海上风电机组分布式控制系统故障诊断与定位研究

王绍平， 王 冰， 曹智杰， 陈浩浩

（1.河海大学 能源与电气学院， 江苏 南京 211100； 2.南京豪庆信息科技有限公司， 江苏 南京 210006）

0 引言

风能是清洁、 无污染、 储量丰富的可再生能源， 已经成为解决能源危机及污染问题的重要资源之一。海上风力发电具有不占用陆地资源、利用率高等优点，已受到各国广泛关注[1]。 海上风电场远离陆地，环境恶劣，风电机组故障率较高，严重影响发电效益[2]。

当前海上风电场大多采用集中控制方式，其缺点是，一旦通信干扰或控制装置出现故障，就可能使整个海上风电场处于失控状态。 分布式控制避免了集中式控制存在的风险， 可以有效解决网络化系统控制问题。但由于缺少监控中心站，分布式控制存在故障节点诊断和定位难的问题。因此，对分布式风电机组通讯节点进行有效、 精确地诊断与定位，可以有效地避免重大事故的发生，提高分布式协同控制的可靠性[3]。

目前， 一些学者已对海上风电机组通讯故障的诊断问题进行了研究。 文献[4]凭借以太网为通讯基础，设计了“三层两网”模式的计算机状态监测与诊断系统。 文献[5]利用Zigbee 和GPRS 技术实现了对风电机组叶片状态的监控。 文献[6]提出了基于统计学的分布式检测方法， 然而在现实中该统计模型较难建立。 文献[7]利用聚类分析方法进行通讯诊断，此过程不需要数据的统计模型，但是其中簇的大小及个数较难确定。

针对以上问题， 本文提出了一种分布式控制系统的故障诊断与定位方法。首先，对分布式风电场进行群落划分， 为之后的通讯故障诊断与定位提供可靠性判定区域。然后，针对传统分布式通讯检测中存在的“二值性”问题[8]，利用心跳检测pull算法，在不通过基站的情况下，分别进行主从节点的故障诊断与定位。 最后，利用MATLAB 进行仿真验证，与传统的分布式故障诊断进行比较，验证了故障诊断定位结果的准确性和优越性。

1 分布式风电机群的群落划分

为了便于分布式系统有效地进行故障诊断和定位， 本文利用集群和局部优化的拓扑控制（Cluster and Local Optimization Topology Control，CLTC）算法进行群落划分[9]。 CLTC 算法首先根据功率大小和节点间互发的特征， 选择通信性能较强和通信链路较多的节点作为主节点；然后，主节点根据自身功率和群内节点通信机制的能力，控制群内从节点； 最后， 主节点控制群的边界点功率，群之间通过群的边界节点进行自动连接，完成整个分布式风电机组的群落划分。

CLTC 算法大致分为3 个部分： 风电机组节点分群、机群内无线拓扑控制、机群间拓扑结构实现。

1.1 风电机组节点分群

利用风电机组网络终端节点的相互通信获得相邻风机的终端数和对应的终端节点度值， 所谓节点度值是指该节点相关联边的条数。 设u 为节点度，节点度值选择须达到以下目标。

目标1：38，会影响网络拓扑的链路结构。

目标2： 将得到的网络终端节点度值与相邻节点的度值进行比较，选择度值最大的为主节点，与主节点相邻的节点为从节点。

式中：u0为主节点；u1，u2，u3，…，un为u0的从节点；n 为风电机节点数。

当节点度值相同时，则选择地址代码ID 较小的为主节点。

式中：IDu0，IDu1，IDu2，…，IDun为u1，u2，u3，…，un的地址编号数值。

反复循环上述过程， 直至分布式风机网络中所有终端节点都加入各自的群中。

1.2 机群内无线拓扑控制

主节点确立之后， 再进行风电场机群内拓扑控制的初始化。 各主节点网络广播消息给所有从节点，从节点向主节点回复确认消息；主节点统计自身邻居的从节点集， 形成一个以主节点为群首的簇，再发送标记消息给从节点；所有收到簇内消息的从节点将消息记录在自己的终端ID 上，表示成为群内成员。

主节点利用最小生成树算法进行局部拓扑优化： 将海上风电机群看作一个含有n 个节点的连通图，以N={V，E}表示。 其中，V 为图中节点的集合，V={v1，v2，…，vn}，E 为图中边的集合，E={（i，j）∈V×V}。 利用普里姆算法[10]设置两个新的集合U 和T， 分别用于存放连通图N 的最小生成树顶点和边。 从所有u∈U，v∈（V-U）的边（u，v）∈E 中找一条综合权值Wij最小的边（u0，v0），将顶点u0加入到集合U 中，边v0加入到集合T 中。 通过不断优化，直至U=V 为止，图G={U，T}则为最小生成树图。

综合权值Wij为

式中：d （i，j） 为节点i 与节点j 之间的距离；ei，ej分别风电机组相邻节点i 与节点j 通讯时的剩余能量；a，b 为预设指数。

为了解决非均匀分簇带来的网络负载能耗均衡不平衡以及“热区”等现象造成的影响网络寿命的问题，文献[11]利用非均匀分簇路由算法对无线网络进行分簇后的优化， 再采用改进蚁群优化算法搜索出无线网络簇间多条路径， 组建无线网络路由非均匀分簇多目标优化问题模型， 解决了网络负载能耗均衡不平衡以及“热区”等问题。

1.3 机群间拓扑结构实现

网络群间的拓扑规则： 群Ai的终端节点mij周期性地向邻群Bi的节点nij发送包含位置、节点地址和所属群位置的报文信息；若终端节点mij接收到nij的报文信息， 则把信息存储到节点mij的边界表；当群Ai成员边界收集完后，群Ai会检查与相邻群Bi间是否存在两条不相交的链路；若不存在，则Ai和Bi以最大功率发送，若存在，主节点用max min 的策略设置群成员的发送功率。为了保证分布式节点故障诊断的需求， 两群落间边界节点还须要与自己群落中的主节点相连接。最后， 将网络中所有的机群按照上述规则进行连接，完成机群间拓扑结构。分布式风电机群群落划分流程如图1 所示。

图1 分布式风电机群的群落划分示意图Fig.1 Community division of distributed wind turbine group

2 海上风电机组分布式故障诊断定位

随着海上风电场规模的不断扩大， 网络拓扑结构也变得更为复杂， 本节针对传统海上风电机群通讯故障诊断技术只能输出“怀疑”和“信任”二值性的问题，采用心跳检测pull 算法，对分布式故障机组进行诊断与定位。

2.1 心跳机制原理

心跳机制的具体步骤： 某一节点定时地向邻节点发送心跳，邻节点收到心跳消息后，在一定时间内被动地发回应答消息， 通过邻节点返回来的心跳信息时间从而确定该节点的通讯状态。

为了将心跳机制用于分布式风电机组通讯故障节点的诊断， 首先引入3 个反应分布式故障检测基本性能的指标：检测时间TD、错误间隔时间TMR和错误持续时间TM。 TD为风机通讯节点接收某一邻节点的心跳信息到判断该风机通讯节点故障的时间；TMR为风机通讯节点之间两次发生故障输出之间的时间间隔；TM为风机通讯节点之间检测修正一次错误怀疑所需要的时间。

2.2 风电机群的分布式节点故障诊断

针对分布式网络中主从节点特性不同， 将做以下主从节点的故障诊断。

（1）群落内从节点故障诊断：假设主节点为qi，从节点{p1，p2，…，pn}标记序号为1，2，3，…，n，总时间进程为TD。 从0 时刻开始，主节点就和从节点实行并行通讯，在任意一个时间进程ti中，主节点q 同时和n 个从节点{p1，p2，…，pn}进行两节点心跳机制的网络通讯。 心跳检测pull 算法判断准则： 网络利用当前时刻所得时间参数计算出此时进程的输出值Q，并在ti时刻设定一个阈值P。若Q 在P 内，此时分布式网络通讯良好；当Q 超过P， 网络发生故障， 此时须查询出故障从节点pn。 心跳检测pull算法模型如图2 所示。

图2 心跳检测pull 算法ti 时刻从节点故障图Fig.2 Failure diagram of heartbeat detection algorithm from node to node at time

①Q 的计算： 根据ti时刻风机通讯节点的状态，为每一个分布式群落的进程输出一个0～1 之间的实数Q[12]。式中：ti为程序输出的当前时刻；n*为当前未收到应答消息的序号；u，σ2分别为ti时刻内的分布期望和方差。

②P 的计算： 由于P 的大小受TMRL，TMRU参数的影响，因此，须要设定一个最佳阈值，来判断此时故障状态，P 满足[12]：

式中：P0为通讯过程中的消息丢失率。

当Q≤P 时， 心跳时间间隔在已经设定的时间内，此时两节点间通信良好；当Q>P 时候，时间间隔已经超过设定的间隔， 分布式系统出现通讯故障，查询当前未收到应答消息的序号n*，从而可以判断此时发生的风机故障序号节点Pn。

（2）主节点的故障诊断：群落Ai的邻边节点mij分别向本群内的主节点qi和群落Bi的邻边节点nij发送心跳消息，形成了一个3 节点心跳检测策略。此时形成的检测机制下，可以看作邻边节点mij分别和群落Ai中的主节点qi， 邻群Bi中的邻节点nij之间的两两心跳检测通讯。这里利用心跳机制，在第n 时刻，发生故障，则群落Ai的主节点qi和另外一个群落Bi的邻边节点nij分别返回给邻边节点mij的心跳消息时间和最长等待时间将会不同，一个（TQ+TL）为正常返回等待时间，另一个为故障返回等待时间（TQ′+TL′）。 正常情况下TQ的大小受分布式网络负载运行的影响， 网络系统消息服从M/D/1 队列过程， 通过M/D/1 模型的马尔科夫链状态转移过程可以获得消息发送时间TQ的平均期望E（TQ）。

式中：Ts为数据包发送时间；λ 为消息传输速度。

将所得E（TQ）近似看成群落Bi的邻边节点nij向群落Ai的邻边节点mij的正常返回心跳时间TQ。 若满足下式，则可判断节点是否发生故障。

2.3 风电机群分布式节点故障定位

当网络完成节点诊断后， 就要解决通讯故障定位问题。 在一个分布式群落中节点的故障定位流程如图3 所示。

图3 主、从节点故障定位图Fig.3 Fault diagnosis diagram of master and slave nodes

由图3（a）可知，因为在一个群落中只存在一个主节点，当主节点出现故障时，而从节点工作正常，连接周围从节点的主节点故障即可以定位出故障主节点1。

由图3（b）可知，当从节点出故障时，系统自动回到网络进程输出P， 查询出当前未收到应答消息的序号n*，此时n*=2，因此可知2 号从节点发生风机故障。

3 仿真与实验分析

3.1 海上风电场CLCT 算法的拓扑群落划分仿真

为了验证所设计网络拓扑性能的有效性，采用MATLAB 仿真，在边长为1 400 m 的正方形区域内，随机部署100 个节点进行仿真，且通信半径都为150 m，节点初始能量为0.5 J，节点收、发电路能耗均为50 nJ/bit，发射放大器能耗为10 pJ/（bit·m2），数据聚合能耗为5 nJ/bit。

图4 为无拓扑控制算法的风电机组通讯节点图，此时坐标原点为汇聚节点，所有节点都以最大发送。 由图4 可知， 网络中由于链路数量相互重叠，网络负载较大，从而影响网络的连通情况。

图4 无拓扑控制算法的风电机组通讯拓扑图Fig.4 Topology diagram of wind turbine communication without topology

图5 为使用CLTC 算法后风电机组通讯拓扑图。图中1，2，…，15 代表了主节点。此时CLTC 算法根据所设定的拓扑规则调整了风电机组无线终端的功率， 为风电机组故障诊断和定位提供了可靠性区间。

图5 使用CLTC 算法后风电机组通讯拓图Fig.5 Topology diagram of wind turbine communication after using CLTC algorithm control algorithm

3.2 心跳故障检测算法实验分析

选取图5 中主节点为1 的群落、主节点为2的群落以及群落1 和群落2 所相交的邻边节点进行主、从故障的仿真分析。分别运用心跳检测pull算法进行从节点的故障诊断和基于心跳机制的主节点故障诊断。 相应参数设置：Δη=1s，TD=10000ms，TQ=250 ms，Ts=230 ms，TL=230 ms，λ=9×10-4ms，TM与TMR和PT随TD的变化如图6 所示。

图6 TM，TMR，PT 随检测时间TD 变化图Fig.6 Variation of TM，TMR and PT with detection time TD

从节点故障诊断：将TM与TMR和PT相应时间内的参数值，带入式（4），（5），得到Q 和P，这里计算Q 和P 的残差，设为ΔQP，并与0 进行比较。图7 为从节点故障诊断结果仿真图。 由图7 可知：在6 s 之前， 网络通讯良好； 在6 s 之后，Q>P，即ΔQP>0，超出阈值1，系统节点出现通讯故障，这里只要找出P 中的序号n*，即可知道群落中从节点的故障风机；系统在9 s 时，超出阈值2 的值，分布式风电无线通讯节点处于严重失控， 损坏程度进一步加深，须采取必要控制的措施。

图7 从节点故障诊断结果仿真图Fig.7 Simulation diagram of fault diagnosis of slave node

主节点故障诊断： 本文选择了图5 群落1 中的故障主节点， 群落1 中的邻边从节点和群落2的邻边从节点进行邻节点跨群检测。 群落1 中从节点分别发射心跳给故障主节点和群落2 中的从节点，两节点分别对群1 从节点进行心跳应答。对分布式心跳机制的主节点进行仿真测试， 进行主节点的诊断，TQ¯，TL¯曲线如图8 所示。

图8 主节点故障诊断仿真图Fig.8 Simulation diagram of fault diagnosis of slave node

将分布式参数Ts=230 ms，TL=230 ms，λ=9×10-4ms 代入式（7）得到阈值E（TQ）+TL=470 ms。 再将由图8 得到的，值带入+， 并与阈值E（TQ）+TL进行比较。表1 为主节点应答时间。 由表1 可知，在第8 秒时，主节点返回心跳应答时刻超出阈值，由此判断主节点发生故障。

表1 主节点应答时间表Table 1 Master node reply schedule

续表1

为测试心跳检测算法的优越性， 将其和传统的通信故障检测算法进行比较（图9）。 由图9 可知，随着故障节点率的增加，网络拓扑节点诊断的正确率呈下降趋势， 且基于传统的通讯故障检测算法在节点故障率为30%左右时，诊断精确度降幅较大， 其原因是输出怀疑和信任的二值性的结果，并且过度依赖邻居节点的状态。 因此，本文提出的分布式心跳机制检测算法的节点故障诊断，使得诊断变化较平稳，诊断精度更高。

图9 心跳检测算法与传统的算法故障正确率比较图Fig.9 Comparison of fault accuracy between heartbeat detection algorithm and traditional distributed algorithm

4 结论

针对海上风电机组分布式控制系统机组故障诊断与定位难的问题， 本文提出了基于群落划分和心跳检测pull 算法的分布式故障诊断和定位策略， 并通过实验与仿真验证了此方案的可行性和适用性。相对于传统的通讯检测算法，此方案先将风电场进行群落划分， 并在不通过基站的情况下， 仅通过与邻节点的心跳发射和心跳返回进行自动的主从节点诊断与定位。该方法简洁有效，检测准确率高， 在处理分布式诊断与定位方面具有一定的创新性和优越性。