一种风机变桨系统运行状态异常识别方法

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)

一种风机变桨系统运行状态异常识别方法

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)

针对风电场数据量大、类型多且数据结构复杂的特点，采用分段多项式曲线拟合的方法，建立风电机组变桨系统的健康模型。依据健康模型，对实时工况的参数变化趋势进行预测，然后采用滑动窗口残差均值分析法，对实测值和预测值之间的残差进行阈值判断，并结合现场经验对变桨系统的运行状态进行异常识别。历史数据整理分析和Matlab仿真平台验证表明：该方法对于识别风机的异常运行状态具有可行性。

风机变桨系统;风电场;发电机;健康模型;实时工况;SCADA

0 引言

为适应复杂的工况，国内多数风电场风机采用变桨控制技术[1]。其中，多变的工况及高频率的负荷变化会给变桨装置带来极大的损害。对风电机组运行状态进行准确评估，合理安排风电机组的运行与检修计划，对延长机组的寿命、避免严重故障、节约维护成本意义重大。

目前，国内普遍采用设定温度恒定阈值，对变桨系统温度参数进行故障预警。鉴于风机工作环境的复杂多变性和变桨系统的特殊性，该方法会导致误报或不报，以及预留排查故障时间不足等问题。在充分研究变桨系统工作原理及温度参数数据特征的基础上，将曲线拟合预测方法应用到故障预警中，并通过仿真，分析验证了该方法的可行性。

1 变桨系统评估体系

变桨系统作为风机运行的重要组成部分，主要包括驱动装置和控制装置。其中，驱动装置由变桨电机和齿轮箱组成；控制装置由控制柜、电池柜、轴柜和电容柜组成。该系统的主要作用是当风速小于额定风速时，通过变桨系统改变桨距角，提高风能吸收系数Cp，以保证最大效率地吸收风能；当风速高于额定风速时，通过调整叶片的桨距角降低风机转速，维持风机输出功率在额定值附近，从而防止发电机和逆变系统过载，保证风机正常稳定地运行。

由于风速的不确定性及骤变特征，导致风机变桨动作频繁，这极易造成变桨装置的损坏。河北赤沽风场2015年变桨系统故障统计如表1所示。

由表1可见，2015年,该风场变桨系统超过50%的故障发生在变桨电机部位。根据其工作原理，以变桨电机绕组温度作为重点评估变桨系统运行状态指标。

2 变桨系统健康模型的建立

为了能够拟合出变桨系统的各个运行工况，需要对风场中同一机型风机在较长一段时间内的历史数据进行整理、分析，从而模拟出较完整的健康模型。这就对数据有一定的质量要求。样本数据的选择原则[2]如下。

①数据样本来源于风机正常输出功率工况[3]，即切入风速为3～15 m/s之间的数据。

②样本数据必须取自风机稳定运行工况下，当风机在启动期间，各方面的指标参数会发生剧烈变化，这种情况不利于变桨系统健康模型的建立。

变桨系统稳态工况如表2所示。

鉴于上述原则，以河北赤沽风场2015年整年的变桨电机绕组温度数据信息库作为样本来源，在现场SCADA系统中，以10 min为采集单位、变桨电机绕组温度10 min平均值作为分析对象[4]。通过对海量历史数据的统计分析，参考 IEC标准，以0.5 m/s为风速划分单位[5]。

对于温度类指标，借鉴IEC标准中Bin方法绘制出指标曲线[6]，再通过曲线拟合得到温度随风速变化的拟合函数[7]。变浆电机绕组温度曲线如图1所示。

图1 变桨电机绕组温度曲线

图1中:“+”为风速与变桨电机绕组温度的实际测量值；光滑曲线为依据测量值得到的拟合曲线。

变桨电机绕组温度关于风速的多项式拟合函数可表示为：

式中:T(w)为变桨系统稳定运行时理论的计算值大小;w为风速大小。

3 残差分析

风机在运行过程中，由于不确定因素(外界环境温度突变)和随机干扰(传感器测量误差等)的存在[8]，变桨电机绕组温度的实际值和预测值会有一定的偏差，从而导致某些孤立点的出现。此外，并网功率的大小和时间等也会影响变桨电机绕组温度。

3.1 残差均值分析算法

规定风场变桨电机绕组温度的实测值x0与预测值xi之间的残差为：

ε=x0-xi

(1)

由于残差均值能够反映残差的平均分布情况，文中采用滑动窗口残差均值分析方法来进行分析[9]。该方法的主要优点是可以在一段时间内连续反映残差的变化，通过选择合适的滑动窗口宽度N,可以消除孤立点的影响，准确反映残差的整体变化趋势，从而提高异常识别的准确度。

在时间t内，变桨电机绕组温度的残差序列为：

εT=[ε1ε2…εN]

将滑动窗口的宽度设为N，对这连续的N个残差序列计算均值：

(2)

设备在正常运行期间，经过滑动窗口计算后得到残差均值，取其绝对值的最大值记为Ev。基于健康模型的残差阈值Ev为[10]：

Ev=±k×Ex

(3)

式中:k的取值现没有明确的公式，依据现场多年经验及对故障信息[11]的统计分析，选取k值为1.2。计算得到异常温度残差阈值为15 ℃。

3.2 残差验证

采用残差分析方法对风场历史数据进行验证。从SCADA系统中选取2015年4月9日～4月15日之间变桨电机绕组温度值，对“健康模型”进行验证。残差输出如图2所示。

图2 残差输出图

由图2可知，在第0～25个点之间，温度残差保持在稳定范围内，且距预警阈值有较大裕度，从大约第30个点开始残差开始迅速增大，到第40个采集点时，温度超过阈值并继续增大。SCADA系统故障分析表明，风机变桨系统在第25～30个采集点之间可能出现异常状况。

4 结束语

残差图与SCADA记录信息图表明，对于变桨系统中变桨电机绕组温度参数，采用历史数据拟合曲线分析方法对某工况下参数变化趋势进行计算，能够对其整体变化走向进行大致预测。再结合滑动窗口残差均值分析法对实际值和预测值得残差进行评判，依据现场经验设置预警阈值。该方法能够及时发现变桨系统的异常，并作出准确的判断，表明该方法具有很高的实用价值。

[1] 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.

[2] 吴恵荣.统计学原理[M].上海:上海交大出版社，2000:15-21.

[3] 朱勇华.应用数理统计学习指导[M].武汉:武汉大学出版社，2002:11-25.

[4] 国家标准化管理委员会.GB/T4883-2008数据的统计处理和解释正态样本离群值的判断和处理[S]:北京：中国标准出版社,2009:407-432.

[5] 高祥宝，董零青.数学分析与SPSS应用[M].北京:清华大学出版社，2007：27-34.

[6] 肖运启，王昆明，贺贯举，等.基于趋势预测的大型风电机组运行状态模糊综合评价[J].中国电机工程学报，2014,34(13):2132-2139.

[7] 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，2014,3(30):39-43.

[8] 李大中，许炳坤，常城.大型风电机组现场运行数据预处理及模型建立[J].国网技术学院学报，2015,18(3):6-10.

[9] 陈子斯.基于风电机组SCADA数据的故障预警预测方法研究[J].电力技术与应用,2011,18(3):5-9.

[10]张新燕，何山，张晓波，等.风力发电机组主要部件故障诊断研究[J].新疆大学学报(自然科学版),2009,26(2):6-9.

[11]张圣楠，庞伟，刘晓敏.华北电网风力发电数据挖掘分析系统研究与应用[J].华东电力,2012,40(12):2211-2215.

A Method for Identifying Abnormal Operation State of the Turbine Variable Pitch System

YAO Wanye, YANG Jinpeng

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

Due to the complex structure,large volume and various types of the wind farm data,the health model for variable pitch system of wind turbine generators system is built by using piecewise polynomial curve fitting.Based on the health model,the varying trend of parameters about real time operating conditions is predicted; then by using the sliding window residual mean analysis method,the threshold judgment for residual error between actual value and predicted value is conducted; and combining the practical experience in the field,the abnormal operation state of the variable pitch system is identified.The analysis of historical data and verification of Matlab simulation platform show that the result shows that the method is feasible to identify the abnormal running state of wind turbine.

Turbine variable pitch system;Wind farm;Generator;Health model;Real-time operating condition;SCADA

中央高校基本科研业务费专项资金资助(2014MS138)

姚万业(1965—)，男，博士，教授,主要从事网络控制系统、图像识别、DCS分散控制系统和管理信息系统的研究。E-mail：yaowanye@163.com。

TH17;TP23

A

10686/j.cnki.issn 1000-0380.201701025

修改稿收到日期:2016-06-23