高菊輝，史石磊

(北京國電思達科技有限公司，北京 100039)

風(fēng)能作為一種清潔、可再生的綠色能源，近年來一直處于蓬勃發(fā)展階段，風(fēng)電裝機規(guī)模持續(xù)擴大。據(jù)國家能源局統(tǒng)計，截止2020年12月底，我國風(fēng)電總裝機超過2.2億kW，位居世界第一。在風(fēng)力發(fā)電事業(yè)飛速發(fā)展的背后，也存在巨大問題。由于風(fēng)電機組長期工作在惡劣的自然環(huán)境中，導(dǎo)致某些部件故障率顯著增加，嚴重影響發(fā)電量和電能質(zhì)量。作為風(fēng)電機組并網(wǎng)端和風(fēng)場主變壓器的電力連接樞紐，風(fēng)電35kV箱式變壓器在風(fēng)力發(fā)電中起著重要作用，一旦出現(xiàn)故障將嚴重影響發(fā)電量，降低風(fēng)電場收益。

近年來，在箱式變壓器的狀態(tài)監(jiān)測與故障診斷方面已取得大量研究成果，并已廣泛應(yīng)用于實際項目中。沈曉峰等人基于物聯(lián)網(wǎng)架構(gòu)設(shè)計研發(fā)了一套箱式變壓器智能監(jiān)測系統(tǒng)，實現(xiàn)了箱式變壓器運行狀態(tài)在線監(jiān)測、故障預(yù)警等功能。文獻[9]通過研究一種智能型的風(fēng)電場監(jiān)控系統(tǒng)，實現(xiàn)了對風(fēng)場箱式變壓器的集中控制和監(jiān)測。鄭麗娟等人提出了基于物聯(lián)網(wǎng)信息集成的箱式變壓器綜合監(jiān)控系統(tǒng)，以箱式變壓器綜合監(jiān)控裝置為核心，用模塊化的設(shè)計思想，實現(xiàn)箱式變壓器多種監(jiān)測信息的采集、分析、顯示、控制、報警等功能。

風(fēng)場箱式變壓器故障預(yù)警診斷模塊基于現(xiàn)場數(shù)據(jù)的實時采集，數(shù)據(jù)泛化處理、數(shù)據(jù)儲存；基于采集的海量現(xiàn)場數(shù)據(jù)，通過對箱式變壓器運行數(shù)據(jù)分析，構(gòu)建基于非線性狀態(tài)估計的故障預(yù)警模型，實現(xiàn)箱式變壓器故障預(yù)警、異常結(jié)果推送以及處理意見指導(dǎo)等功能；系統(tǒng)具有離線數(shù)據(jù)導(dǎo)入的功能，可以對離線數(shù)據(jù)進行分析，實現(xiàn)不同型號、不同運行工況、不同場域內(nèi)的箱式變壓器故障預(yù)警及分析。

1 系統(tǒng)框架

預(yù)警系統(tǒng)采用基于非線性狀態(tài)估計的箱式變壓器故障預(yù)警方法，屬于機器學(xué)習(xí)方法，從有耦合關(guān)系的多維數(shù)據(jù)中有效預(yù)測目標參數(shù)，最終使用固定閾值預(yù)警策略預(yù)警目標箱式變壓器是否存在隱患故障，為風(fēng)電場的運維人員提供運維決策支撐。

箱式變壓器故障預(yù)警策略可由在線部分和預(yù)測模型生成兩部分組成，圖1的左側(cè)為預(yù)測模型生成部分，右側(cè)為在線故障預(yù)警部分。

圖1 基于非線性狀態(tài)估計的箱式變壓器故障預(yù)警框架

預(yù)測模型部分順序為：首先將數(shù)據(jù)中的錯誤數(shù)據(jù)剔除，然后使用NSET算法生成箱式變壓器參數(shù)預(yù)測模型，使用離線數(shù)據(jù)測試基于NSET的參數(shù)預(yù)測模型，得到健康狀態(tài)下的箱式變壓器殘差，基于健康數(shù)據(jù)的箱式變壓器殘差確定故障預(yù)警閾值。

在線部分故障預(yù)警的流程順序為：使用獲取的SCADA實時數(shù)據(jù)經(jīng)數(shù)據(jù)預(yù)處理與NSET參數(shù)預(yù)測模型，得到實時值的估計值，計算實時值與預(yù)測值兩者之差作為預(yù)警策略的統(tǒng)計樣本，最后判斷當前殘差是否超過離線部分生成的閾值，根據(jù)判斷結(jié)果預(yù)警潛在故障。如果當前殘差超出閾值，判斷為箱式變壓器有潛在故障，如果沒有超出閾值，說明目標箱式變壓器當前運行狀態(tài)比較穩(wěn)定，無潛在故障，可繼續(xù)監(jiān)測箱式變壓器運行參數(shù)。

2 NSET故障診斷方法

非線性狀態(tài)評估是由Singer等人提出的一種基于數(shù)據(jù)驅(qū)動的非參數(shù)、非線性經(jīng)驗建模方法。當前，非線性狀態(tài)估計法已廣泛應(yīng)用于設(shè)備狀態(tài)監(jiān)測、傳感器校驗、電子器件壽命預(yù)測、故障預(yù)警等領(lǐng)域。文獻[16]利用非線性狀態(tài)估計法建立風(fēng)電機組齒輪箱溫度預(yù)測模型，結(jié)合滑動窗口技術(shù)實現(xiàn)了齒輪箱的早期故障預(yù)警和實時在線狀態(tài)監(jiān)測的目的。文獻[17]在定性分析的基礎(chǔ)上，采用非線性狀態(tài)估計方法建立了風(fēng)電機組正常工況下的塔架模型，為基于振動的狀態(tài)監(jiān)測和早期故障診斷奠定了基礎(chǔ)。文獻[18]提出基于非線性狀態(tài)估計的風(fēng)電機組變槳控制系統(tǒng)故障識別，可有效識別出主、次故障，幫助風(fēng)電場運維人員確定檢修順序。

將非線性狀態(tài)估計法運用于風(fēng)場箱式變壓器早期故障預(yù)警的基本思路為：從正常工作狀態(tài)下產(chǎn)生的SCADA數(shù)據(jù)中選出一部分狀態(tài)參數(shù)構(gòu)成過程記憶矩陣，使其能夠覆蓋箱式變壓器的全部正常工作狀態(tài)，利用建立的NSET模型達到預(yù)測輸出的目的。NSET建模參量包括：系統(tǒng)總體觀測矩陣P、訓(xùn)練矩陣K、記憶矩陣D、觀測矩陣Xobs、預(yù)測輸出矩陣Xest。

系統(tǒng)總體觀測矩陣Pn×b如下所示：

式中，b為觀測向量的時間標簽，n為觀測向量的參數(shù)個數(shù)。

從總體觀測矩陣P中選取一段時間的參數(shù)作為訓(xùn)練矩陣K，被選取出的參數(shù)均是正常工況下產(chǎn)生的數(shù)據(jù)。

從訓(xùn)練矩陣K中選出m個觀測向量組成過程記憶矩陣D。

NSET模型的輸入為某一時刻觀測向量Xobs，輸出為預(yù)測向量Xest。對于任意一個輸入的觀測向量Xobs，NSET模型都將產(chǎn)生一個m維的權(quán)值向量W。權(quán)值向量W是一個列向量且維數(shù)于輸入的觀測向量相同，W形式如下：

使得：

設(shè)NSET模型輸入與輸出的殘差為ε，對殘差進行極小化處理：

由式（7）可知，DT?D可逆是權(quán)值向量W存在的前提條件，為增強NSET模型可用性，選擇Eucliden距離作為DT和D間的非線性運算符，即：

則系統(tǒng)當前狀態(tài)估計矩陣為：

在正常工況下，模型的輸入值和過程記憶矩陣中的某些向量非常接近，從而會得到一組與實際值誤差較小的預(yù)測值，所以殘差值也比較小；相反，如果輸入NSET模型的實際值是箱式變壓器在發(fā)生故障或有潛在故障時產(chǎn)生的數(shù)據(jù)，那么這些值將與過程記憶矩陣中的觀測向量有較大偏離，預(yù)測精度下降，導(dǎo)致殘差值變大。因此，根據(jù)殘差的變化設(shè)定閾值，當殘差多次、持續(xù)地超出閾值時判定為箱式變壓器工作異常，從而實現(xiàn)了箱式變壓器的故障預(yù)警。

3 方法實現(xiàn)

3.1 NSET建模變量選取

為建立NSET預(yù)測模型，首先需要選取出建模變量。在正常運行狀態(tài)下，箱式變壓器參數(shù)之間蘊含著特定的數(shù)據(jù)結(jié)構(gòu)和分布規(guī)則，為實現(xiàn)箱式變壓器的故障預(yù)警診斷，以油溫為主，其他參數(shù)為輔，對箱式變壓器的運行狀態(tài)進行綜合判斷。本文選擇A相電流、B相電流、C相電流、A相電壓、B相電壓、C相電壓、箱式變壓器油溫為NSET的建模參數(shù)。

3.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是箱式變壓器故障預(yù)警算法的關(guān)鍵一步，包含兩部分內(nèi)容：去除異常值和數(shù)據(jù)歸一化。由于設(shè)備故障和在測量、傳輸、保存數(shù)據(jù)時出現(xiàn)錯誤等原因，SCADA數(shù)據(jù)中會包含大量的異常數(shù)據(jù)，為提高建模精度，在使用SCADA數(shù)據(jù)之前需要進行數(shù)據(jù)清洗，去除異常值。為消除SCADA數(shù)據(jù)不同變量之間屬性和量綱的影響，需在建模之前對訓(xùn)練集數(shù)據(jù)進行歸一化處理：

3.3 構(gòu)造過程記憶矩陣

正常工況下，風(fēng)場箱式變壓器的每一個觀測向量Xobs都由上述6個變量參數(shù)組成，并且訓(xùn)練矩陣K中的所有觀測向量已被歸一化處理。對于每個變量，將其歸一化后的最小值到最大值等分為300份，即：

式中，si為第i個變量的步距，和分別為歸一化后第i個變量的最大值與最小值。

以其中一個變量A相電流為例，以s1為步距從訓(xùn)練矩陣中選取出若干個觀測向量添加到過程記憶矩陣D中，添加流程如圖2所示。

圖2 過程記憶矩陣構(gòu)造流程

圖中，δ為一個小的正數(shù)，此處取0.001，M為訓(xùn)練矩陣K的變量個數(shù)。剩余的5個箱式變壓器參數(shù)，均采用圖2所示的流程，從訓(xùn)練矩陣中選擇符合條件的觀測向量添加到過程記憶矩陣中。通過此方法構(gòu)造的過程記憶矩陣，能夠很好地覆蓋風(fēng)場箱式變壓器的正常工作空間，較好的表征正常工作狀態(tài)下的箱式變壓器特征，此流程完成之后，就可由式（9）建立NSET模型，對新輸入的觀測值進行預(yù)測。

3.4 正常狀態(tài)下模型測試

利用上述建立的非線性狀態(tài)估計箱式變壓器故障預(yù)警模型，驗證模型的精度。選擇某風(fēng)力機組的2018年9月26日至2019年11月18日狀態(tài)監(jiān)測數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，使用NSET算法生成箱式變壓器參數(shù)預(yù)測模型，對2018年11月19日至2018年11月28日的正常運行數(shù)據(jù)進行模型在線測試，并由此數(shù)據(jù)的殘差確定閾值，模型測試結(jié)果如圖3、圖4和圖5所示。

圖3 訓(xùn)練數(shù)據(jù)NSET模型測試結(jié)果

圖4 11月19日~11月28日正常運行數(shù)據(jù)在線測試結(jié)果

圖5 11月19日~11月28日正常運行數(shù)據(jù)殘差統(tǒng)計圖

從圖3可以看出，本文所建立的箱式變壓器故障預(yù)警模型在訓(xùn)練數(shù)據(jù)集上有著非常好的表現(xiàn)，預(yù)測值與實際值極為接近，此模型有著較高的精確度。圖4中，盡管風(fēng)場箱式變壓器油溫的預(yù)測值大部分高于實際值，但油溫的預(yù)測曲線走勢和大體形狀與實際溫度曲線還是較為一致的，即實際值能較好地跟隨預(yù)測值。

將圖4中的原始數(shù)據(jù)與預(yù)測數(shù)據(jù)相減形成殘差統(tǒng)計圖，計算殘差的均值與均方根誤差，得到圖5，正常運行數(shù)據(jù)殘差序列的波動有一定規(guī)律性。其中兩條橫線為預(yù)警線，這兩條預(yù)警線是以均值為中心，正負三倍均方根誤差而得到的，即：

其中，Hε為殘差閾值；為殘差均值；Sε為均方根誤差。

3.5 故障狀態(tài)下模型測試

使用箱式變壓器故障狀態(tài)下SCADA數(shù)據(jù)形成油溫的殘差統(tǒng)計圖，并使用上述圖5中的兩條預(yù)警線作為殘差閾值，可得故障狀態(tài)下的預(yù)警圖，如圖6所示。

圖6 故障狀態(tài)下模型測試結(jié)果

從圖6可看出，異常狀態(tài)下，箱式變壓器油溫殘差在第300點附近首次超出閾值下限，在1000點左側(cè)開始頻繁超出預(yù)警線，并在第2200點以后反向超出預(yù)警線。在實際的箱式變壓器故障預(yù)警中，在1000點處就發(fā)出故障早期預(yù)警，此時距離發(fā)生故障有充裕的檢修時間，并且在箱式變壓器故障形成之前也有多次預(yù)警。

4 結(jié)語

基于非線性狀態(tài)估計方法的箱式變壓器SCADA數(shù)據(jù)故障預(yù)警模塊，能夠?qū)ο涫阶儔浩鬟\行數(shù)據(jù)進行統(tǒng)計分析、特征值提取、態(tài)勢預(yù)警等基本分析。該方法能夠接收離線數(shù)據(jù)進行模型訓(xùn)練和評估，接收實時數(shù)據(jù)對設(shè)備進行故障預(yù)測，可動態(tài)顯示各監(jiān)測點數(shù)據(jù)變化情況，從多源海量數(shù)據(jù)中提煉出適用于箱式變壓器設(shè)備狀態(tài)評估的特征表達，基于快速建模故障預(yù)警策略，利用所建模型的歷史數(shù)據(jù)完成常態(tài)數(shù)據(jù)指標閾值的判定，通過當前監(jiān)測指標與閾值比較，判斷潛在故障，實現(xiàn)對箱式變壓器運行狀態(tài)預(yù)測及故障預(yù)警和智能診斷分析。