莊 勇，張照彥

（1.國(guó)能思達(dá)科技有限公司，北京 100000；2.河北大學(xué)電子信息工程學(xué)院，河北 保定 071002）

風(fēng)能作為一種可再生能源，近些年處于蓬勃發(fā)展階段[1-3]。根據(jù)世界風(fēng)能協(xié)會(huì)初步統(tǒng)計(jì)，2018 年全球新增53.9 GW 的風(fēng)電裝機(jī)，中國(guó)以新增25.9 GW 繼續(xù)大幅度領(lǐng)跑[4-5]。風(fēng)電機(jī)組長(zhǎng)期運(yùn)行在惡劣的自然環(huán)境中，各部件的故障率顯著增加[6]，采用合理高效的監(jiān)測(cè)手段和準(zhǔn)確的故障診斷方法對(duì)提高風(fēng)電機(jī)組可靠性具有重要意義[7]。

風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)來(lái)源豐富，其中機(jī)組本身所配備的數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)每天會(huì)產(chǎn)生大量的運(yùn)行數(shù)據(jù)，合理利用這些信息豐富的SCADA 數(shù)據(jù)可以實(shí)現(xiàn)對(duì)風(fēng)電機(jī)組故障的預(yù)警，提高機(jī)組可靠性和電能質(zhì)量[8-9]。基于SCADA 大數(shù)據(jù)的風(fēng)電機(jī)組預(yù)警系統(tǒng)容易實(shí)現(xiàn)且可靠性高，它具有以下優(yōu)點(diǎn)：不需要額外的投資，風(fēng)電機(jī)組本身配備有實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，可得到準(zhǔn)確可靠的SCADA 數(shù)據(jù)，方便采取大量的實(shí)驗(yàn)數(shù)據(jù)，實(shí)驗(yàn)數(shù)據(jù)越豐富，對(duì)于實(shí)驗(yàn)的科學(xué)性就更有保障，避免了偶然性，更有利于進(jìn)行風(fēng)電機(jī)組運(yùn)行狀態(tài)的分析與預(yù)測(cè)；歷史儲(chǔ)存的數(shù)據(jù)量很大，可以利用大量的健康數(shù)據(jù)進(jìn)行試驗(yàn)，建立健康模型，由于故障發(fā)生之前的數(shù)據(jù)保留得較為完整，也就可以利用健康模型以及異常工作之前的各項(xiàng)參數(shù)進(jìn)行分析比較，確定正常工作狀態(tài)與異常工作狀態(tài)之間的關(guān)系；現(xiàn)場(chǎng)實(shí)施方便，無(wú)需另配備專門(mén)運(yùn)維人員，無(wú)后續(xù)維護(hù)費(fèi)用，大大減少了工作量以及維修維護(hù)成本，對(duì)于風(fēng)電場(chǎng)的運(yùn)營(yíng)有極大的好處，既減少了投入成本又提高了安全保障，所以風(fēng)電機(jī)組故障預(yù)警策略有很大的應(yīng)用空間。

風(fēng)電機(jī)組故障預(yù)警是基于采集機(jī)組狀態(tài)數(shù)據(jù)，通過(guò)嘗試使用多種算法或算法的組合，在風(fēng)電機(jī)組設(shè)備衰退出現(xiàn)“缺陷”的時(shí)候，盡早檢測(cè)到潛在故障，為機(jī)組維修決策提供充裕時(shí)間與決策信息。本文依托現(xiàn)場(chǎng)的真實(shí)風(fēng)電機(jī)組數(shù)據(jù)，經(jīng)數(shù)據(jù)預(yù)處理，建立了NSET模型，并通過(guò)固定預(yù)警閾值驗(yàn)證了模型的可行性與預(yù)警策略的可實(shí)施性。

1 算法原理

使用機(jī)組正常工況下采集到的SCADA 數(shù)據(jù)建立NSET 模型，將該模型用于風(fēng)機(jī)參數(shù)預(yù)測(cè)，依據(jù)殘差實(shí)現(xiàn)對(duì)風(fēng)電機(jī)組故障的預(yù)警。建模涉及的參數(shù)主要如下：總體觀測(cè)矩陣Pnхb、記憶矩陣D、觀測(cè)矩陣Xоbs和估計(jì)矩陣Xеst。

總體觀測(cè)矩陣Pnхb如式（1）所示：

式（1）中：n為每個(gè)時(shí)間的觀測(cè)變量數(shù)；b為時(shí)間標(biāo)簽。

從總體觀測(cè)矩陣Pnхb中選取一段時(shí)間的參數(shù)記為訓(xùn)練矩陣K，代表各個(gè)觀測(cè)參數(shù)的健康狀態(tài), 設(shè)訓(xùn)練矩陣中共k個(gè)觀測(cè)向量，訓(xùn)練矩陣K如式（2）所示：

從訓(xùn)練矩陣K中抽取部分?jǐn)?shù)據(jù)組成記憶矩陣D，被選取出的數(shù)據(jù)能覆蓋系統(tǒng)正常工況，記憶矩陣D如式（3）所示：

將觀測(cè)向量Xоbs輸入NEST 模型，得到狀態(tài)估計(jì)矩陣Xеst，對(duì)任意一個(gè)觀測(cè)向量Xоbs，NSET 模型都將產(chǎn)生一個(gè)與Xоbs同維的權(quán)值向量W，使：

式（4）中：W=[w1，w2，…，wm]。

設(shè)殘差為ε，對(duì)它做最小化處理：

若使ε最小，則需要求ε2的極小值，令，則：

由式（5）可看出，DTD可逆是權(quán)值向量W存在的先決條件，為增強(qiáng)NSET 模型可用性，將點(diǎn)乘運(yùn)算代替為非線性運(yùn)算符，本文選擇DT和D間的Euсlidеn（歐氏）距離，即：

權(quán)值向量W可改為：

則系統(tǒng)的當(dāng)前狀態(tài)估計(jì)矩陣可寫(xiě)為：

基于上述推導(dǎo)，NSET 模型完成建立，由此模型可預(yù)測(cè)出輸入數(shù)據(jù)，最終得到潛在的故障預(yù)警信息。

2 算例分析

以某風(fēng)場(chǎng)A12 號(hào)風(fēng)電機(jī)組現(xiàn)場(chǎng)獲取的大量SCADA 數(shù)據(jù)為基礎(chǔ)，開(kāi)展基于非線性狀態(tài)評(píng)估的風(fēng)電機(jī)組故障預(yù)警分析和研究。數(shù)據(jù)源的時(shí)間跨度為2021-09-26—2022-01-26。

2.1 數(shù)據(jù)剖析

SCADA 系統(tǒng)故障記錄顯示，2021-12-26T06：00，A12 號(hào)機(jī)組發(fā)出類(lèi)型為“主軸止推軸承溫度高”的故障報(bào)警。溫度屬于漸變信號(hào)，在故障產(chǎn)生和發(fā)展的過(guò)程中是逐漸上升的，與振動(dòng)等沖擊型信號(hào)相比，溫度信號(hào)中蘊(yùn)含著更為豐富的潛在故障信息，對(duì)潛在信息進(jìn)行充分挖掘?qū)τ陲L(fēng)電機(jī)組故障預(yù)警的分析和研究具有極高的工程應(yīng)用價(jià)值。本文使用的數(shù)據(jù)源中，共包含70 類(lèi)17 713 條采樣頻率為10 min 的風(fēng)電機(jī)組相關(guān)參數(shù)，其中齒輪箱相關(guān)參數(shù)共5 個(gè)、主軸相關(guān)參數(shù)共2個(gè)。主軸相關(guān)參數(shù)趨勢(shì)如圖1 所示。

圖1 主軸相關(guān)溫度變量趨勢(shì)圖

圖1 中在菱形標(biāo)識(shí)時(shí)刻故障報(bào)警，但溫度卻繼續(xù)上升；繼續(xù)勻速采樣，風(fēng)機(jī)并未停止。由此推斷，可能存在2 種情況：發(fā)出故障報(bào)警后風(fēng)電機(jī)組立刻停機(jī)，在設(shè)備溫度下降之后再次啟動(dòng)并網(wǎng)；故障發(fā)生后風(fēng)電機(jī)組并未立刻停機(jī)檢修，而是帶故障持續(xù)運(yùn)行。

從圖1 可知，情況2 更符合實(shí)際情況，為此，分別畫(huà)出故障預(yù)警時(shí)刻后的風(fēng)速與風(fēng)功率趨勢(shì)圖，如圖2所示。從圖中可以看出，故障報(bào)警后，風(fēng)電機(jī)組繼續(xù)運(yùn)行25.5 h 后才停機(jī)，停機(jī)時(shí)長(zhǎng)達(dá)到51 h。

圖2 風(fēng)速與功率對(duì)照趨勢(shì)圖

2.2 數(shù)據(jù)關(guān)聯(lián)變量分析

將SCADA 數(shù)據(jù)導(dǎo)入MATLAB 中，以相關(guān)系數(shù)r有針對(duì)性分析主軸相關(guān)2 個(gè)變量與其他變量之間的關(guān)聯(lián)關(guān)系，以期發(fā)現(xiàn)對(duì)建模過(guò)程有建設(shè)性貢獻(xiàn)的變量。需要說(shuō)明的是，相關(guān)系數(shù)r只是眾多變量關(guān)聯(lián)關(guān)系分析指標(biāo)的一種，并不具備直接決定全部建模相關(guān)變量的能力；最終的變量需要結(jié)合相關(guān)系數(shù)r與工程經(jīng)驗(yàn)，決定具體的建模變量。

相關(guān)系數(shù)是最早由統(tǒng)計(jì)學(xué)家卡爾·皮爾遜設(shè)計(jì)的統(tǒng)計(jì)指標(biāo)，是研究變量之間線性相關(guān)程度的量，一般用字母r表示。由于研究對(duì)象不同，相關(guān)系數(shù)有多種定義方式，較為常用的是皮爾遜相關(guān)系數(shù)。

為研究2 個(gè)主軸相關(guān)變量與其他參數(shù)之間的線性相關(guān)程度，以確定非線性狀態(tài)評(píng)估模型的建模變量，本文以相關(guān)系數(shù)為相關(guān)程度統(tǒng)計(jì)指標(biāo)。相關(guān)系數(shù)r的計(jì)算方法如下所示：

相關(guān)系數(shù)是研究變量間關(guān)聯(lián)程度的統(tǒng)計(jì)指標(biāo)，以2個(gè)參數(shù)和各自平均值的離差為基礎(chǔ)，通過(guò)2 個(gè)離差相乘來(lái)表示2 參數(shù)間的密切程度。r的絕對(duì)值越接近1，2 個(gè)變量關(guān)聯(lián)程度越大；r的絕對(duì)值越接近0，2 個(gè)變量關(guān)聯(lián)程度越小。針對(duì)本例中的“主軸止推軸承溫度高”，可首先確定主軸直接關(guān)聯(lián)的變量“主軸齒輪箱側(cè)溫度”“主軸風(fēng)輪側(cè)溫度”，兩者是所提供數(shù)據(jù)中直接與故障相關(guān)的數(shù)據(jù)。并且將兩者的上一時(shí)刻數(shù)值作為2 個(gè)新變量。以這2 個(gè)變量為基礎(chǔ)，進(jìn)行相關(guān)系數(shù)r分析，可得到如圖3 所示的相關(guān)數(shù)幅值圖。

圖3 相關(guān)系數(shù)幅值圖

從圖3 中可分析出，2 個(gè)變量的相關(guān)系數(shù)分布與數(shù)值十分相似；2 個(gè)變量無(wú)強(qiáng)負(fù)相關(guān)變量，正相關(guān)強(qiáng)變量較多。通過(guò)導(dǎo)出的數(shù)據(jù)分析可知，在圖3①號(hào)線以上（幅值0.6）的變量有：主軸齒輪箱側(cè)溫度、主軸葉輪側(cè)側(cè)溫度、機(jī)艙空氣溫度、機(jī)艙Y軸振動(dòng)值、發(fā)電機(jī)轉(zhuǎn)速、變槳軸1 軸箱溫度、變槳軸2 軸箱溫度、變槳軸3 軸箱溫度、變槳軸1 電容溫度、變槳軸2 電容溫度、變槳軸3 電容電壓、變槳軸2 伺服溫度、變槳軸3 充電電流、變槳軸1 輪轂溫度、變槳軸2 輪轂溫度。

實(shí)際上，上述變量不需要全部使用，因?yàn)楹苊黠@可以看出絕大部分都是溫度信號(hào)。而溫度信號(hào)一般是輸出類(lèi)型的變量，如果全部變量都選擇輸出類(lèi)信號(hào)，模型擬合固然很好，但實(shí)際應(yīng)用效果會(huì)不理想。從變量物理空間與機(jī)械結(jié)構(gòu)構(gòu)造角度考量，選擇主軸齒箱側(cè)溫度、主軸葉輪側(cè)溫度、機(jī)艙空氣溫度、機(jī)艙Y軸振動(dòng)值、發(fā)電機(jī)轉(zhuǎn)速、風(fēng)輪轉(zhuǎn)速、風(fēng)速作為NSET 建模變量。

2.3 建立模型數(shù)據(jù)

由上述分析可知，有建模意義的數(shù)據(jù)共13 142 條，時(shí)間區(qū)間為2021-09-26T00：10—2021-12-26T06：00，將它分為訓(xùn)練集、驗(yàn)證集和試驗(yàn)集3 份。訓(xùn)練集的時(shí)間跨度為2021-09-26T00：10—2021-11-19T18：00；用于訓(xùn)練模型，以得到預(yù)警故障的NSET 模型。訓(xùn)練數(shù)據(jù)的風(fēng)速與功率趨勢(shì)對(duì)照?qǐng)D如圖4 所示，從圖中可知，訓(xùn)練數(shù)據(jù)有3 127 個(gè)數(shù)據(jù)條目異常。

圖4 訓(xùn)練數(shù)據(jù)的風(fēng)速與功率趨勢(shì)對(duì)照?qǐng)D

驗(yàn)證集的時(shí)間跨度為2021-11-19T18：10—2021-11-28T21：00，數(shù)據(jù)條目1 315 個(gè)，用于驗(yàn)證所生成的故障模型。此區(qū)間的數(shù)據(jù)如果包含全部工況，則更能說(shuō)明所建立模型的全工況動(dòng)態(tài)驗(yàn)證下的魯棒性。驗(yàn)證數(shù)據(jù)的風(fēng)速與功率趨勢(shì)對(duì)照?qǐng)D如圖5 所示。

圖5 驗(yàn)證數(shù)據(jù)的風(fēng)速與功率趨勢(shì)對(duì)照?qǐng)D

試驗(yàn)集的時(shí)間跨度為2021-11-28T21：10—2021-12-26T06：00，數(shù)據(jù)條目3 944 個(gè)；用于生成預(yù)測(cè)序列，將所形成的時(shí)間序列殘差用于預(yù)警策略。試驗(yàn)數(shù)據(jù)的風(fēng)速與功率趨勢(shì)對(duì)照?qǐng)D如圖6 所示。

圖6 試驗(yàn)數(shù)據(jù)的風(fēng)速與功率趨勢(shì)對(duì)照?qǐng)D

利用等步長(zhǎng)選擇策略，共得到3 026 條NSET 建模有效數(shù)據(jù)條目，過(guò)程記憶矩陣三維圖如圖7 所示。

圖7 記憶矩陣三維圖

2.4 故障預(yù)警

利用建立的NSET 模型，預(yù)測(cè)試驗(yàn)集主軸齒輪箱側(cè)溫度，試驗(yàn)集預(yù)測(cè)結(jié)果如圖8 所示。

從圖8 可看出，主軸齒輪箱側(cè)溫度的實(shí)際值與其預(yù)測(cè)值產(chǎn)生較大偏離，在試驗(yàn)集的第1 000 點(diǎn)之后預(yù)測(cè)偏差尤為明顯。這是由設(shè)備狀態(tài)衰退所引起的原始NSET 模型與當(dāng)前設(shè)備運(yùn)行狀態(tài)失配，進(jìn)而導(dǎo)致實(shí)際值與預(yù)測(cè)值偏差較大，依此可檢測(cè)出設(shè)備的潛在故障。

為清楚示意預(yù)警流程，此處使用固定閾值作為范例，將圖8 中的原始數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)兩者相減形成殘差統(tǒng)計(jì)圖，計(jì)算驗(yàn)證集殘差的均值與均方根誤差，可得到圖9，圖中2 條橫線為預(yù)警線，是以均值為中心，上下3 倍均方根誤差而得。

圖8 試驗(yàn)集數(shù)據(jù)預(yù)測(cè)圖

圖9 驗(yàn)證集數(shù)據(jù)殘差圖

圖9 中超出2 條預(yù)警線的點(diǎn)十分稀少，殘差數(shù)據(jù)集中且殘差的波動(dòng)有一定規(guī)律，說(shuō)明所建模型能夠?qū)︱?yàn)證集時(shí)間范圍的機(jī)組狀態(tài)進(jìn)行較好的描述。通過(guò)逐點(diǎn)分析，發(fā)現(xiàn)超出預(yù)警線的時(shí)刻最多連續(xù)了2 次，說(shuō)明此警戒線具有統(tǒng)計(jì)意義。

使用試驗(yàn)集參數(shù)形成上述殘差圖，使用驗(yàn)證集的2條預(yù)警線可得試驗(yàn)集的預(yù)警圖，具體如圖10 所示。

圖10 試驗(yàn)集預(yù)警圖

從圖10 可明顯看出，試驗(yàn)集齒輪箱側(cè)溫度殘差在1 000 點(diǎn)左側(cè)首次超出閾值，經(jīng)逐點(diǎn)分析，900～1 000點(diǎn)之間共有17 個(gè)溫度殘差數(shù)據(jù)越過(guò)閾值下限。之后頻繁超出閾值，并在2 500 點(diǎn)以后反向越過(guò)閾值上限。綜上分析，在試驗(yàn)集第1 000 點(diǎn)（2021-12-05）應(yīng)對(duì)風(fēng)電機(jī)組登艙檢查，此時(shí)距離SCADA 系統(tǒng)報(bào)警（2021-12-26）、停機(jī)（2021-12-27）尚有充裕檢修時(shí)間，并且期間也有多次預(yù)警。

3 結(jié)論

本文依托現(xiàn)場(chǎng)的真實(shí)風(fēng)電機(jī)組數(shù)據(jù)，經(jīng)數(shù)據(jù)預(yù)處理，建立了NSET 模型，并通過(guò)固定預(yù)警閾值驗(yàn)證了模型的可行性與預(yù)警策略的可實(shí)施性。由于數(shù)據(jù)樣本較少，殘差序列整體幅值較大，后續(xù)可通過(guò)增大數(shù)據(jù)訓(xùn)練樣本的方法降低殘差幅值。同時(shí)，由于數(shù)據(jù)覆蓋范圍僅有4 個(gè)月，風(fēng)電機(jī)組運(yùn)行參數(shù)中的長(zhǎng)周期特性并未得到體現(xiàn)，且風(fēng)力資源并不充沛，高風(fēng)速數(shù)據(jù)缺失嚴(yán)重，此問(wèn)題依然可以通過(guò)提高數(shù)據(jù)采樣頻率、數(shù)據(jù)覆蓋時(shí)間范圍等措施加以克服。這些問(wèn)題的存在也正是數(shù)據(jù)驅(qū)動(dòng)建模的弱點(diǎn)，只有經(jīng)大量數(shù)據(jù)訓(xùn)練，才能得到泛化效果好、預(yù)警準(zhǔn)確率高的故障預(yù)警模型。