基于大数据分析的风电机组健康诊断研究

2022-06-12 00:53史春城
现代工业经济和信息化 2022年4期
关键词:项集齿轮箱风电

史春城

(中国电建集团山东电力建设第一工程有限公司,山东 济南 250102)

引言

为了克服能源危机,解决日益突出的环境污染问题,风能逐渐受到人们的广泛关注[1-2]。截至2020年底,全球风电装机容量达到5.26亿kW[2],进一步说明新能源发电比重逐步提高。研究海量状态检测数据的智能清洗、智能诊断和故障评估方法,实现基于多源信息融合的大数据预测分析和智能维护,是风电机组健康管理的重要趋势[3]。据统计,风电机组的故障主要集中在叶片、齿轮箱、主轴、发电机、变频器等部件上[4]。风电机组状态检测技术的发展趋势是选择合理有效的检测和监测模式,实现故障诊断和故障预测。

1 风电机组状态检测和监测存在的问题

风力涡轮机通常位于偏远、不方便、恶劣的郊区,机舱安装于高空,这使得风电机组的日常运行状态难以检测,维护费用昂贵[5]。在工作过程中,转子叶片的转速随风速的变化而变化。当遇到交变的风力时,叶片将受到交变冲击载荷并通过主轴传递其他部件,如轴承、齿轮箱和电机等,将对风力涡轮机的可靠性产生重大影响。

虽然广大学者进行了研究,但仍然存在一些缺陷。文献[6]研究了齿轮箱中的部分齿故障,并比较了风扇齿轮箱的轴承缺陷。结果表明,声发射在故障检测性能上更为稳定,能够分离损伤等级。文献[7]采用物元分析方法,针对风电机组在线监测信息建立并网风电机组物元评估模型。然而,这种方法需要大量的风电机组正常状态下的历史数据作为先验模型,这显然不适合新机组。文献[8]以风电场SCADA系统的监测数据为基础,采用模糊评价方法对风电机组运行状态进行综合评价分析,结果表明评价体系合理。然而,该方法的主要缺点是无法控制大量训练数据中数据点的数量,导致计算量大。

2 基于大数据分析的风电机组健康诊断方法

2.1 大数据分析下风电机组健康诊断系统组成

大数据分析下风电机组健康诊断系统的模块分解如图1所示。

1)远程控制模块可以实现在操作室内对其风电机组的安全报警、烟雾报警进行远距离处理,还可以进行音频和视频的收集,利用监控界面进行频谱分析,达到风电机组监测的目的。

2)维修知识库模块可对机组信息进行存储、分析,给出维修经验,同时实现备品备件、工器具等管理。

3)综合报表模块能够实现数据分析、状态评估、性能分析、对标分析以及寿命预测等功能。

4)内部交流模块能够进行任务分配、人员管理、人员培训等,还能给出巡检记录。

5)效能分析模块对微观选址、资源评估、气象信息等方面进行效能分析,实现风功率预测。

2.2 关联算法

Apriori算法属于关联规则算法的最经典算法,本算法能够实现风电机组故障预测,以下给出其实现的步骤。

1)给定最小支持阈值,设定可信度阈值。

2)扫描事务数据库,生成候选项,根据最小支持阈值修剪频繁项集,得到频繁项集。

3)根据频繁项集得到候选项目集,然后根据最小支持阈值对候选项目集进行裁剪,生成新频繁项目集。

4)通过重复迭代查找最频繁的项。

5)从频繁项集中挖掘所有大于或等于可信度阈值的强规则,即强关联规则。在上述步骤中,基于频繁项集查找候选项集的原则是:如果一个项集是频繁的,那么它的所有子集也必然是频繁的。

3 评估模型

首先,根据功能部件的重要级别,将其划分为5个一级评估子系统X1~X5,即齿轮箱系统、发电机系统、变流器系统、控制系统和机体系统。然后分别选取各子系统的主要特征状态参数。最后对相应的特征状态参数进行综合,得到各子系统的最终评价结果。

将Apriori算法与在线状态回归预测模型进行结合,将精度作为评估项,衡量误差取值及其状态运行结果。将误差公式和残差公式作为度量评估模型精度的工具。

平均绝对相对误差(MAPE):

均方根误差(RMSE):

相对误差均方根百分比误差(RRMSE):

式中:fi为预测值;yi为实际值;n为样本数据。

式中:Ha为信息熵;xi为随机事件;Pi为发生事件xi的概率。

评估实施步骤为:

步骤一:获取风电机组历史运行状态数据(一周内),构建周期性滚动预测模型。

步骤二:将处理数据作为评估参数的输入和输出。

步骤三:利用Apriori算法求解在线状态回归预测模型最优解。

步骤四:利用公式(1)-(4)对模型数据进行评估。

步骤五:利用评估结果衡量机组的健康情况。

4 结果分析

为了验证所提出方法的准确性和有效性,2 MW风力涡轮机的SCADA系统运行数据如表1所示,其中数据1到数据4是每15 min的一个收集点。在这组数据中,机组一级轴承的温度异常升高,其他状态参数基本正常。使用本文提出的方法和传统的评估策略,持续分析表1中的数据。由于表1中齿轮箱一级轴承的温度指数X12在一段时间内不断上升,正确的评估结果应该是机组的健康状态逐渐恶化。此时,该装置已运行很长时间,可能已导致严重故障。在采用该策略时,出现了逐渐下降的趋势,便于运营商注意并及时采取必要措施,避免重大故障,可指导维护保养。

利用表1数据作为测试数据,对模型进行精度测试,风电机组功率预测值与实际值的对比如图2所示。

表1 风电机组运行数据 ℃

由图2可知,拟合效果良好,可用于评估和分析风力发电机组的运行状态,评价方法简单直接、结果准确、区分度高,在一定程度上避免了因等级差异而导致的判断失误,有效降低了算法的复杂度。

5 结论

为了能够进行有效的检测,对故障进行准确的诊断,并根据设备的运行状态对故障进行预测,将大数据挖掘技术引入到风电机组运行状态的故障诊断系统中,建立大型数据分析平台,集成多系统、跨设备、设备状态分析,包括海量状态检测数据的智能清洗、智能诊断和故障评估方法。挖掘大数据资源的价值,实现基于多源信息融合的大数据预测分析和智能维护,是风电机组健康管理的重要趋势。随着以云计算、人工智能和大数据为代表的新技术的迅速应用,这些技术在风电机组健康管理中的应用越来越受到重视。这些技术的合理使用,对于降低风电成本,提高风电清洁能源的市场竞争力具有重要作用。

猜你喜欢
项集齿轮箱风电
基于递归模糊神经网络的风电平滑控制策略
CJ-1型齿轮箱箱体强度分析
基于共现结构的频繁高效用项集挖掘算法
风电建设项目全过程造价控制探讨
风力发电齿轮箱设计制造技术
基于排序树的Node-Apriori改进算法
风电新景
不确定数据频繁项集挖掘算法研究
基于伪故障信号的齿轮箱故障诊断方法
重齿风电