风电机组海量SCADA数据的应用分析

李 群，杨 宁，李 丹，安天瑜，张晓华

(国家电网有限公司东北分部，辽宁 沈阳 110180)

风力发电的应用，是国家发展绿色经济的重要标志，其发展日益受到世界各国的重视。风电机组的装机容量越来越大，结构日趋复杂，对供电可靠性要求也逐渐提高，随之而来的是一个迫切需要解决的问题——如何确保机组安全运行?本文从宏观角度入手研究风电机组海量SCADA(supervisory control and data acquisition，数据采集与监视控制系统)数据的应用情况，在此基础上利用SCADA 数据对风电机组进行可靠性评估和故障预测，为减少停机次数、保证可靠运行提供理论指导[1]。根据风力发电机组的研究现状，一些研究者利用SCADA数据对风电机组的故障进行了研究，然而这些研究结果存在着诊断结果与具体研究内容相互分离的问题，他们在研究期间并没有对与上述因素有关的数据信息进行有效融合。本文通过SCADA数据分析机组运行情况，采用MSET(multivariate state estimation technique)方法对风电机组的齿轮箱轴温进行运行状态估计，得出最佳估计值，通过滑动窗口残差统计方法来进一步分析其真实值与估计值之间的残差，以上述过程中出现的残差变化作为依据对残差均值的阈值区间进行科学的定义[2]。文中对观测向量人为地加入温度偏移来模拟齿轮箱的故障，同时对模拟的故障进行仿真研究。系统会在残差超出阈值区间时进行预警，这时工作人员将对齿轮箱存在的隐患进行检查。仿真结果显示，通过这种方法能够及时找到齿轮箱存在

的异常，从而有效实现对齿轮箱的在线状态监测。

1 风电机组基本组成分析

风力发电机组是将风能转化为机械能再产生电能的设备。随着技术水平的提升，增大风机容量、采用新的结构与材料、发展直驱技术及变速变桨恒频发电技术成为世界风电技术研究的热点[3]。

风机的结构根据机组类型的不同有所不同，但总体来说是类似的，风轮、机舱、塔架和基础构成了其基本框架[4]。图1 所示为异步风力发电机组的基本结构。

图1 风力发电机组结构图

2 风电机组SCADA系统的构成及MSET建模方法

2.1 风电机组SCADA系统的构成

风电机组的SCADA系统包括测量、通信、控制和报警模块。风电场大多建在气候环境相对恶劣的偏远之地，人烟稀少，采用人工记录风机运行状态数据显然不具有可执行性，因此需要一套功能齐全、性能可靠的SCADA系统来监控风电机组的运行状态。安装于风电场的SCADA系统以计算机为基础，对每台风机的状态参数进行采集、量程变换、调节、计算、报警、优化、控制以及远程访问等，通过数据共享及实时通信实现对整个风电场所有机组运行状态的监测和自动化控制。SCADA系统有助于风力发电企业提高经济效益，实现经营管理的自动化，减少停机时间，降低维护成本，增大发电量，为企业的商业决策和运营规划提供依据[5]。SCADA系统的原理示意图如图2 所示。

图2 SCADA系统原理示意图

图中就地控制是指运检人员深入风电机组所在区域，采取适当措施对相关问题进行处理。远程控制与就地控制之间的结合，可以为风电机组运维工作的实效性提供保障。

2.2 MSET建模方法

MSET是由Singer等提出的多变量状态估计方法，被广泛运用于状态监测等相关工作中。它首先利用系统中正常状态时的历史数据进行学习，定义系统状态的各个参数之间的关系，然后通过相关性分析建立正常运行状态下多个相关变量间的内在非线性模型，再运用该非线性模型对系统状态进行监测，从而达到状态估计的目的。

在某个物理过程或设备运行范围之内的所有数据可用矩阵形式表示。该物理过程或设备共有n个相互关联的变量，m个状态(m个时刻)，矩阵的列向量表示某一时刻所有相关变量的运行数据，行向量表示该物理过程或设备在m个状态时的某一变量的运行数据。设在i时刻观测到的n个相关变量为观测向量，即：

X(i)=[x1(i)，x2(i)，x3(i),…,xn(i)]T

(1)

将正常工作情况下设备或者物理过程中的m个状态所出现的所有数据定义为记忆矩阵D，那么：

D=[X(1)X(2)X(3)…X(m)]

(2)

将设备或者物理过程中所出现的观测向量Xobs输入到MSET系统中，系统中就会有m维的权值向量W出现，也就是：

W=[w1w2w3…wm]T

(3)

式中：w1～wm为不同维的权值。这样就能够获得输出的估计向量Xest：

Xest=D·W=w1·X(1)+w2·X(2)+w3·X(3)+…+wm·X(m)

(4)

改进权值向量W：

W=(DT*D)-1·(DT*Xobs)

(5)

在确定并且改进权值向量W之后，就可以构造系统中的输出估计向量与输入观测向量之间的残差Σ：

Σ=Xobs-Xest

(6)

式(5)中，非线性运算符用*来表示，常用的非线性运算子有欧氏标准差(DIST)、城市距离(CITY)性相关系数(LCC)等，本文选用两向量间的Euclidean距离进行非线性的运算。

如果出现了一样或者相近的两个向量，两向量之间的距离就会很接近或者为0；反之，两向量就会出现较大的非线性运算结果。

将式(5)代入式(4)，得到输出的估计向量为：

Xest=D·(DT*D)-1·(DT*Xobs)

(7)

在物理过程或设备处于正常的情况下，MSET的输入观测向量就会接近矩阵中的以往的观测向量，同时观测向量与估计向量之间也具有较近的距离，这种情况下Xest的精度也会比较高。一旦物理过程或设备工作状态出现变化，那么物理过程或设备就会改变自身的动态特性，这时候正常工作过程设备输入观测变量两者的距离会越拉越大，观测向量与估计向量之间也会出现较大的偏差，在这种情况下，模型的估计精度也会降低。

2.3 SCADA系统的数据研究

大型的风电场中基本上都有SCADA系统，其最主要的作用就是以规定的时间间隔对所有风机的运行状态数据和测量信息等进行记录，因此SCADA有很庞大的数据量，其中一台风机一个月的数据量就高达几百兆[6]。这些数据存储在计算机中并不断地被备份到光盘中，但是很少对这些数据进行相关的分析和整理，目前国外也才刚刚开始分析和研究风电机组的SCADA数据，而在我国这项工作还未开展，主要是因为有以下几个难点：

1)SCADA的数据量庞大。若按照10s为间隔对数据进行记录，那么一台风电机组一天中产生的数据量不低于10MB，而一个大型的风电场一般都会拥有100台以上的机组，在没有很好的数据提取技术之前，根本就无法有效利用这么多的数据。

2)风电机组的运行数据具有较大的随机性。众所周知，风能是风力发电的动力，而风速本身具有非常大的随机性。SCADA当中的齿轮箱转速、发电功率、振动加速度等相关的数据在风速不断变化的情况下也会不断地变化[7]。这些数据由于具有非常强的随机性，所以很难对其进行提取。传感器的测量误差等使得SCADA数据质量也很难得到保证。

3)参数具有非常多的内在联系，不具备对其信息进行有效提取的技术。在SCADA中的各种参数具有很多的数量，由于其变化具有非常大的随机性，缺乏规律，所以大部分情况下只能对其进行孤立的分析，很难将相关机组的运行状态信息提供出来。

4)不同的风电机组具有不同的特点。因为受到安装位置、运行状态、安全情况和制造因素的影响，就算是相同型号的机组在一个风电场中也会有不同的特点。比如，一台机组的传动链振动具有较大的幅度，而在一定情况下这种幅度是可以接受的，但是对于另一台同型号的机组而言，这个幅度很可能表明机组运行出现了异常。因为这种个性化非常明显的数据存在，所以在分析SCADA数据的时候需要投入大量的时间和精力。

在云计算技术应用以后，相关人员可以轻松对上述因素有关的信息进行更改，如需要进行数据恢复，相关人员只需更改先前的备份设置。

3 以SCADA为基础的齿轮箱轴温建模路径研究

3.1 找到合适的建模相关变量

本文以Vestas风机作为研究对象，其具有15m/s的额定风速、25m/s的切出风速、3m/s的切入风速。MSET中的观测向量确定为齿轮箱轴温的影响因素，也就是Xobs。

1)环境温度。环境温度会随着季节的变化而变化，即使有着同样的风速和机组功率，但环境温度的差异也会影响齿轮箱的温度。

2)机舱温度。齿轮箱的温度很容易受到机舱温度的影响，如温度过高，电气部件的寿命就会缩短，而温度过低，机械零件的正常运转又会出现问题。

3)齿轮箱油温。如果风电机组保持满发的状态过长，就可能造成齿轮箱的油温过高，齿轮箱的温度过高会造成润滑油温度过高。

4)齿轮箱轴温。很多因素都会造成轴承的损坏，除了常见的速度、温度、噪声等，还有轴承的状态、润滑的情况和对中情况等。

5)偏航角度。受到自然风的影响，风机的发电效率也会产生一定的偏差。在发电系统中，偏航系统的风力非常重要。偏航系统会以风机系统的运行情况为依据，对机组的迎风方向进行调整。风电系统的运行安全性，以及其对能量的捕捉效率都会受到偏航角度的影响。

6)齿轮箱转速。机组的有功功率和齿轮箱转速有着直接的关系，齿轮箱的转速大，则机组的有功功率也会增大。

7)风速。变速风电机组的工作目的就是最大风能追踪，要使风速与传动系统的转速成正比，就必须使风机的叶尖速比达到最佳。随着风速的加大，齿轮箱的转速也会加快，从而提高齿轮箱的温度。

8)有功功率。齿轮箱的温度和有功功率有着紧密的联系，随着机组输出功率的加大，齿轮箱就会承受更大的载荷，从而达到更高的温度。偏航角度、齿轮箱齿轮转速、风速也会影响有功功率。

3.2 SCADA数据记录与分析

本文对某风电机组2011年1月份的部分SCADA数据进行分析和处理。从2011年1月22日17：20：00到2011年1月27日17：20：00，每隔10min记录一次数据，共记录了721条 SCADA数据。

3.2.1模型的建立和验证

在建模的过程中需要用到正常运行状态的数据，同时还要建立过程矩阵。本文舍弃运行状态异常的相关数据以及功率在时间段内不超过0的数据，将不超过3m/s的风速定为3m/s，将不小于25m/s的风速定为25m/s，然后将机组的正常运行数据作为剩下的数据，在过程记忆矩阵建立好之后，通过上述的公式预测其输入观测向量。本次研究将利用上述721个正常运行的历史数据作为依据，对这一模型予以验证。

文中选用前522个数据作为过程记忆矩阵，选取后199个数据中的齿轮箱轴温列作为输入Xobs，图3 是轴温观测值和汽轮机转速值曲线。

图3 轴温观测值和汽轮机转速值曲线

3.2.2故障预测

模型建立及验证之后就可以用来对风电机组运行状态进行监测。齿轮箱出现均值阈值范围内的温度残差，表明其运行状态正常；如果出现超出均值阈值范围的温度残差，那么就表明设备处于异常状态。从图4可知，一旦设备温度残差高于均值阈值最大值的情况，系统就会报警，这种情况下如果让机组继续运行，就会损坏齿轮箱，从而影响机组的正常运行[8]。

图4 系统预警曲线图

4 结束语

风电产业的迅速发展，对风力发电机组的可靠运行性能具有越来越高的要求。明确和了解机组

的故障规律特性，评估机组的可靠性，发现机组的薄弱环节以及预测故障缺陷的发生，可以保障机组高效稳定运行，有效减少故障停机时间，并为状态检修计划的制定起到指导作用。就相关研究领域的研究前景而言，可以根据 SCADA 系统的监控性能，基于连续量监测项目，构造风力发电机组故障预测模型，以灰色理论得到与待预测量关联的系数。结合回归支持向量机进行数据预测，比较预测数据和实际数据的差值，可以尽早且准确地发现潜伏的缺陷。