风力发电机组故障诊断与预测维护技术研究

中国华电科工集团有限公司 王宝灵

1 风电机组常见运行故障

在风电机组运行过程中，容易出现多种故障，以笔者所在的电厂为例，其常见故障类型有如下几种。

馈电故障：此类故障的出现原因为电缆损坏或老化，具体为机组内部负责馈电的电缆发生异常，无法正常运行，导致机组稳定性受到影响；电源故障：风电机组内部存在诸多子系统，其在运行阶段均需要电力支持，若电源出现故障机组运行便会受到影响，严重时甚至会引发灾难性的后果；冷却故障：某电厂所采用的风电机组发电机主要是永磁式电机，为冷却温度，会通过风扇使内部热空气与外部空气相互交换。若风扇因故障无法正常运行，会导致机组内热量大幅度上升，致使电机绕组增加，不利于机组正常运行；励磁故障：导致此类故障的发生原因众多，通常以参数设置、控制信息被错误操作、下载位置不准确为主[1]。某电厂针对上述几种常见的故障，将CGAN-CNN 作为基础提出一种诊断风电机组故障的方法，具体内容如下所述。

1.1 构建故障判别模型

在风电机组运行阶段获取故障样本的难度极大，究其原因，主要是风电机组稳定性非常高，且在发生异常之初通常会立即停机，避免故障扩大造成严重的经济损失。再加上风电机组造价非常高昂，通常不会在做不可逆试验时将其作为试验对象，故正常样本和故障样本之间存在悬殊的比例，机组故障并不丰富。鉴于此，某电厂会对生成式对抗网络加以运用，完成模型的构建。究其原因，主要是此类网络无需在先验证假设的情况下生成样本。卷积神经网络的组成部分较多，分别为输入、池化、卷积、连接和输出层。各层的说明如下。

卷积层：该层组成部分为卷积单元，其数量众多，对输入数据各种特征予以提取，属于其主要作用。在实际运算阶段可利用下述公式表示运算过程，式中：卷积运算操作由conv表示；输出特征图由xI j表示；卷积由＊表示；位置由bI j表示；所在网络层数由上标表示；激活函数由f(x)表示，通常为ReLU。

池化层：该层属于采样层，在运算阶段所选择的卷积核相对较多，在此基础上所产生的特征图数量会增加，相较于原始数据，在经过处理后数据量同样会增加。在经过池化层处理后数据冗余度会下降，有利于降低计算难度，同时还能对过拟合现象加以屏蔽。通常情况下该层所处位置是卷积层之后，输出相应的公式。

全连接层。该层可以整合特征，使其转化为特征向量，其所处位置是整个卷积网络的末端，若有需求还具有与分类器相同的作用，其模型如下：yI=f（Wkxk-1+bk）；式中：特征向量由yI表示；权重由Wk表示；偏置由bk表示；激活函数由f（x）表示[2]。

1.2 以CGAN-CNN 为基础的风电机组故障判断技术

某电厂所提出的故障判断模型由两部分组成，分别为样本生成和故障诊断。第一步，需要完成对抗网络模型的构建，使原始数据增加，生成拟合度高的样本数据，满足故障诊断样本的要求；第二步，实现对卷积神经网络的构建，之后训练数据集获得相应的模型，为故障诊断提供数据支持。

1.2.1 对抗网络样本模型的构建

某电厂所构建的CGAN-CNN 模型，其内部存在生成器和判别器，二者的数量均为1，其中，前者结构为三层全连，这里所说的三层，分别为输入、输出和隐藏层。后者的结构为四层全连，拥有两个隐藏层。且各层还具有全连接、激活和dropout 层，其网络结构如表1所示。

表1 对抗网络结构

1.2.2 以卷积神经网络为基础的风电机组故障诊断模型

某电厂所构建的网络模型结构层数较多，多达6层，各层的作用和参数如下所述。

一维卷积层：为使提取特征的数量增加，对卷积核的大小进行定义，本次定义的数量为2，在此基础上完成对滤波器的定义，其数量为100个；池化层：通常情况下该层与卷积层相连，为卷积后池化创造有利的条件，同时该层还具有筛选功能，能够提取特征鲜明的特征值；第二个一维卷积层，为获取更高层次的特征需要继续利用卷积层学习，其中2×100的矩阵是该层的输出；平坦层：对多维输入加以处理，具体处理方式是一维化。

随机层：在加入dropout 层后，对上层输入的神经元做赋值处理，但值得注意的是，赋值神经元数量为上层全部数量的50%，以此保证结果的准确性，同时还能使部分神经元之间的依赖作用被弱化；全连接层：借助softmax 函数对该层进行激活。之所以对此类函数加以使用，主要目的是做归一化处理，在处理完成后输出结果就会变为发生概率，这里所说的发生概率，主要对象为与输出结果相对应的情况，为后续准确率和损失率计算提供数据方面的支持。

1.3 风电机组故障诊断技术应用实例

数据预处理。某电厂将10台容量为1.5MW 的风电机组作为样本，所选择的机组在型号和批次上相同，且均处于相同的运行环境。在故障类型选择方面，将常见的齿轮、主轴承和发电机故障作为对象，同时将正常样本加入其中，故确定的运行模式为四种。调查数据显示，齿轮箱故障的总数为450、发电机组故障数量为600，主轴承故障发生次数为1600，合计2650组，同时还选择正常运行下的3500组数据，其中机组运行情况样本分类标签如下：常规状态1、主轴承故障2、齿轮箱故障3、发电机故障4，运行状态1～4的样本数据分布情况分别为：3500、1600、450、600，总计6150。

以CNN 为基础的机组故障诊断。在诊断故障的过程中，分别取该运行状态的数据800组，将其作为训练集，在此基础上另取400组作为测试集，二者之间的比重为2:1，其输出结果如下所述：在数据不平衡时，数据量偏少的3类和4类故障，其故障诊断效果非常差，而SMOTE-CNN 模型在预测时所取得的效果较为显著，好于输入不平衡样本集的CNN模型、但差于SMOTE-CNN 模型，由此可以看出，相较于SMOTE 算法使用生成的样本，采用本文所研究的CGNN 模型所生成的样本具有更高的真实性，能够被准确识别[3]。

2 风电机组故障预测方法

2.1 算法流程

风电机组故障预测过程由下述阶段组成：第一，采集运行数据；第二，训练故障预测模型；第三，提取故障特征；第四，演化过程分析。将DBN 模型作为基础，预测故障的步骤如下所述：

以机组在正常运行状态下的某个时间段的SCADA 数据为对象，将其作为训练数据集，在经过归一化处理后，得到下述公式：x=（x-xmin）/（xmax-xmin），式中：输入数据的最大值由xmax表示；最小值由xmin表示；通过滑动窗口的方式对所选择的数据集做处理，在比较散度算法后对网络参数予以更新，等到第一个RBM 训练完成后，确定隐含层节点数据，并将其作为后续RBM 的输入，在重复上述步骤后即可完成DBN 模型的获取，最后对风电机组标签样本加以使用，并利用BP 网络调整参数。值得注意的是，参数调整所遵循的原则为自上而下。

2.2 模型分析和实例验证

某电厂将自有的风电机组作为研究对象，结合上文可知该机组的容量为1.5MVA，在选择训练样本时，将正常运行状态下机组数据作为选择，对于机组内各部件所采取的监测方式并非集中监测，某电厂在验证过程中所选择的部件为主轴承。

某电厂所使用的模型为CGAN，其由两个部分组成，分别为判别器和生成器，两种设备的连接结构均为四层，分别为隐含层两个、输入和输出层各一个。针对函数损失和训练效果不佳的问题，所采取的方式为重置生成器设置梯度，从而保证训练质量。所谓的梯度重置，主要是指在发现梯度消失后重新设置梯度，并将零值覆盖，保证生成器能够正常学习，一直持续到判别器无法对生成样本简单分辨为止。在生成器损失保持平衡后，表示模型达到整体平衡[4]。

以某电厂某风电机组作为数据来源，该机组运行时间为5天10小时20分钟20秒，每次采样间隔20秒的时间，总共获得22000组数据，使其成为输入样本。为降低难度且保证不失一般性，本次测试并没有选择全部监测点的数据，最终确定了如下所述的输出向量数据：风速（m/s），变量符号为V1；轴承转子侧的温度℃，变量符号为T1；齿轮箱温度℃，变量符号为T2；电网电压V，变量符号为UL1；电网电流A，变量符号为IL1；电网功率（kW），变量符号为P1；变流器有功功率（kW），变量符号为P2。

2.3 机组运行正常时预测模型验证

某电厂在训练数据选择过程中所选的训练数据数量为30000组，在正常运行状态下某电厂风电机组主轴承重构误差如表2所示，可知其中固定阈值设定原理为EWMA，而基于自适应原理设定的阈值如表3所示，可知在机组正常运行状态下因不同时刻风速存在差异，故重构误差同样存在波动，但不会超出阈值。

表2 固定阈值重构误差变化趋势

表3 自适应阈值重构误差变化趋势

2.4 主轴承故障状态下预测模型

输入故障状态数据，在经过计算后可以获得Re的变化情况，之后对上文所介绍的阈值设定方法予以应用，用于校检故障预测方法，最后对相关参数残差曲线加以分析，在此基础上预测故障类型，同时完成对故障标签的准确核对。本电场将EWMA控制原理作为依据，实现对阈值的设置，其中报警阈值的设定参数为0.505，而预警阈值设定参数低于报警阈值，具体数值为0.326。之后以故障发生的前三天为时间范围，发现在预警阈值范围内重构误差的变化波动较小，表明风电机组在这个时间段未发生故障。在重构误差产生后，风电机组在运行第四天开始发出故障预警，第五天故障报警触发。自此之后重构误差的上升速度加快。

预测结果表明，故障预测模型的构建可以起到监测风电机组运行状态的作用，有利于准确预测机组故障发生的概率，能够为后续机组维护创造有利的条件[5-6]。

3 结语

综上所述，为实现碳中和的目标，我国高度重视新能源发电产业的发展，以太阳能和风力发电为代表的新能源发电方式所占的比重逐渐增加。为使风力发电机组运行稳定性和安全性得到保证，某电厂基于CGAN-CNN 提出一种故障诊断和预测方法，结果表明本文所提出的诊断和预测方法可以取得良好的应用效果，能够为机组故障维护提供可靠的数据支持。