史春城

（中國電建集團山東電力建設(shè)第一工程有限公司，山東 濟南 250102）

引言

為了克服能源危機，解決日益突出的環(huán)境污染問題，風能逐漸受到人們的廣泛關(guān)注[1-2]。截至2020年底，全球風電裝機容量達到5.26億kW[2]，進一步說明新能源發(fā)電比重逐步提高。研究海量狀態(tài)檢測數(shù)據(jù)的智能清洗、智能診斷和故障評估方法，實現(xiàn)基于多源信息融合的大數(shù)據(jù)預(yù)測分析和智能維護，是風電機組健康管理的重要趨勢[3]。據(jù)統(tǒng)計，風電機組的故障主要集中在葉片、齒輪箱、主軸、發(fā)電機、變頻器等部件上[4]。風電機組狀態(tài)檢測技術(shù)的發(fā)展趨勢是選擇合理有效的檢測和監(jiān)測模式，實現(xiàn)故障診斷和故障預(yù)測。

1 風電機組狀態(tài)檢測和監(jiān)測存在的問題

風力渦輪機通常位于偏遠、不方便、惡劣的郊區(qū)，機艙安裝于高空，這使得風電機組的日常運行狀態(tài)難以檢測，維護費用昂貴[5]。在工作過程中，轉(zhuǎn)子葉片的轉(zhuǎn)速隨風速的變化而變化。當遇到交變的風力時，葉片將受到交變沖擊載荷并通過主軸傳遞其他部件，如軸承、齒輪箱和電機等，將對風力渦輪機的可靠性產(chǎn)生重大影響。

雖然廣大學(xué)者進行了研究，但仍然存在一些缺陷。文獻［6］研究了齒輪箱中的部分齒故障，并比較了風扇齒輪箱的軸承缺陷。結(jié)果表明，聲發(fā)射在故障檢測性能上更為穩(wěn)定，能夠分離損傷等級。文獻［7］采用物元分析方法，針對風電機組在線監(jiān)測信息建立并網(wǎng)風電機組物元評估模型。然而，這種方法需要大量的風電機組正常狀態(tài)下的歷史數(shù)據(jù)作為先驗?zāi)Ｐ停@顯然不適合新機組。文獻［8］以風電場SCADA系統(tǒng)的監(jiān)測數(shù)據(jù)為基礎(chǔ)，采用模糊評價方法對風電機組運行狀態(tài)進行綜合評價分析，結(jié)果表明評價體系合理。然而，該方法的主要缺點是無法控制大量訓(xùn)練數(shù)據(jù)中數(shù)據(jù)點的數(shù)量，導(dǎo)致計算量大。

2 基于大數(shù)據(jù)分析的風電機組健康診斷方法

2.1 大數(shù)據(jù)分析下風電機組健康診斷系統(tǒng)組成

大數(shù)據(jù)分析下風電機組健康診斷系統(tǒng)的模塊分解如圖1所示。

1）遠程控制模塊可以實現(xiàn)在操作室內(nèi)對其風電機組的安全報警、煙霧報警進行遠距離處理，還可以進行音頻和視頻的收集，利用監(jiān)控界面進行頻譜分析，達到風電機組監(jiān)測的目的。

2）維修知識庫模塊可對機組信息進行存儲、分析，給出維修經(jīng)驗，同時實現(xiàn)備品備件、工器具等管理。

3）綜合報表模塊能夠?qū)崿F(xiàn)數(shù)據(jù)分析、狀態(tài)評估、性能分析、對標分析以及壽命預(yù)測等功能。

4）內(nèi)部交流模塊能夠進行任務(wù)分配、人員管理、人員培訓(xùn)等，還能給出巡檢記錄。

5）效能分析模塊對微觀選址、資源評估、氣象信息等方面進行效能分析，實現(xiàn)風功率預(yù)測。

2.2 關(guān)聯(lián)算法

Apriori算法屬于關(guān)聯(lián)規(guī)則算法的最經(jīng)典算法，本算法能夠?qū)崿F(xiàn)風電機組故障預(yù)測，以下給出其實現(xiàn)的步驟。

1）給定最小支持閾值，設(shè)定可信度閾值。

2）掃描事務(wù)數(shù)據(jù)庫，生成候選項，根據(jù)最小支持閾值修剪頻繁項集，得到頻繁項集。

3）根據(jù)頻繁項集得到候選項目集，然后根據(jù)最小支持閾值對候選項目集進行裁剪，生成新頻繁項目集。

4）通過重復(fù)迭代查找最頻繁的項。

5）從頻繁項集中挖掘所有大于或等于可信度閾值的強規(guī)則，即強關(guān)聯(lián)規(guī)則。在上述步驟中，基于頻繁項集查找候選項集的原則是：如果一個項集是頻繁的，那么它的所有子集也必然是頻繁的。

3 評估模型

首先，根據(jù)功能部件的重要級別，將其劃分為5個一級評估子系統(tǒng)X1~X5，即齒輪箱系統(tǒng)、發(fā)電機系統(tǒng)、變流器系統(tǒng)、控制系統(tǒng)和機體系統(tǒng)。然后分別選取各子系統(tǒng)的主要特征狀態(tài)參數(shù)。最后對相應(yīng)的特征狀態(tài)參數(shù)進行綜合，得到各子系統(tǒng)的最終評價結(jié)果。

將Apriori算法與在線狀態(tài)回歸預(yù)測模型進行結(jié)合，將精度作為評估項，衡量誤差取值及其狀態(tài)運行結(jié)果。將誤差公式和殘差公式作為度量評估模型精度的工具。

平均絕對相對誤差（MAPE）：

均方根誤差（RMSE）：

相對誤差均方根百分比誤差（RRMSE）：

式中：fi為預(yù)測值；yi為實際值；n為樣本數(shù)據(jù)。

式中：Ha為信息熵；xi為隨機事件；Pi為發(fā)生事件xi的概率。

評估實施步驟為：

步驟一：獲取風電機組歷史運行狀態(tài)數(shù)據(jù)（一周內(nèi)），構(gòu)建周期性滾動預(yù)測模型。

步驟二：將處理數(shù)據(jù)作為評估參數(shù)的輸入和輸出。

步驟三：利用Apriori算法求解在線狀態(tài)回歸預(yù)測模型最優(yōu)解。

步驟四：利用公式（1）-（4）對模型數(shù)據(jù)進行評估。

步驟五：利用評估結(jié)果衡量機組的健康情況。

4 結(jié)果分析

為了驗證所提出方法的準確性和有效性，2 MW風力渦輪機的SCADA系統(tǒng)運行數(shù)據(jù)如表1所示，其中數(shù)據(jù)1到數(shù)據(jù)4是每15 min的一個收集點。在這組數(shù)據(jù)中，機組一級軸承的溫度異常升高，其他狀態(tài)參數(shù)基本正常。使用本文提出的方法和傳統(tǒng)的評估策略，持續(xù)分析表1中的數(shù)據(jù)。由于表1中齒輪箱一級軸承的溫度指數(shù)X12在一段時間內(nèi)不斷上升，正確的評估結(jié)果應(yīng)該是機組的健康狀態(tài)逐漸惡化。此時，該裝置已運行很長時間，可能已導(dǎo)致嚴重故障。在采用該策略時，出現(xiàn)了逐漸下降的趨勢，便于運營商注意并及時采取必要措施，避免重大故障，可指導(dǎo)維護保養(yǎng)。

利用表1數(shù)據(jù)作為測試數(shù)據(jù)，對模型進行精度測試，風電機組功率預(yù)測值與實際值的對比如圖2所示。

表1 風電機組運行數(shù)據(jù) ℃

由圖2可知，擬合效果良好，可用于評估和分析風力發(fā)電機組的運行狀態(tài)，評價方法簡單直接、結(jié)果準確、區(qū)分度高，在一定程度上避免了因等級差異而導(dǎo)致的判斷失誤，有效降低了算法的復(fù)雜度。

5 結(jié)論

為了能夠進行有效的檢測，對故障進行準確的診斷，并根據(jù)設(shè)備的運行狀態(tài)對故障進行預(yù)測，將大數(shù)據(jù)挖掘技術(shù)引入到風電機組運行狀態(tài)的故障診斷系統(tǒng)中，建立大型數(shù)據(jù)分析平臺，集成多系統(tǒng)、跨設(shè)備、設(shè)備狀態(tài)分析，包括海量狀態(tài)檢測數(shù)據(jù)的智能清洗、智能診斷和故障評估方法。挖掘大數(shù)據(jù)資源的價值，實現(xiàn)基于多源信息融合的大數(shù)據(jù)預(yù)測分析和智能維護，是風電機組健康管理的重要趨勢。隨著以云計算、人工智能和大數(shù)據(jù)為代表的新技術(shù)的迅速應(yīng)用，這些技術(shù)在風電機組健康管理中的應(yīng)用越來越受到重視。這些技術(shù)的合理使用，對于降低風電成本，提高風電清潔能源的市場競爭力具有重要作用。