基于SCADA数据的风电场后评估方法

卢 胜,吴 莎（湖北省电力勘测设计院，湖北武汉,430040）



基于SCADA数据的风电场后评估方法

卢 胜,吴 莎
（湖北省电力勘测设计院，湖北武汉,430040）

摘要：风电场后评估作为优化风电场运行状态、降低运维成本的关键技术手段，其方法已成为业界探讨的焦点。本文综合介绍了目前国外基于SCADA(Supervisory Control And Data Acquisition)数据系统的风电场后评估方法，包括宏观的主元分析法，关键绩效指标法以及微观的结构力学方法。分析了三种风电场后评估方法的局限性，展望了风电场后评估技术及方法的发展方向，提出了通过建立风机非标准工作状态下的样本数据库，并以该数据库为基础生成风机工作状态图谱来诊断风机工作状态的方法。

关键词：风电场后评估；SCADA数据；主元分析(PCA)；关键绩效指标(KPI)

0　引言

根据DOE(Department of energy，美国能源部)的研究预测结果，2030年20%的风电场收益增幅将来自于风机工作状态的改善以及风电场维护成本的下降。风电场开发经验也表明，风电场运营和风机维护修理的资金投入已经成为仅次于风机购置的风电场第二大支出源。提高风电场对风能利用效率以及降低风电场维护成本逐渐成为人们关注的焦点，风电场后评估逐渐为风电场开发商和风机生产商所关注。

传统的风电场运营维护采用的是定期检测的方法，即固定周期派专业人员对场区各个风机进行实地检测，然后对发现的故障风机进行回收维修。这一流程耗时周期长，投入资本大，对于出现的故障难以及时发现，同时也不利于故障原因的收集总结。传统的风电场后评估流程与故障检测类似，其对于风机工作状态数据收集通常仅仅是针对风电场的风机故障类型以及下行时间进行统计，往往无法进行进一步的分析。

基于SCADA数据的风机工作状态监测系统可以改进上述问题，SCADA数据系统获取的数据具有时效性和完整性，针对该数据进行分析可以实现风电场乃至风力发电机组工作状态的实时或者近似实时地分析监控，这也就使得风电场运营维护由定期检测转变为条件监测，同时也使得风电场后评估对于风机故障的根本原因可以进行更为深入具体的分析 。

1　SCADA数据介绍

SCADA，全称为Supervisory Control And Data Acquisition，即数据采集于监视控制系统，是以计算机为基础的DCS(Distributed Control System，分布式控制系统)与电力自动化监测系统，SCADA系统的应用领域很广，在电力、冶金、石油、化工、燃气等方面均有所应用。

在风电行业中，SCADA系统则主要应用于风机工作状态的数据采集与统计，目前主要使用的是十分钟的SCADA时间序列数据，所统计的内容包括了风速，风向，各个组件的温度，电机的扭矩，方向塔筒的摆动幅度，叶片角度等多类风机机组工作状态信息。在目前的应用中，这些数据由于研究方法的原因通常不会全部被用来进行风电场后评估，目前主要使用的几个参数我们将会在本文进行进一步说明。图1中给出了一个风机SCADA采集数据的示例。

图1　风机SCADA数据示例Figure 1 SCADA data example for wind turbines

2　后评估方法介绍

2.1主元分析法

前文已经介绍，SCADA系统可以采集的数据种类多达几十种，但是这些数据并不能够全部使用于进行风机工作状态评估，其中一部分数据属于多余或者噪音，他们的时间序列数据的变化趋势往往不与风机工作状态直接相关，因此，在进行进一步研究之前，SCADA系统采集数据中的非冗余数据提取便成为首要问题。

主元分析法PCA(Principal Component Analysis)是一种常用的提取大规模数据中有效信息的方法，它的基本思路是寻找一组新变量来代替原变量，而这组新变量通常是原变量的线性组合。从优化的角度来看，新变量在维度上也要低于原变量，同时原变量中的有用信息也会最大限度的为新变量所携带。在后评估应用阶段，对提取出的系统主元进一步进行样本统计分析，通常采用在主元子空间建立Hotelling T2统计量进行检测以及在残差子空间建立Q统计量进行检测的方法。将固定周期时间段的风机SCADA系统数据收集并对这些数据进行相同的主元分析降维及统计量计算，通过将该周期内SCADA数据的Hotelling T2统计量与Q统计量与学习样本所确定阈值进行比较，推断出风机已出现故障导致偏离正常工作状态。

利用主元分析法结合统计学分析也有其局限性，首先主元分析法对于主成分维度的保留数目十分敏感，实际应用中很可能出现降维过多导致丢失系统关键信息的情况；其次Hotelling T2统计量和Q统计量阈值的设定也包含较强主观因素；同时主元分析法在应用中仅能够做到发现故障，但是无法明确指出具体的故障原因或故障部件。

2.2关键绩效指标法

相较于主元分析法对于SCADA数据进行整体统计分析的思路，关键绩效指标法KPI(Key Performance Indicator)着重于将SCADA数据与风机各个部件相关联，重点研究采集的各类数据中两两之间的关系，在目前的实际应用当中，常见的关键绩效指标主要有：风机功率曲线，叶片变桨倾角，风机偏航角。

2.2.1 风机功率曲线绩效指标

风机功率曲线是风机后评估检测中使用最频繁也是最被关注的绩效指标。功率曲线直观地反映了风机的工作效率，通过风机功率与风速的散点图也能够快速检测到风机偏离标准工作状态的情况。

通过校验风机功率曲线绩效，可以直观获取风机运行状态、检测与标准工况的偏离情况，然而评估功率曲线绩效指标方法也有其局限性，主要体现为如何准确的校验风机实际运行的功率曲线。由于安装在机舱上的测风仪受风机运行影响，其测得的风数据与风机叶轮处实际风速具有较大差别，利用风机机舱上安装的测风仪数据来校验风机功率曲线往往具有较大的不确定性。针对该问题业界常见的处理方法是在风机前2D~4D（D为风机叶轮直径）区域内，避开风机尾流及其他风机影响的前提下新建测风塔重新测风来校验风机功率曲线；另外激光雷达测风校验风机功率曲线的方法也已逐渐被行业所接受。但上述两种校验方法同样面临着复杂地形条件下风能资源变化较大，直接用风机前2D~4D（D为风机叶轮直径）区域内测得风速代替风机扫风面处风速导致评估不确定性较大的问题，以及针对复杂地形条件下，特别是已建成的风场，场地标定困难的问题。

2.2.2叶片变桨倾角绩效指标

通过对SCADA数据的深入分析，可以发现风机叶片变桨系统故障情况，可以发现在高风速段由于叶片变桨角度偏差导致的失速效应；还可以通过对SCADA数据的分析，得到由于传动系统中轴承或齿轮箱故障，风机发电机无法达到高风速状况下的额定转速等情况。

叶片变桨倾角与风机功率曲线类似，它同样作为风机后评估中使用较为频繁的绩效指标，同时当风机工作状态发生变化时，这两项指标往往同时出现变化。正常工作状态下，在低风速段风机变速定浆距控制，控制风轮转速与风速成比例变化，以保持最佳叶尖速比，此时风能利用系数最大，最大限度收集低风速段的风能，变桨角度保持在一个较小的恒定值；当风速由切入风速逐渐升高时，风轮转速随之升高，往往在输出功率达到额定功率以前，叶尖速度就已经达到其上限值，此阶段进行额定转速调节，变桨角度基本保持不变；当风速高于额定风速时, 利用桨距角的变化使输出功率保持为额定值，直至风速达到切出风速为止。

图3　叶片变桨角与风速散点图Figure 3 Scatter diagram of the blade pitch angle with the wind speed

图4中给出了叶片控制系统出现故障情况下的变桨角散点图。

图4　叶片控制系统故障下的变桨散点图Figure 4 Scatter diagram of the variable pitch blade in the case of failure of leaf blade control system

2.3结构力学法

SCADA系统所采集的数据中，包含了大部分组件的速度，加速度，角速度，角加速度等信息，这就使得通过求解动力学方程式(1)预测部件失效和损伤成为可能：

尽管这种方法能够很好地起到对风机故障判断作用，但是求解过程对于计算时间以及存储空间的要求较高，同时式(1)中方程右侧的系统所受合力，对于风机系统各个部件往往不是能够全部得到，这一点也同时限制了该方法的适用范围。

3　结论与展望

本文介绍了目前基于SCADA系统数据国内外普遍使用的风电场后评估方法。针对风电场后评估的研究方向，本文作者认为应当在结合现有方法的基础上建立针对不同风机偏离正常工作状态原因以及故障类型的样本数据库，在有足够样本的情况下，通过先进的诊断方法建立风机工作状态图谱，根据图谱更好地判断风机的工作运行状态；另一方面应引入更为先进的风电场要素测量方法，如激光雷达测风技术，为SCADA数据系统提供更为准确的工作状态数据。

参考文献

[1] McMillan D, Ault G W. Quantification of condition monitoring benefit for offshore wind turbines[J]. Wind Engineering, 2007, vol. 31:267-285.

[2] Yang Wenxian, Jiang Jiesheng. Wind Turbine Condition Monitoring and Reliability Analysis by SCADA Information[C]//2011 Second International Conference on Mechanic Automation and Control Engineering (MACE). Hohhot:IEEE, 2011: 1872-1875.

[3] Wilkinson M, Darnell B, Delft T V, et al.. Comparison of methods for wind turbine condition monitoring with SCADA data[J]. IET Renew. Power Gener., 2014, Vol. 8, Iss. 4: 390–397.

卢胜（1975—），男，学士学历，研究方向为电力工程、新能源发电工程应用研究

Post-Wind-Farm-Project Evaluation Methods Based on SCADA System Data

Lu Sheng,Wu Sha
(POWERCHINA HUBEI ELECTRIC ENGINEERING CORPORATION，Wuhan,430040)

Abstract：The post-wind-farm-project evaluation is a key technology to optimize the operation state and reduce the operational cost of wind farms,and the post-wind-farm-project evaluation methods have become the hotspot in wind power industry.This article comprehensively introduced post-wind-farm-project evaluation methods based on SCADA (Supervisory Control and Data Acquisition) system including the PCA method,the KPIs method and the structure mechanical method.The author analyzed the limitation of the methods,gave an outlook for these existing evaluation methods,and proposed to diagnose the operation state of the wind turbines basing on the sample database under non-standard working condition.

Keywords：post-wind-farm-project evaluation；SCADA data；PCA；KPI

作者简介

中图分类号：TM614

文献标志码：A