沈 宇, 徐曉川, 臧 鵬, 吳勁芳

(國(guó)網(wǎng)冀北張家口風(fēng)光儲(chǔ)輸新能源有限公司, 河北省 張家口 075000)

0 引 言

隨著環(huán)境問(wèn)題受到重視,可再生能源已被納入國(guó)家能源重要布局中,風(fēng)電作為最常見(jiàn)的可再生能源之一,已在我國(guó)大部分地區(qū)推廣投產(chǎn)。隨著我國(guó)風(fēng)電建設(shè)進(jìn)一步擴(kuò)大,并且目前運(yùn)行的大部分風(fēng)電機(jī)組使用年限較長(zhǎng),質(zhì)保期鄰近超出或已經(jīng)超出,故障發(fā)生率和運(yùn)維成本逐年上升的現(xiàn)狀引起風(fēng)電運(yùn)營(yíng)商、制造商和第三方運(yùn)維公司等機(jī)構(gòu)的關(guān)注[1]。風(fēng)力發(fā)電機(jī)組主要由變槳系統(tǒng)、偏航系統(tǒng)、控制系統(tǒng)和液壓系統(tǒng)等組成。由于風(fēng)電機(jī)組的安裝環(huán)境往往較為惡劣,外部自然環(huán)境以及風(fēng)況變化的偶然性會(huì)導(dǎo)致葉片及其他風(fēng)電機(jī)組部件容易損壞。有調(diào)查研究顯示偏航系統(tǒng)和變槳系統(tǒng)的故障率分別為8%和7%[2],故障維修時(shí)間一般需要2～4 d,對(duì)于條件受限的海上風(fēng)電場(chǎng),故障維修時(shí)間甚至高達(dá)十幾天[3]。

目前,風(fēng)電機(jī)組的數(shù)據(jù)重要來(lái)源于SCADA和CMS系統(tǒng),這兩個(gè)系統(tǒng)可以收集大量風(fēng)機(jī)系統(tǒng)數(shù)據(jù),但無(wú)法分析故障情況,為機(jī)組運(yùn)維提供有效指導(dǎo)。風(fēng)電機(jī)組的關(guān)鍵部件更換難、耗時(shí)長(zhǎng)、花費(fèi)高,如果采用有效的態(tài)勢(shì)感知和故障識(shí)別技術(shù)使系統(tǒng)快速發(fā)現(xiàn)異常,可以有效地降低運(yùn)維成本,提高風(fēng)電在可再生能源領(lǐng)域的核心競(jìng)爭(zhēng)能力,推動(dòng)風(fēng)能行業(yè)進(jìn)一步發(fā)展。

目前,風(fēng)電機(jī)組的故障識(shí)別技術(shù)主要分為兩大類(lèi):第一類(lèi)為經(jīng)驗(yàn)判斷型,代表方法為專(zhuān)家系統(tǒng);第二類(lèi)為模型判斷型,其分為機(jī)理模型和數(shù)據(jù)模型兩種方法。數(shù)據(jù)驅(qū)動(dòng)主要利用信號(hào)處理、人工智能、統(tǒng)計(jì)分析等挖掘海量數(shù)據(jù)特征,尋找系統(tǒng)運(yùn)行數(shù)據(jù)與系統(tǒng)狀態(tài)之間的映射關(guān)系,無(wú)需搭建復(fù)雜多變的物理模型,具有靈活高效的優(yōu)點(diǎn)。Kusiak等[4]通過(guò)對(duì)風(fēng)電機(jī)組有功功率監(jiān)測(cè)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析感知系統(tǒng)運(yùn)行狀態(tài)。梁穎等[5]通過(guò)支持向量機(jī)搭建有功功率回歸模型,對(duì)比故障前風(fēng)電機(jī)組有功功率的真實(shí)值與預(yù)測(cè)值差異,設(shè)置殘差閾值實(shí)現(xiàn)故障預(yù)警。李永戰(zhàn)等[6]發(fā)現(xiàn)高低頻能量比這一特征量可以有效區(qū)別偏航系統(tǒng)故障樣本與正常樣本。但這些方法選取的特征量較少,未能充分利用海量監(jiān)測(cè)數(shù)據(jù),并且需要計(jì)算殘差或預(yù)測(cè)未來(lái)數(shù)據(jù)走勢(shì),對(duì)專(zhuān)家經(jīng)驗(yàn)的依賴(lài)性較強(qiáng),泛化性不高。因此,文中提出利用機(jī)器學(xué)習(xí)構(gòu)建數(shù)據(jù)驅(qū)動(dòng)模型,直接將高維特征輸入分類(lèi)器,與上述文獻(xiàn)相比有著簡(jiǎn)便快捷、精度較高的優(yōu)勢(shì),可以為風(fēng)電機(jī)組的運(yùn)維提供有效指導(dǎo)。

1 故障識(shí)別原理

1.1 偏航系統(tǒng)

風(fēng)力發(fā)電機(jī)組的偏航系統(tǒng)是水平軸式風(fēng)力發(fā)電機(jī)組必不可少的組成系統(tǒng)之一,主要分為主動(dòng)偏航和被動(dòng)偏航兩種齒輪驅(qū)動(dòng)方式。偏航系統(tǒng)可以捕捉風(fēng)向并控制機(jī)艙平穩(wěn)、精確、可靠地旋轉(zhuǎn)對(duì)風(fēng),以保證風(fēng)電機(jī)組機(jī)艙始終處于迎風(fēng)狀態(tài),從而最大化利用風(fēng)能,提高發(fā)電效率。文中數(shù)據(jù)來(lái)源于風(fēng)機(jī)機(jī)型FL1500/1577,此機(jī)型采用主動(dòng)偏航方式,其結(jié)構(gòu)如圖1所示。

圖1 偏航系統(tǒng)Fig.1 Yaw system

偏航系統(tǒng)工作過(guò)程為:風(fēng)機(jī)需要根據(jù)風(fēng)向變化實(shí)時(shí)改變?nèi)~片位置。當(dāng)風(fēng)向改變時(shí),風(fēng)速風(fēng)向儀首先感知風(fēng)向,并將風(fēng)向狀態(tài)量上傳至控制系統(tǒng),控制系統(tǒng)通過(guò)控制偏航電機(jī)來(lái)驅(qū)動(dòng)齒輪旋轉(zhuǎn),從而對(duì)準(zhǔn)風(fēng)向。由圖1可以看出,偏航系統(tǒng)主要由偏航驅(qū)動(dòng)裝置等部分構(gòu)成。大齒圈本身并不能轉(zhuǎn)動(dòng),必須依靠外部嚙合的小齒輪沿齒圈轉(zhuǎn)動(dòng)[7]。

偏航系統(tǒng)工作過(guò)程中存在陀螺力矩,由于風(fēng)向變化的不確定性,偏航系統(tǒng)需要頻繁啟停,長(zhǎng)期工作會(huì)對(duì)偏航系統(tǒng)中關(guān)鍵部件造成疲勞累積和性能損耗,容易導(dǎo)致突發(fā)故障[8],這是風(fēng)電機(jī)組平穩(wěn)發(fā)電的隱患之一。

1.2 變槳系統(tǒng)

變槳系統(tǒng)通過(guò)調(diào)整葉片角控制風(fēng)機(jī)的電力速度,通過(guò)衰減震動(dòng)極小化風(fēng)機(jī)機(jī)械載荷,實(shí)現(xiàn)功率調(diào)節(jié),保證風(fēng)機(jī)安全運(yùn)行,如圖2所示。變槳系統(tǒng)主要在0°～90°的范圍內(nèi)調(diào)節(jié)槳葉角度從而改變?nèi)~片的著風(fēng)面積。當(dāng)葉片與葉片旋轉(zhuǎn)面的夾角為0°時(shí),著風(fēng)面積最大,風(fēng)機(jī)功率最大;在極端天氣情況下可以使夾角為90°,進(jìn)入全順槳狀態(tài),著風(fēng)面積最小以防葉片損壞。當(dāng)天氣正常,葉片旋轉(zhuǎn)增大著風(fēng)面積從而起動(dòng)。當(dāng)風(fēng)速合適時(shí),可調(diào)節(jié)葉片角度為0°,使功率維持在額定功率附近。

圖2 變槳系統(tǒng)Fig.2 Pitch system

變槳系統(tǒng)的工作原理大致如下:通過(guò)風(fēng)向風(fēng)速儀感知風(fēng)速,并把風(fēng)速狀態(tài)量上傳至變槳控制系統(tǒng)。機(jī)組主控向三個(gè)葉片對(duì)應(yīng)的軸柜發(fā)送變槳命令,軸柜通過(guò)各自獨(dú)立的整流裝置驅(qū)動(dòng)電機(jī)運(yùn)轉(zhuǎn),并通過(guò)減速齒輪箱傳遞扭矩,直至變槳齒輪將每個(gè)葉片都旋轉(zhuǎn)到精確的角度,最后再將葉片角度值反饋給控制系統(tǒng)。與偏航系統(tǒng)相似,風(fēng)速變化的隨機(jī)性會(huì)給葉片造成沖擊性負(fù)荷,變槳?jiǎng)幼餍枰S風(fēng)況頻繁變化,變槳系統(tǒng)易使葉片振動(dòng)、變載等產(chǎn)生故障,導(dǎo)致發(fā)電能力下降。

偏航和變槳系統(tǒng)在發(fā)生故障時(shí),都會(huì)對(duì)發(fā)電能力造成影響,不利于風(fēng)電機(jī)組輸出功率最大化。風(fēng)電機(jī)組的部分參數(shù)在故障發(fā)生時(shí)呈現(xiàn)異常狀態(tài),通過(guò)人工智能挖掘故障與參數(shù)變化的隱藏映射關(guān)系,可以實(shí)現(xiàn)對(duì)故障情況的識(shí)別判斷,以便盡快對(duì)風(fēng)電機(jī)組進(jìn)行檢修,縮小檢修范圍,提高檢修效率。

2 故障識(shí)別方法

2.1 BP神經(jīng)網(wǎng)絡(luò)

基于BP網(wǎng)絡(luò)的數(shù)據(jù)驅(qū)動(dòng)模型是黑箱模型,避免建立復(fù)雜的機(jī)理模型,僅需歷史數(shù)據(jù)即可自動(dòng)學(xué)習(xí)輸入量與輸出量之間的內(nèi)在聯(lián)系。其學(xué)習(xí)過(guò)程是輸入信號(hào)的前向傳播和誤差的逆向傳播的結(jié)合。一個(gè)基本的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層構(gòu)成,增大網(wǎng)絡(luò)深度可以通過(guò)增加隱藏層的數(shù)量來(lái)實(shí)現(xiàn)。輸入信號(hào)從輸入層進(jìn)入并經(jīng)隱藏層逐步處理,最后從輸出層輸出。使用損失函數(shù)表示模型預(yù)測(cè)值與實(shí)際值的差距。如果未達(dá)到期望結(jié)果,通過(guò)反向傳播逐層調(diào)整神經(jīng)網(wǎng)絡(luò)的參數(shù),使網(wǎng)絡(luò)的損失最小,從而使BP神經(jīng)網(wǎng)絡(luò)提高精度,逐步逼近期望結(jié)果。具體思路是:梯度下降法去找權(quán)值變化使誤差最小,梯度下降方向可以用一個(gè)復(fù)合函數(shù)求導(dǎo)鏈?zhǔn)椒▌t求出來(lái),鏈?zhǔn)椒▌t本身就帶有前向反饋的功能,可以實(shí)現(xiàn)由已知探未知。

2.2 極限梯度提升樹(shù)

極限梯度提升樹(shù)。算法核心是采用集成思想,考慮多個(gè)分類(lèi)回歸樹(shù)(Classification and regression tree,CART)的分類(lèi)結(jié)果,即將多個(gè)弱分類(lèi)器集成為一個(gè)強(qiáng)分類(lèi)器,采用梯度提升方法進(jìn)行加法訓(xùn)練,以提升其預(yù)測(cè)速度與精度,通過(guò)多輪迭代達(dá)到更好的學(xué)習(xí)效果[9]。XGBoost的基本思想和GBDT相同[10],但是針對(duì)GBDT依賴(lài)強(qiáng)、并行難、效率低等缺點(diǎn)進(jìn)行優(yōu)化,如二階導(dǎo)數(shù)使損失函數(shù)更精準(zhǔn);加入正則項(xiàng)避免訓(xùn)練中樹(shù)過(guò)擬合[9];Block存儲(chǔ)可以并行計(jì)算等。XGBoost模型構(gòu)建過(guò)程如下。

定義一棵樹(shù)

ft(x)=wq(x),w∈RT,q:Rd→{1,2,…,T},

(1)

(2)

式中:w——葉子結(jié)點(diǎn)的權(quán)重向量;

T——葉子結(jié)點(diǎn)個(gè)數(shù);

wi——第i個(gè)葉子結(jié)點(diǎn)的分?jǐn)?shù);

q——葉子結(jié)點(diǎn)的映射關(guān)系(即由樣本對(duì)應(yīng)的葉子標(biāo)簽);

f——函數(shù)空間F中的一個(gè)函數(shù),代表樹(shù)這種抽象結(jié)構(gòu);

Ω——樹(shù)的復(fù)雜度,主要包括葉子結(jié)點(diǎn)數(shù)量T和葉子結(jié)點(diǎn)權(quán)重的L2范數(shù);

γ、λ——正則化參數(shù),用于控制模型復(fù)雜度,防止模型過(guò)擬合。

目標(biāo)函數(shù)O(t)為

(3)

(4)

(5)

(6)

式中:n——樣本數(shù)量;

K——樹(shù)的數(shù)量;

式(3)由損失函數(shù)和懲罰項(xiàng)兩部分組成,損失函數(shù)衡量真實(shí)值與預(yù)測(cè)值的差距,懲罰項(xiàng)衡量模型的復(fù)雜程度 (不考慮復(fù)雜度就是GBDT算法) ,

(7)

(8)

當(dāng)訓(xùn)練開(kāi)始后,通過(guò)遍歷特征選擇目標(biāo)分?jǐn)?shù)值增益值大的作為劃分點(diǎn)。當(dāng)樹(shù)的深度達(dá)到最大深度、分裂帶來(lái)的收益小于閾值或樣本權(quán)重和小于閾值時(shí),樹(shù)停止分裂,訓(xùn)練結(jié)束。

2.3 支持向量機(jī)

針對(duì)非線(xiàn)性樣本的分類(lèi),使用硬邊距SVM誤差較大,可以通過(guò)選擇合適的核函數(shù)將樣本數(shù)據(jù)從非線(xiàn)性空間映射至更高維度的線(xiàn)性空間,通過(guò)尋找最優(yōu)超平面對(duì)其分類(lèi)[11-13]。其數(shù)學(xué)模型為

(9)

式中:Z、Y——輸入的樣本數(shù)據(jù)和學(xué)習(xí)目標(biāo),X={X1,X2,…,XN},Y={Y1,Y2,…,YN};

Li——鉸鏈損失函數(shù);

w、b——超平面法向量和截距。

使用松弛變量ξ≥0處理較鏈損失函數(shù)的分段取值簡(jiǎn)化方程,通過(guò)拉格朗日乘子,α={α1,α2,…,αN},μ={μ1,…,μN(yùn)}得到拉格朗日函數(shù),對(duì)優(yōu)化目標(biāo)w、b、ξ求偏導(dǎo)后再代回拉格朗日函數(shù)可得到優(yōu)化問(wèn)題的對(duì)偶問(wèn)題。

(10)

式中,φ(Xj)——將Xj映射后的特征向量。

3 算例分析

3.1 數(shù)據(jù)獲取及歸一化

采用冀北某風(fēng)力發(fā)電基地2022年1-4月內(nèi)若干天的運(yùn)行數(shù)據(jù)對(duì)算法進(jìn)行測(cè)試。數(shù)據(jù)包括變槳槳距角、風(fēng)速等49個(gè)特征量。對(duì)樣本集進(jìn)行數(shù)據(jù)可視化,由于數(shù)據(jù)含有49個(gè)特征量,維數(shù)較高,所以?xún)H展示個(gè)別特征量。其中加速度和槳距角隨時(shí)間變化趨勢(shì)如圖3、4所示?？梢钥吹?在故障發(fā)生前加速度的幅值出現(xiàn)減小的趨勢(shì),直至故障發(fā)生時(shí)減至最小,隨后還出現(xiàn)兩次幅值突然增大的現(xiàn)象。對(duì)于槳距角,則是在故障發(fā)生前幅值增大,隨后出現(xiàn)兩次幅值突然減小的現(xiàn)象?？梢园l(fā)現(xiàn)不同物理量之間的取值范圍差異較大,為了使分類(lèi)結(jié)果更加準(zhǔn)確,故對(duì)數(shù)據(jù)進(jìn)行歸一化,歸一化后的數(shù)據(jù)如圖5、6所示。

圖3 風(fēng)電機(jī)組各時(shí)刻的加速度變化量Fig.3 The acceleration change of wind turbine at each moment

圖4 風(fēng)電機(jī)組各時(shí)刻的槳距角變化量Fig.4 Variation of pitch angle of wind turbine at each moment

圖5 歸一化的風(fēng)電機(jī)組各時(shí)刻的加速度變化量Fig.5 Normalized acceleration change of wind turbine at each moment

圖6 歸一化的風(fēng)電機(jī)組各時(shí)刻的槳距角變化量Fig.6 Normalized pitch angle change of wind turbine at each moment

3.2 算法評(píng)價(jià)指標(biāo)

為了判斷基于數(shù)據(jù)驅(qū)動(dòng)的故障識(shí)別算法性能好壞,比較不同算法之間的優(yōu)劣性,使用準(zhǔn)確度S1和加權(quán)精確度S2分別為

(11)

(12)

式中:TP、TN——真正為正、負(fù)的一類(lèi),即模型預(yù)測(cè)正確的正、負(fù)類(lèi)樣本個(gè)數(shù);

FP、FN——錯(cuò)誤為正、負(fù)的一類(lèi),即模型認(rèn)為是正類(lèi)而實(shí)際是負(fù)類(lèi)的樣本;

wi——類(lèi)別i占比。

由式(11)、(12)可知,準(zhǔn)確率反映所有預(yù)測(cè)樣本中準(zhǔn)確預(yù)測(cè)的比例,精確度反映預(yù)測(cè)為正例中正確的比例,用來(lái)評(píng)估預(yù)測(cè)正例的準(zhǔn)確度。

3.3 實(shí)驗(yàn)結(jié)果

基于Python搭建風(fēng)機(jī)故障識(shí)別數(shù)字模型,故障類(lèi)型分為變槳故障和偏航故障兩大類(lèi),每一類(lèi)下又細(xì)分為幾種具體故障。變槳故障有變槳內(nèi)部安全鏈、變槳位置比較偏差大、發(fā)電位置傳感器異常三種,偏航故障有風(fēng)向標(biāo)異常和加速度超限兩種。

表1 故障類(lèi)型

數(shù)據(jù)來(lái)源為一線(xiàn)生產(chǎn)數(shù)據(jù),共有49個(gè)特征量,見(jiàn)表2。樣本容量有所不同,故障占比也不同,但對(duì)結(jié)果的分析主要集中在不同方法對(duì)同一故障的識(shí)別效果,所以可忽略其影響。分別采用BP神經(jīng)網(wǎng)絡(luò)、極致梯度提升樹(shù)、支持向量機(jī)三種分類(lèi)方法對(duì)故障情況識(shí)別,最終分類(lèi)結(jié)果,如圖7所示。

表2 特征量

圖7 三種算法對(duì)不同故障的識(shí)別效果Fig.7 Recognition effect of three algorithms on different faults

從實(shí)驗(yàn)結(jié)果可以看出,變槳位置比較偏差大的識(shí)別準(zhǔn)確率相對(duì)較低,其他四種故障識(shí)別準(zhǔn)確率較高,大部分都在95%以上。XGBoost整體表現(xiàn)最好,BP神經(jīng)網(wǎng)絡(luò)次之,SVM最差。這可能是由于樣本數(shù)據(jù)量較小,神經(jīng)網(wǎng)絡(luò)更適合樣本數(shù)量大的情況。而XGBoost屬于集成算法,預(yù)測(cè)效果比SVM更好。

基于XGBoost算法對(duì)特征重要性進(jìn)行評(píng)估,展示了排名前七位的特征,如圖8所示。其中故障允許偏航等級(jí)對(duì)故障識(shí)別的貢獻(xiàn)最大,1#變槳槳距角次之,然后是偏航位置,風(fēng)向角和1#變槳電機(jī)溫度所占比重相似,其余特征作用較小。

圖8 基于XGBoost算法的特征重要性Fig.8 Feature importance based on XGBoost algorithm

當(dāng)僅考慮故障允許偏航等級(jí)時(shí),故障識(shí)別的準(zhǔn)確率為99.71%,考慮偏航位置時(shí),準(zhǔn)確率為99.86%,考慮排名前三位特征時(shí),準(zhǔn)確率為99.98%,之后再增加特征量準(zhǔn)確率不再提高。所以對(duì)于仿真數(shù)據(jù)較多的情況,為了節(jié)省內(nèi)存和提高計(jì)算速度,可以只考慮故障允許偏航等級(jí)一個(gè)特征也可以達(dá)到不錯(cuò)的故障識(shí)別率;當(dāng)數(shù)據(jù)體量中等時(shí),可以對(duì)高維時(shí)空數(shù)據(jù)聯(lián)合分析,達(dá)到精度更高的效果。

4 結(jié)束語(yǔ)

風(fēng)機(jī)故障識(shí)別是保障風(fēng)電機(jī)組安全可靠運(yùn)行的重要技術(shù)。研究和探討了BP神經(jīng)網(wǎng)絡(luò)、極致梯度提升樹(shù)和支持向量機(jī)三種方法的原理和方程推導(dǎo),并基于冀北風(fēng)電機(jī)組實(shí)際數(shù)據(jù)比較了在不同算法下的識(shí)別精度差異,結(jié)果表明XGBoost在本算例中的綜合表現(xiàn)較好。與傳統(tǒng)的機(jī)理模型或經(jīng)驗(yàn)?zāi)Ｐ蛯?shí)現(xiàn)故障識(shí)別相比,基于數(shù)據(jù)驅(qū)動(dòng)的智能算法利用風(fēng)電機(jī)組運(yùn)行過(guò)程中產(chǎn)生的大量數(shù)據(jù),實(shí)現(xiàn)了數(shù)據(jù)賦能,獲得高精度的預(yù)測(cè)結(jié)果,并且具有良好的魯棒性和泛化能力。