大数据处理技术在风电机组故障诊断及预警中的应用

吉庆昌 邸英杰 阴兆武 张冬梅

【摘  要】针对风电机组运行中状态监测的特点和开展计划性维护与维修的需求，论文应用大数据处理技术设计了一种风电机组故障诊断及预警系统。系统集成了基于风电机组海量运行状态监测数据的数据采集、数据挖掘、机器学习等技术，由数据采集与汇聚、数据挖掘与计算、状态展示与应用3个子系统组成，可以自动地计算出反映机组运行状态的特征值，将不同的特征值进行逻辑组合可实现不同故障的诊断与预警，以便对风电机组开展计划性维护与维修。

【Abstract】According to the characteristics of condition monitoring in wind turbine operation and the needs to carry out planned maintenance and repair， the paper applies big data processing technology to design a fault diagnosis and early warning system for wind turbine. The system integrates data acquisition， data mining， machine learning and other technologies based on the massive operation condition monitoring data of wind turbine. It is composed of three subsystems： data acquisition and aggregation， data mining and calculation， condition display and application， which can automatically calculate the eigenvalues reflecting the operation condition of the turbine. The logical combination of different eigenvalues can realize different fault diagnosis and early warning， so as to carry out planned maintenance and repair of wind turbine.

【关键词】风电机组;故障预警;大数据处理技术

【Keywords】wind turbine; fault early warning; big data processing technology

【中图分类号】TM315                                             【文献标志码】A                                                 【文章编号】1673-1069（2021）10-0179-03

1 引言

风能作为一种清洁能源，相对于其他可再生能源，在经济效益、技术成熟度、基础设施建设等方面具有明显优势，它是全球发展较为迅速的新能源发电技术[1]。面对日趋严峻的碳减排形势，为早日实现碳达峰和碳中和目标，我国风电装机规模继续保持稳步增长。由于对风能的特殊需求，我国的风电场多分布在哈密、蒙东和蒙西、河北坝上、东南沿海岛屿等偏远地区。另外，随着风电机组使用年限的增长，各种故障频发，于是对风电机组的运行状态进行在线监测，实现故障诊断与预警，开展计划性维护与维修显得越来越重要。

风电机组在线监测与故障诊断技术对于及时了解机组的运行状态、对机组故障进行预警、有针对性地开展设备维护、减少突发性故障和提高设备利用率都具有重要的现实意义。国外学者对于风电机组故障诊断的研究开展得比较早，并且在发电机、齿轮箱等方面研究得比较深入，研究方法主要是通过分析风电机组的输出功率信号达到故障诊断的目的。Mari Cruz Garcia等人从健康管理的角度提出了风电机组故障预警的智能系统，可以评估风电机组的健康状况，并诊断其故障类型[2]。

国内学者对风电系统故障诊断的研究起步比较晚，其中的一个研究方向是通过在风电机组上安装大量的传感器以获得振动数据，再利用振動分析方法监测传动链（齿轮箱）的运行状态，并进行故障诊断[3-5]。随着我国风电装机规模的持续扩大，风电机组运行状态监测和故障诊断预警的需求不断增长，其监测数据出现了多源异构、数据量大、增长迅速的电力大数据特点[6]。传统的故障诊断与预警方法在处理风电机组运行状态监测大数据时，难以在保证精度的情况下进行快速处理。随着大数据处理技术的不断成熟，其在电力系统状态监测领域的研究与应用开始起步[7]。钱进、曲朝阳等人为了处理离散型大数据，利用MapReduce编程模型对传统的粗糙集属性约简算法进行了并行化改进[8，9]。曲朝阳等人设计了基于MapReduce的MPApriori算法，可以在海量广域测量系统电网数据中挖掘出连锁故障各站点之间的关联，可以很好地处理海量数据[10]。

本文针对目前风电机组状态监测与故障诊断技术的实际情况和现实需求，利用大数据处理技术，通过建立数据采集与汇聚、数据挖掘与计算、状态展示与应用3个子系统，可以实现对风电场内风电机组的运行状态的实时监测、设备异动的实时监测、典型故障实时诊断与预警和设备运维的辅助决策等功能。

2 机组结构

风电机组主要由风轮、叶片、变桨距系统、传动系统、齿轮箱、发电机、电气系统、控制系统、传感器、刹车系统、液压系统和偏航系统等几部分构成，其结构如图1所示[11]。风推动叶片转动，风能通过风轮转换成机械能，再借助主轴、齿轮箱等传动系统带动发电机转动，从而将机械能转换成电能，最后通过变频器接入电网，实现风力发电。

风电机组在运行过程中，风速的不稳定性造成叶片受到短暂且频繁的冲击载荷，这种冲击会附加到传动系统的各个相关部件。随着时间的推移，这些部件会出现各种故障，其中发电机、齿轮箱以及连接轴故障率比较高，严重影响风电机组的正常运转。根据神华国华能源投资有限公司的数据统计，发电机、主轴和齿轮箱的故障占总故障次数的18%，但从停机的时间上统计占到了68.7%。齿轮箱的损坏对于风电场发电量和维护成本影响很大，如何保证齿轮箱、发电机等机械零部件的可靠性，做到预防性维护，已经成为亟待解决的问题[12]。

本文通过在风电机组主轴承座、齿轮箱、发电机的选定位置安装振動传感器、转速计等，结合数据采集装置、光纤通信设备构成在线监测系统。由于风电场风机数量众多，例如，一个装机300台机组的风电场，安装的传感器数量多达几千个，这些传感器的监测数据，结合SCADA、GIS数据构成预警平台的数据感知层。由于不同厂家生产的不同年代、不同型号的风电机组可能使采集的数据类型、位数和存储格式等产生差异，同时，需要以秒级周期从风电机组众多传感器采集数据写入服务器，因此，形成了量大、多源、异构、复杂、增长迅速的风电机组状态监测大数据。

3 系统设计

基于大数据处理技术的风电机组故障诊断及预警系统利用大数据的相关理念与技术手段来采集和管理不断增多的现场数据，按照风电机组状态监测大数据的处理顺序从下到上分为3个子系统，分别是数据采集与汇聚、数据挖掘与计算、状态展示与应用子系统，3个子系统之间依靠数据服务总线进行数据交互，构成一个分布式大数据加工平台，实现风电机组故障诊断与预警功能。其架构如图2所示。

数据采集与汇聚子系统位于最底层，是系统的感知层。其硬件平台由部署在风电场的若干机架式服务器和数据采集装置组成，规模可以根据机组数量进行扩展;软件平台可以实现数据采集、数据同步、编码转化与存储、数据管理与接口等功能。该子系统通过数据采集装置接收安装在风电机组上的传感器数据，服务器将传感器数据和SCADA、GIS数据汇聚后按照KKS进行编码同构后储存到数据库中，以便于数据挖掘与计算子系统进行访问和调取。

数据挖掘与计算子系统位于中间层，是系统的处理器。它是实现系统各项功能的核心部件，通过在线调用感知层的监测数据分发给各算法模块，完成特定指标量和特征值的加工与处理，将计算结果汇总后存入该子系统的数据平台，以供应用层调用。各算法模块是根据风电机组故障诊断与预警专门开发的判断故障类型以及变化趋势的专用算法，算法可根据需求定制和二次开发，从而实现风电机组运行状态的在线监测、设备状态评价、劣化趋势分析和故障诊断与预警等功能。

状态展示与应用子系统位于最外层，是交互可视化的数据分析与展示平台。使用者可以根据分析场景，快速搭建数据指标分析仪表盘，以一种直观友好的方式展现风电机组的实时工作情况、运行状态以及故障趋势等。该子系统是数据挖掘与计算子系统中各算法模块的结果展示层，使用者可以接入不同算法模块的计算结果数据，无需编写代码，可以自由定制不同分析数据的仪表盘、线图、柱图、波形分析图等。

4 算法开发

本文提出的基于大数据处理技术的风电机组故障诊断及预警系统的核心是数据挖掘与计算子系统的设计。该子系统采用流式算法模块的设计，能够实时调用感知层的监测大数据，通过专用算法分析风电机组运行状态、健康指标，还可以利用感知层的历史数据预测指标的变化趋势，实现风电机组的故障诊断与预警功能。

通过风电机组振动数据、SCADA和GIS数据综合分析其运行状态，实现故障诊断与预警是一项比较复杂的工程，目前，广大学者在机理研究建立故障模型方面取得了一些成就，但由于现场各种干扰的存在、工况的不同，在实际应用上还没有完全普及。所以利用大数据处理技术，通过机器学习的方式长期、连续从海量监测大数据中自动对风电机组振动数据进行在线分析，再结合SCADA、GIS数据获得有价值的特征信息，通过健康指标机理模型推断出故障原因，实现设备实时故障诊断，便有了比较大的应用空间。其执行流程如图3所示。

系统根据常见故障类型，以感知层海量大数据为基础，对风电机组的工况基础数据进行网格划分，以方便数据挖掘与计算子系统中算法模块的高效调用。各算法模块通过提取不同工况的网格数据，经过机器自学习功能，训练算法模型直至算法模型收敛。系统通过统计振动数据各频率成分的随机分布规律提取特征值，确定风电机组在正常运行时振动测点健康运行区间。当风电机组运行的一个或多个振动测点值在某特定网格下偏离健康运行区间或出现单方向持续变化，则判定设备异动，给出预警信息，确定故障位置，实现故障诊断与智能预警的功能。表1是系统目前实现的风电机组主要故障类别及判定方法。

5 系统验证

为验证系统的可行性，对某风电厂原有机组在线振动监测和诊断分析系统进行了改造。原系统只有当某个测点测值超过设定的报警值时向外发布报警，不能提前预测可能存在的故障或在运行中长期跟踪机组运行状态的变化。改造的基于大数据处理技术的风电机组故障诊断与预警系统从实际需求出发，在现有设备基础上独立添加了通信设备、服务器设备，不影响原有设备或系统的运行安全，并且通过手动设置故障验证了系统的有效性。系统可以实现的故障预警监测点及实时数据值如图4所示，人为设置故障及其预警信息展示如图5所示。

6 结语

本文在分析风电机组故障诊断与预警技术现状的基础上，根据状态监测大数据的特点和开展计划性维护与维修的需求，设计了一种应用大数据处理技术的风电机组故障诊断及预警系统。该系统可以自动从海量的监测数据中挖掘出反映机组运行本质的特征值，从而对机组设备进行异动检测，不同的特征值进行逻辑组合可实现不同的故障诊断，从而达到运维辅助决策功能。其创新性在于：

①在现有风电机组振动监测和诊断系统基础上开发了大数据挖掘与计算平台，通过对风电厂机组振动数据、SCADA和GIS数据进行处理，完成了基于大数据处理技术的风电机组故障诊断与预警系统的设计与实现。

②系统提供的专用开放式大数据挖掘与计算平台，能够积累故障样本，从而获得不同运行参数之间的关联，实现诊断模型的更新与重构，有利于应对不同的故障情况。

【参考文献】

【1】何曉龙，杨静静.储能技术在风力发电中的应用[J].建筑工程技术与设计，2018（32）：647.

【2】Mari Cruz Garcia，Miguel A.Sanz-Bobi，Javierdel Pico.SIMAP： Intelligent System for Predictive Maintenance： Application to the health condition monitoring of a windturbine gearbox[J].Computers in Industry，2006，57（6）：552-568.

【3】王瑞闯，林富洪.风力发电机在线监测与诊断系统研究[J].华东电力，2009，37（1）：190-193.

【4】蒋东翔，洪良友，黄乾，等.风力机状态监测与故障诊断技术研究[J].电网与清洁能源，2008（9）：40-44.

【5】唐新安，谢志明，王哲，等.风力机齿轮箱故障诊断[J].噪声与振动控制，2007（1）：120-124.

【6】薛禹胜，赖业宁.大能源思维与大数据思维的融合（一）大数据与电力大数据[J].电力系统自动化，2016，40（1）：1-8.

【7】周国亮，朱永利，王桂兰，等.实时大数据处理技术在状态监测领域中的应用[J].电工技术学报，2014，29（S1）：432-437.

【8】曲朝阳，陈帅，杨帆，等.基于云计算技术的电力大数据预处理属性约简方法[J].电力系统自动化，2014，38（8）：67-71.

【9】钱进，苗夺谦，张泽华，等.MapReduce框架下并行知识约简算法模型研究[J].计算机科学与探索，2013，7（1）：35-45.

【10】曲朝阳，朱莉，张士林.基于Hadoop的广域测量系统数据处理[J].电力系统自动化，2013，37（4）：92-97.

【11】张文秀，武新芳.风电机组状态监测与故障诊断相关技术研究[J].电机与控制应用，2014，41（2）：50-56+63.

【12】任玉亭.振动监测技术在风力发电机组的应用[J].内蒙古电力技术，2010，28（2）：8-12.