基于SCADA数据分析的风机变桨故障诊断

王卫娜 ，甄 冬 ，张 琨 ，张 磊

（1.河北工业大学 控制科学与工程学院，天津 300131；2.河北工业大学 机械工程学院，天津 300131）

近年来，风电行业增长趋势强劲，鉴于此欧洲风能协会EWEA将累积装机容量目标增加至2020年达到230 GW，2030年达到400 GW。然而，这是一个具有挑战性的目标，其中风力发电成本问题特别值得关注，它决定了风能是否可以成为一个有竞争性的可持续的替代能源。风力发电机作为风力发电系统的关键部件之一直接影响着整个风力发电系统的性能、效率[1]。随着风电机组的单机功率不断增大，运行环境不断复杂，控制系统故障已经取代齿轮箱等机械部件故障成为影响机组安全运行的首要因素。风电机组核心控制技术之一的变桨系统发生故障是目前造成机组停机的主要原因之一，因此，开展风电机组变桨故障诊断方法的研究十分必要。近年来，不少研究者对风电机组变桨故障诊断展开了研究。文献[2]探讨了故障监控和数据采集系统提供的故障数据并在3个层次提供故障预测：故障与否的预测、故障诊断策略和具体的故障预测。文献[3]提出了一种系统化调查风机SCADA系统的警报。文献[4]针对风机叶片振动信号，采用小波分解方法，对叶片的裂纹、凹痕和破损进行故障诊断。

传统上，机械设备的在线监测是通过数学建模来实现的，但是由于风机的操作涉及到复杂的控制，不容易建立一个精确的数学模型。所以本文的变桨故障诊断方法并不是根据风机的瞬间响应进行诊断，而是在一定操作条件下，对风机的运行历史状态进行综合评估，通过挖掘大量SCADA数据之间的关联性，实现变桨故障的诊断，并通过仿真来验证，这能减少由于SCADA异常值造成的计算错误，从而提高变桨故障监测结果的可靠性。

1 数据来源与数据预处理

本文基于某1.5 MW风场的海量SCADA数据进行研究，其风电机组参数如表1所示。

表1 风电机组参数Tab.1 Specification of wind turbine

风机通过叶片捕获能量，然后通过传动链将能量转换成机械能进行传递，最后利用发电机将能量转换为电能。鉴于此，发电机功率与风速的立方成正比[5-6]，所以在进行数据预处理时，风速将作为相关数据分级的参照。在对风机进行变桨故障诊断之前，应先选择与变桨故障发生密切相关的3个参数：风速、桨距角和功率。由于越接近故障发生时刻，信号特征越明显，所以提取风电机组发生变桨故障时刻前0.5 h的风速-桨距角、风速-功率数据。由于风速波动较大，变化没有规律可循，所以需要对风速先进行预处理，以得到较为稳定的风速数据。为了获取SCADA数据之间的关联性，数据预处理方法如表2所示。

表2 数据预处理Tab.2 Data pre-processing

如图1所示为从某台1.5 MW三叶片风机上获取的正常和发生变桨故障的SCADA原始数据。

图1 原始SCADA数据Fig.1 Original SCADA data

从图1可以看出，原始SCADA数据中的正常数据和故障数据部分混杂在一起，尤其是风速-功率数据，无法直观地表征出正常与故障的区别，无法为判别故障提供可靠的依据。此外，虽然风速-功率已被广泛应用于风机SCADA系统，但是图中观测故障并不明显，这是由于风机SCADA数据不仅是受风机结构完整性的影响，还受许多其他因素的影响（例如风切变和湍流），这显著增加了风机变桨故障诊断的难度。

利用表2中的预处理方法预处理后的数据结果如图2所示。

图2 预处理后SCADA数据Fig.2 Pre-processed SCADA data

从图2可以看出，上述数据预处理方法能有效地提取出隐藏在风机原始SCADA数据中的特征；通过对比正常和故障的风速-桨距角，风速-功率曲线，可以看出故障曲线偏离正常曲线即故障的发生。

2 变桨故障诊断方法

为了挖掘隐藏在SCADA数据中的信息，将上述预处理过的风速-桨距角， 风速-功率数据｛xi，yi｝（i=1，2，…，n）用方程进行描述[8]：

式中：bj（j=0，1，…，k）为模型系数；k 为方程的阶。式（1）用矩阵形式可以写成：

此时令

则式（2）可以表达为

在式（3）的两侧增加X的转置矩阵XT可得：

因此，可以通过计算得到系数矩阵B

得到系数矩阵B后可以建立｛xi，yi｝的相关模型。风机是否发生变桨故障的运行状况可以通过式（6）的参数计算进行评估，即：

式中：aj为待检测数据模型系数；bj为风机正常运行模型系数。

从式（6）可以推断，正常情况下，当e≈0时，风机正常运行，故障越严重，e值越大。不过，值得注意的是，对于风机这样的机械设备会不断受到变化的载荷条件而且经常在不同操作条件下工作，所以风机的运行通常是依赖于实际载荷和运行条件。在e值的评估中，通过观测最大状态误差来判断风机是否发生变桨故障，同时在定义e的阈值时仍然需谨慎，否则可能导致错误的诊断结论。

3 仿真结果及分析

为了验证上述变桨故障诊断方法的有效性，选取某台额定功率为1.5 MW风机上经常发生的2种不同的变桨故障类型M和N，对每种故障类型分别采集 2 组故障点前 0.5 h 的数据：M1，M2，N1，N2，并提取这台风机正常运行状态下0.5 h的风速-桨距角和风速-功率数据，利用上述变桨故障诊断方法进行诊断，方程的阶数k选取4，桨距角e的阈值选取1.3，功率e的阈值选取20，结果如图3和表3所示。

从图3和表3可以看出：

（1）预处理后的数据经过计算能清楚地显示出风机变桨故障的发生；

（2）桨距角和功率的e值分别在不同范围内变化，但功率的e值较桨距角的e值能更明确地显示出风机变桨故障的发生；

图3 数据预处理结果Fig.3 Result of pre-processed data

表3 e值计算结果Tab.3 Value of e

（3）通过桨距角或功率的e值所属范围能够判断出2种故障的类型，桨距角e值：1.3＜e＜3时为故障 M，e＞3 时为故障 N；功率 e值：20＜e＜40 时为故障N，e＞40时为故障 M。

4 结语

鉴于传统机械故障诊断方法应用于风机变桨故障诊断中的不足和局限性，本文基于SCADA数据进行研究并挖掘其中的关键信息以便对风机进行变桨故障诊断。通常在风电机组正常运行时，故障会导致SCADA数据的变化，然而SCADA数据的变化并不一定表明故障的发生。所以说，SCADA数据的变化和故障是否发生有一定关联性，但也不是绝对的，而利用文中的数据预处理方法可以有效地挖掘出数据中的隐藏信息，为后续变桨故障诊断工作奠定基础。本文的变桨故障诊断方法能够有效地从桨距角和功率2个方面判断是否发生变桨故障和变桨故障的严重程度。通过对比2种常见变桨故障类型的诊断结果，能够轻松地判断出2种变桨故障类型。这将为风场运维人员明确故障指向，能有效降低风场停机时间，降低风力发电成本，减少经济损失。

[1]任俊杰，方东，刘畅，等.风力发电机组的变桨距复合控制[J].自动化与仪表，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，Feng Yanhui，Tavner Peter，et al.SCADA alarm analysis for improving wind turbine reliability[J].Wind Energy，2011（10）：293-296.

[4]李大冰，吉荣廷，冯文秀.风力发电机组叶片故障诊断[J].节能技术，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.