定基礎(chǔ)。本文的變槳故障診斷方法能夠有效地從槳距角和功率2個方面判斷是否發(fā)生變槳故障和變槳故障的嚴重程度。通過對比2種常見變槳故障類型的診斷結(jié)果，能夠輕松地判斷出2種變槳故障類型。這將為風(fēng)場運維人員明確故障指向，能有效降低風(fēng)場停機時間，降低風(fēng)力發(fā)電成本，減少經(jīng)濟損失。

[1]任俊杰，方東，劉暢，等.風(fēng)力發(fā)電機組的變槳距復(fù)合控制[J].自動化與儀表，2013，28（4）：33-36.

[2]Andrew Kusiak，Wenyan Li.The prediction and diagnosis of wind turbine faults[J].Renewable Energy，2011（36）：16-23.

[3]Qiu Yingning，F(xiàn)eng Yanhui，Tavner Peter，et al.SCADA alarm analysis for improving wind turbine reliability[J].Wind Energy，2011（10）：293-296.

[4]李大冰，吉榮廷，馮文秀.風(fēng)力發(fā)電機組葉片故障診斷[J].節(jié)能技術(shù)，2013，31（6）：534-536.

[5]Guo Peng，Xu Ming，Bai Nan，et al.Wind turbine tower vibration modeling and monitoring driven by SCADA data[J].Proceeding of the CSEE，2013，33（5）：128-136.

[6]The International Electrotechnical Commission.IEC61400-1 wind turbines-part 1：design requirements[S].IEC International Standard，3rd ed，2005.

[7]The International Electrotechnical Commission.IEC61400 Part 11：wind turbine generator systems-acoustic noise measurement techniques[S].IEC International Standard，2002.

[8]Wenxian Yang，Richard Court，Jiesheng Jiang.Wind turbine condition monitoring by the approach of SCADA data analysis[J].Renewable Energy，2013（53）：365-376.