基于多元线性回归算法的风电变桨电机温度预警方法

黄山峰，秦冠军，姜凯，金岩磊，葛立青

(南京南瑞继保电气有限公司，南京 211100)

风电机组是可再生风力资源开发形式中十分重要的设备之一，在后期运行中，其成本极高，因此针对风电机组在运行过程中的状态监测具有十分重要的价值和意义。在风电机组当中，风电变桨电机的状态参数主要包括温度、振动、油液等[1]。当前，针对风电变桨电机的故障预警机制相对单一，例如设定油池温度上限报警；设定轴承温度上限等。但这种预警方式存在极大的局限性，并且在实际应用中还会受到检测数据采集精度的影响。而现有预警模型在应用到风力变桨电机当中针对其温度进行预警也存在以单一参数为依据的缺陷，无法确保对温度变化趋势准确预测，因此也无法保证预警的精度，得出的结果对于实际应用价值并不大。多元线性回归算法是一种用于确定因变量和各个自变量之间关系的数学模型，当前这一算法常被应用于计算机领域、自然科学领域和技术科学领域当中。在实际应用中，这一算法具备更高的计算精度，可解决关系逻辑复杂的问题[2]。但这一算法目前在对各类机电设备的运行状态预测和预警中应用并未涉及。因此，基于这一算法的应用优势，为促进风电变桨电机运行安全性的提升，开展对其温度预警方法的设计研究。

1 基于多元线性回归算法的风电变桨电机温度预警方法

1.1 风电变桨电机温度状态监测数据采集与处理

为实现对风电变桨电机温度异常的预警，首先需要获取风电变桨电机在运行过程中温度状态监测数据。在电机运行的过程中，引入SCADA对电机温度数据进行采集，监测温度的区域包括风电变桨电机的发电机绕组、发电机轴承、整流器、机舱控制柜、塔基控制柜以及风电变桨电机所处环境的温度[3]。

在获取所需的监测数据后，针对数据进行处理。从SCADA监测数据库当中提取出的数据往往存在缺失或数据利用价值过低的问题[4]。因此，为了确保后续预警时有足够的数据支撑条件，针对原始数据进行集成、清理、更换和规约处理[5]。第一步，针对监测数据中的异构数据汇总，在底层完成对原始数据的提炼。第二步，对数据采取缺失填充以及噪声处理等实现对数据的清理[6]。第三步，对数据进行小数缩放变换，其表达式为：

v′(i)=v(i)/10k

(1)

式(1)中：v′(i)为经过变换处理后某一数据样本i的特征值；v(i)为某一数据样本i的特征值；k是确保变换后的特征值最大数值小于1的最小比例。利用上述公式，完成对数据的变换。第四步，由于从SCADA监测数据库中获取的数据集较大，在后期建模时会消耗大量时间，因此需要对数据进行规约处理。通过提取10 min间隔数据的方式规约，减少模型中的数据量。

1.2 风电变桨电机温度预警模型特征选择

为提高风电变桨电机温度预警精度，需要对后续预警模型中的特征进行选择。引入Relief算法，从样本集当中选择样例以及与该样例间隔最近的n个样例[7]。对样例之间的特征属性进行计算，并得到特征属性的权值。这一过程可以用下述公式表示：

(2)

式(2)中：W[A]为特征属性；NA为与特征属性的距离；Nt为与决策属性的距离；Nr为与两种属性的平均距离。在应用到对风电变桨电机温度的预警中，发电机转速、变桨编码器位置、变流器扭矩给定值、工况、变桨电机电流、变桨柜温度、变桨备电电容温度、电机运行环境温度等均为后续预警模型的特征数据，其中工况为分类型特征数据，其余均为数值型特征数据。

1.3 基于多元线性回归算法的温度预警模型构建

在上述获取到的风电变桨电机温度预警模型特征数据基础上，基于多元线性回归算法，对温度预警模型进行构建[8]。利用这一算法，确定模型当中因变量与多个自变量之间的关系，通过上述论述得出，模型中的自变量包括变浆柜温度、变桨备电电容温度、电机运行环境温度等，将各个变量代入到下述公式当中，实现对预警模型的构建：

Y=Xβ+ε

(3)

式(3)中：Y为因变量，在本文预警方法中，因变量为预警响应数值；X为自变量，即上述变桨柜温度、变桨备电电容温度、电机运行环境温度等数据；β为回归系数；ε为各个因变量的预测残差。公式(3)中，X又可以以矩阵形式表示：

(4)

利用式(3)和式(4)对因变量的预测结果进行求解，得出的结果即为风力变桨电机温度变化趋势预测结果，根据预测结果与温度标准范围的比较，判断是否需要作出预警响应[9]。

1.4 温度异常趋势描述与预警响应

针对温度异常的预警响应实质是寻找与标准状态不相符的数据，并对数据作出响应。可结合点异常的方式对温度异常趋势进行描述。在连续的温度数据样本当中，针对某一节点上温度数值的变化和其他点具有显著的差异，则在该序列当中，这一节点即为极值点[10]。基于这一理论，在利用预警模型得到相应的温度数值后，判断是否存在点异常，若存在则确定该点异常所在序列，并发出预警响应；若不存在则不发出预警响应。

2 实验论证分析

2.1 实验准备

为实现对基于多元线性回归算法的预警方法应用效果检验，选择将该预警方法和基于自适应阈值的预警方法应用到相同的实验环境当中，并针对相同的风电变桨电机的温度进行预警。以某风力发电企业为依托，将该企业的风力发电机组运行环境作为实验环境。该风力发电机组当中使用的风电变桨电机为AKOF112.-5600型号风电变桨电机，该型号变桨电机正常运行过程中的额定功率为10.5 kW；额定电压为260 V；额定转速为2 500 r/m；外接直流电源电压为260 V；采用直流伺服驱动器对电机运行速度进行控制；外形尺寸为1 000 mm×350 mm×530 mm(长×宽×高)。AKOF112.-5600型号风电变桨电机的运行环境条件为：海拔高度在0～2 000 m范围内；环境存储温度在-40 ℃～+45 ℃之间(对变桨电机所有附件亦有同样的要求)；环境运行温度在-30 ℃～+40 ℃范围内(对变桨电机所有附件亦有同样的要求)；环境湿度在5%～95%范围内；污染等级在4级以下。将AKOF112.-5600型号风电变桨电机应用到符合上述条件的运行环境当中，开展下述对比实验。为方便论述，将基于多元线性回归算法的预警方法设置为实验组，将基于自适应阈值的预警方法设置为对照组。

2.2 实验结果及分析

为实现对两种预警方法预警精度的验证，将预警结果中的温度与实际风电变桨电机温度之间产生的偏差作为评价指标，若温度偏差越大，则说明该预警方法的预警精度越低；反之，若温度偏差越小，则说明该预警方法的预警精度更高。根据这一评价指标，针对上述AKOF112.-5600型号风电变桨电机，对其在运行过程中两种预警方法温度偏差记录，并绘制成如表1所示的实验结果对比表。

表1 实验组与对照组预警方法温度偏差对比表

在风电变桨电机运行过程中，为实现对其温度异常情况的高精度预警，需要保证对温度的监测偏差在-0.1 ℃～+0.1 ℃范围内。在基于这一要求基础上，对表1得到的实验数据进行分析，从表1中可以看出，实验组预警方法的温度偏差均在-0.1 ℃～+0.1 ℃范围内，而对照组预警方法的温度偏差均超出了这一规定范围。因此，通过上述得出的实验结果初步证明，本文提出的基于多元线性回归算法的预警方法在实际应用中能够实现对风电变桨电机运行温度的高精度监测，为后续预警响应提供更可靠的数据依据。

在上述实验基础上，再针对两种预警方法的预警响应时效性进行对比，将预警响应时间作为时效性量化指标。预警响应时间数值越小，则该预警方法的预警响应时效性越高；反之，预警响应时间数值越大，则该预警方法的预警响应时效性越低。通过人为方式将两种预警方法检测到的温度数据进行调整，并设定数值超出安全温度范围以外。利用精度为0.01 s的秒分计时器对两种预警方法发现温度超出规定范围时给出预警响应的时间进行记录，并将秒分计时器得到的数据记录，为方便比较，绘制成表2所示。

表2 实验组与对照组预警方法预警响应时间对比

从表2中得到的数据可以看出，实验组的预警响应时间均在0.55 s以下，而对照组预警响应时间均超过了4.00 s。从两种预警方法预警响应时间对比可以看出，实验组明显小于对照组，根据上述论述可知，实验组预警方法的时效性更强。综合上述两方面实验得到的数据证明，本文提出的基于多元线性回归算法的预警方法具备更高的预警精度和预警响应效率。将这一预警方法应用于实际可以促进风电变桨电机运行质量和运行安全性的提升。

3 结语

风力变桨电机在风力发电中具有十分重要的作用，针对其在运行过程中的温度监测对于保证电机运行安全而言具有极高价值。本文在引入多元线性回归算法的基础上，提出了一种全新的预警方法，并通过对比实验的方式对两种预警方法的应用性能进行验证。本文提出的预警方法不仅在预警精度上具备优势，在预警时效性上也具有更理想的效果。风力变桨电机的故障类型众多，针对每一种故障都有着独特的特点。因此，为进一步提高电机运行的安全性，在后续的研究中还将对其多种故障类型下的具体特征进行分析，并提出相应的预警方法。