基于显著性差异分析的风机变桨电机故障预警

姚万业，杨金彭

(华北电力大学 控制与计算机工程学院，河北保定071003)

基于显著性差异分析的风机变桨电机故障预警

姚万业，杨金彭

(华北电力大学 控制与计算机工程学院，河北保定071003)

对河北冰峰风场430台直驱型风机1年的变桨电机绕组温度数据进行了统计分析，验证了该风场变桨电机绕组温度变化在实际工况下基本符合正态分布规律，通过对样本数据离群值的统计分析确定了显著性差异分析方法，并提出了在运的变桨电机绕组温度显著性差异分析条件及预警阈值。经实例验证，该方法能够准确地对风机进行故障预警，保证了风机高效地运行。

显著性差异； 统计分析；正态分布；样本离群值；预警阈值

0 引言

传统的风机故障预警一般通过设定单一变量预警阈值来实现，但在实际复杂工况下，这种方法容易造成故障误报、预留故障排查时间不足等问题。在不同的风速和环境温度工况下，风机的运行状况是不一样的，风机发电量、各部件温度值也不尽相同，如果设定单一的预警值肯定无法满足复杂工况下的预警要求。针对此问题，本文提出一种在同工况下风机设备参数具有显著性差异分析的预警方法。

目前为止，国内外学者已经开展了大量变工况下的风机故障预警研究，其中鹿卫国等人采用了一种基于概率分布的方法来预测风机设备故障发生率，杨浩等根据负荷变化趋势来进行故障预警分析。同时，基于bin方法的多工况下风机故障预警研究也越来越受到人们的重视。

1 风机故障情况

风机主要包括变桨、叶轮、机械传动、发电机、电控、液压、偏航等7大系统，通过对河北冰峰风场1年时间内20 118条故障代码的统计分析，各大系统的故障情况及说明如表1所示。

表1 系统故障情况

从表1可以看出，该风场的风机变桨系统和发电机系统故障频发，其中变桨系统故障发生次数在总故障次数25%以上。因此，对于变桨系统必须给予足够重视。在变桨系统故障中，多表现为变桨电机温度类故障、变桨控制柜故障、变桨传感器故障等。经统计分析，5 463条变桨故障信息中，各类故障所占比例如图1所示。

图1 变桨系统故障比例图

图1数据显示说明变桨电机温度故障占据了变桨系统所有故障中58%的比例，可见实现变桨电机温度的故障预警对风机的高效运行有着现实的意义。

2 变桨电机绕组温度数据统计分析

数据来源于河北冰峰风场SCADA系统，以5 s为采集单位，对2014年1月到12月内430台风机进行数据采集。数据反映了风机的实际运行状况，有一定的参考价值。对每天最高的运行温度进行统计分析，结果如图2 所示。

图2 每天最高温度统计图

由图2 可以看出，不同的月份最高温度不同，但大部分风机数据都在一定范围内变化，没有显著性差异，只有某些时刻的数据与其它时刻差异很大。来源于同一SCADA系统的不同风机在同一工况下数据不应该有显著性的差异，故初步判断产生这些数据的风机可能存在故障隐患。为了进一步对风机进行温度故障预警，采用统计学显著性差异分析方法对数据进行统计分析。

3 显著性差异分析

显著性差异是统计学上对大量数据中存在的某些具有显著性差异的数据的评价。当数据之间有显著性差异时，说明参与对比的数据不是来自于同一总体或来自同一总体的数据实验处理条件不一样[1]。在工程中，对于同一批次的设备，由于设计、工艺和材质完全相同，在同一工况下的设备产生的数据虽可能不完全一样，但不应存在显著性差异，否则，可能是早期故障信号。显著性差异分析方法就是基于大量运行实验数据的统计结果设定一个静态阈值从而达到对异常信号的预警作用[2]。

3.1 显著性分析前提

利用显著性差异分析手段对样本数据进行处理、分析需要满足以下前提：① 参与统计的样本数据必须来源于同一总体，② 样本数据分布基本符合正态分布规律，即样本概率密度函数应满足正态分布函数[3]，如公式(1)所示：

(1)

式中：x为样本值；f为样本在该值出现的概率密度；μ为样本均值；σ为样本标准差；μ和σ由式(2)和式(3)计算：

(2)

(3)

3.2 显著性分析条件

(4)

即u服从标准正态分布,由于变桨电机绕组温度性能表现为增大，则只需要考虑曲线的单边，分布情况如图3所示。

图3 标准正态分布置信区间图

参考GB/T4883-2008[4]，通过对离群值的分析要求，显著性差异条件确定为式(5)：

(5)

即阈值的上限设定为 X=μ+σu1-α，其中α为统计离群值的显著性水平，一般取为0.01，经查U分布表获取在显著水平α值下的置信区间上限值为2.58。

4 显著性差异分析在变桨电机绕组温度预警中的应用

河北冰峰风场每天产生海量的历史数据，既包括正常数据，也包括故障信息，这些数据对于风场政策制定及高效管理具有很高的利用价值。如何对数据进行统计分析，将分析结果作为故障预警的依据已经成为风场关注的焦点。为解决风场频发的变桨电机绕组温度故障问题，文中采用显著性差异分析方法对变桨电机温度进行阈值预警[5]，处理流程如图4所示。

图4 预警流程图

4.1 数据预处理

文中采用箱式图分析方法对数据进行预处理，可以初步筛选掉某些明显偏离其他正常数据的异常点，这些数据值可能源于读数误差或录入错误，也可能是某些真实存在的故障信息[6]。对于风场SCADA系统采集到的海量数据也存在着各种各样的问题，如在8月4号14:24～14:52将近半个小时的时间内变桨电机一直在以70 ℃的高温状态运行，这可能是由于风机在高温环境下长时间高负荷运行造成的，这些数据显然是不能作为统计分析样本的，要予以剔除。

4.2 样本统计分析

为了研究变桨电机正常运行时温度变化范围，采用统计学手段对数据进行处理，为提高数据准确性及利用价值，对风场SCADA系统以5 s为单位对数据进行采集、处理、统计、分析。不同的工况下，每台风机正常运行时变桨电机绕组温度的稳定值是不一样的，不同月份，甚至是同1天内不同时刻环境温度也是不完全相同的。据历史数据统计，在历次故障事件中，故障风机温度数据值较其他风机增大明显。据此特性，采用显著性差异分析方法作为变桨电机绕组温度的分析工具，图5为3，7，12月份3个典型月份的历史数据统计图。

图5 温度统计图

由图5(a)，(b)，(c)中可以看出，冰峰风场的风机在不同的月份内变桨电机绕组温度的大致稳定范围是不一样的，3月份的稳定运行温度在42～55 ℃之间，而7月则在46～60 ℃之间，到12月份大概在35～54 ℃之间。1年中3月份为初春时节，风速可能比较大，而7月份为盛夏，环境温度比较高，故风机在运行时变桨电机绕组温度较12月份高出许多。可见，环境温度的大小对风机变桨也有着重要的影响。

为进一步研究环境温度对变桨电机温度的影响，分别对3，7，12月份1天内24 h中每小时最高温度数据进行统计分析，结果如图6所示。

图6 每小时最高温度统计图

由图6分析可得：在1天内不同时刻的最大稳定运行温度也是不完全一样的，白天相对晚上来讲温度稍微高些，在12月份最高温度大约在10:00～13:00之间，而最低温度集中在21：00～3:00(凌晨)，差值能高达10 ℃，这可能与冬天昼夜温度有一定的关系。

4.3 显著性差异条件及预警阈值的确定

经K-S方法检验后，该风场样本数据基本符合正态分布规律[7]。考虑多工况，以7月份数据为例，根据式(2)和式(3)计算样本均值μ为53.72，样本方差σ为3.24,样本密度函数为如下正态分布函数：

(6)

根据式(5)在显著水平为0.05的条件下，预警阈值为X=53.72+3.24×2.58=62.079 2即当某台风机变桨电机绕组温度值超过62.079 2 ℃时，与其他风机数据存在着显著性差异，此台风机可能会发生故障，需要对该台风机进行隐患排查。

由于风机工作在多工况下，不同的工况风机的温度阈值也应不完全相同。阈值过小会导致预警信号频发，或者误报；阈值过大可能会导致由于温度过高变桨电机已处于故障边缘，可能会错过最佳的维修时间。考虑到不同月份环境温度差别较大，风能质量也不尽相同，故针对不同工况设定不同置信水平的预警阈值[8]，具体如表2所示。

表2 多工况下风机预警阈值

4.4 现场验证

以冰峰风场2015年3月份的现场变桨电机故障案例为验证对象，3月份为多风季节，为了适应不同的风速工况，变桨装置动作频繁，是故障的高发期。图7为故障发生前的变桨电机温度趋势图。

图7 故障前温度趋势图

由图7可知：正常运行时变桨电机温度稳定在45 ℃左右，在某一时刻温度开始呈上升趋势，并超过理论预警阈值58.787 7 ℃，并继续上升，最终导致故障停机，验证了该理论预警阈值的准确性。如果在温度超过预警阈值时对风机做出故障排查可能会减小损失，提高运行效率。

5 结论

(1)文中通过对河北冰峰风场1年内数据的统计分析，挖掘出了大量潜在的高价值的信息，其中多数风机变桨绕组故障温度多集中在60 ℃左右，建议对此温度以上的风机进行故障隐患排查。

(2)风机在实际复杂工况下正常运行时，变桨电机绕组温度变化范围基本符合正态分布规律，但在不同的月份内，稳定运行的均值和方差是不一样的，与当地环境温度和实时风速大小有着密切联系。

(3)通过对历史样本数据正态分布规律图进行显著性差异分析，考虑实际工况，设定风机在一定显著水平条件下的预警阈值可以有效防止故障发生，在故障发生前通过预警信号及时将故障排除，从而提高了风机的运行效率。

[1] 孙翔，何文林，姚晖，等.基于显著性差异的变压器套管介损统计分析[M].西安：西安高压电器研究所，2014:4-6.

[2] 高祥宝.数学分析与SPSS应用[M].北京:清华大学出版社，2007.

[3] 孙翔，何文林，邱炜，等.基于显著性差异的油浸倒置式电流互感器氢气阈值分析[J].浙江电力，2014,(6)：20-25.

[4] GB/T 4883-2008,数据的统计处理和解释正态样本离群值的判断和处理[S].

[5] 许骏龙,李征.基于支持向量机的风电机组故障预警[J].工业控制计算机，2013,26(8):54-56.

[6] TCHAKOUA P, WAMKEUE R, OUHROUCHE M, et al. Wind turbine condition monitoring: state-of-the-art review, new trends, and future challenges[J]. Energies, 2014,7(4): 2595-2630.

[7] 张建良，闫杰，郭丽.电容式变压器套管介损数据异常案例分析[J].山西电力，2012(1)：20-22.

[8] 王若星，罗虎，王若焰.电力设备诊断中显著性分析法应用[J].电气应用，2012,(20)：52-53.

[9] 顾煜烔，苏璐玮，钟阳，等，基于区间划分的风电齿轮箱在线故障预警方法[J]. 电力科学与工程,2014,30(8):1-5.

[10] YANG J, FLETCHER J E, OREILLY J. A series dynamic resistor based converter protection scheme for doubly fed induction generator during various fault conditions[J]. IEEE Transactions on Energy Conversion, 2010, 25(2):422-432.

[11] 王珊，苏璐玮，顾煜烔，等，变工况特性下的风电轴承早期故障诊断方法[J]. 电力科学与工程，2014，30(3):39-44.

Fault Early Warning of Pitch Motor of Fan Based on Significant Difference Analysis

YAO Wanye, YANG Jinpeng

(School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China)

Through the statistical analysis on the temperature data of pitch motor windings of 430 driven-direct fans in the wind field of Hebei bingfeng during year,it is verified that the distribution of temperature variation of the fan is basically in accordance with normal distribution law under various conditions.The significant difference analysis method is adopted based on the statistical analysis of sample data outliers.At the same time,the requirement of significant difference analysis and early warning temperature threshold of pitch motor in operation are proposed.The algorithm is tested by experiments and the experimental result shows that the algorithm could conduct foult pre-alarming with great accuracy,ensuring the efficient operation of the fans.

significant difference; statistical analysis; normal distribution; sample outliers; early warning threshold

2015-12-15。

中央高校基本科研业务费专项资金(2014MS138)。

姚万业(1965-)，男，教授，研究方向为计算机网络技术，E-mail:yaowanye@163.com。

TM732

A

10.3969/j.issn.1672-0792.2016.02.009