風電場機組運行異常監測系統研究

文 | 何灝

風能在我國能源結構中地位日趨重要，逐步成為火電、水電后第三大常規能源。風力發電機組通常服役于惡劣環境中，風速風向的隨機性、間歇性以及環境溫度變化等不確定因素，使機組各部件處于交變載荷下，部件易老化、損壞。

為保障風電機組安全穩定運行，業主通常采用定檢、巡檢等被動式維護，然而該方式針對性差、效率低，造成人力物力資源浪費，并且運行隱患也難及時發現。每年機組齒輪箱、葉片等大部件損壞事故屢見不鮮。隨著物聯網、人工智能、大數據等技術發展，風電行業衍生出了CMS、SCADA、集中監控、大數據平臺等產品，它們在一定程度上彌補了現場人員專業技術不足、事故發生太過突然的問題。其中CMS利用成熟的振動分析技術對機組傳動鏈進行狀態監測，但原始數據過大難以保存并且缺乏機組主控數據支撐，預警范圍有限；SCADA主要作用是將風電場機組主控信息顯示并提供遠程操作功能，傳統的SCADA系統內缺乏基于機器學習的技術來預測機組故障；風電遠程集中監控系統即實行風電場區域化集中控制，提高運行管理水平和勞動生產率，然而由于缺乏海量數據應用技術，難以滿足精準的故障預判要求；大數據平臺解決了集控中心對海量數據采集存儲瓶頸，數據傳輸速率可達千萬點/秒，基于云計算的系統架構將PB級數據查詢分析時間等級控制在系統實用要求范圍內，然而由于風電機組型號和運行時間的差異，風電企業回傳的信息格式多樣，目前很難設計通用型風電大數據平臺，另外現場運行管理數字化程度低也影響平臺實用效果。

針對上述問題，本文提出一種風電場風力發電機組運行異常監測系統，可以在不增加機組傳感器和前置機的情況下，實現秒級數據和毫秒級數據采集，并通過數據挖掘，辨識不同風力發電機組自身特性，建立自適應風力發電機組工況變化的、精細的機組運行狀態特征模型，進行機組異常報警。

系統架構

風電場風力發電機組運行異常監測系統架構分為五層，即物理設備層、數據產生層、數據處理層、數據存儲層、數據應用層，如圖1所示。其中物理設備層包括機組PLC、風電場SCADA、氣象站、電網調度信息、CMS以及視頻監控數據；數據產生層包括基于SCADA數據轉換模塊以及基于PLC編程的數據采集系統，后者可下載至原機組主控系統核心計算單元中；數據處理層是一臺高性能工作站，內含數據預處理程序和指標計算程序；數據存儲層是一臺數據服務器，用于存儲上層信息，并具有上傳至遠程服務器的功能；數據應用層包括大部件異常監測和控制性能異常監測；數據展示層包括監測報警界面和信息圖表界面。

網絡拓撲

圖1 風力發電機組運行異常監測系統架構

圖2 是系統完整網絡拓撲，其中數據生成由場級PLC采集單元實現，數據采集需要一臺服務器，采集各機組PLC模塊信息以及場級PLC生成數據并存儲成文本文件；數據預處理服務器讀取采集服務器文件并按照規范進行預處理，包括數據清理、集成、規約和變換等工作，最后將處理完的數據以文本形式存儲到文件夾中，每天每臺機組運行數據經過處理后形成一個文件；數據挖掘服務器則對這些文件進行讀取，利用核心算法模塊進行計算，得到支持系統各項異常監測和評估的指標或特征量，并將結果存儲到數據庫服務器中。監控電腦中安裝C/S客戶端訪問數據庫服務器并實現異常預警、評價結果展示以及輔助功能。數據庫服務器又通過專網將數據上傳至集中管理平臺，支撐上層應用開發。該拓撲優點是各功能資源充足，系統性能好，未來系統軟硬件擴展空間大；缺點是成本高。因此在實際應用中，系統拓撲可采用圖3方式。該方案成本適中，性能風險小，由于將數據運算和存儲設備分離，也利于未來功能擴展。另外，如有必要，可以在架構中將數據運算存儲工作站拆分成數據預處理服務器、數據庫服務器、數據挖掘服務器，在成本預算充足時，可以靈活地向方案一轉變。

圖2 網絡拓撲

圖3 簡化網絡拓撲

圖4 系統功能結構

系統功能

系統功能結構如圖4所示，首先通過以太網分別與風電場各臺風力發電機組連接，采集秒級數據和毫秒級數據并以文本文件形式存儲，其中秒級數據信息包括風速、風向、軸系轉速、溫度、振動、機組狀態、壓力、電網信息、電壓、電流、功率、電機轉矩、輔助機構動作標志、偏航調槳信息，

毫秒級數據包括機組狀態、風速、風向、偏航角、電機轉矩、變槳角度、電機轉速、網側功率、機側功率、葉輪轉速、機艙前后方向振動加速度、機艙左右方向振動加速度；接下來通過文件傳輸協議下載數據，對數據文件進行清洗、集成、變換、歸約的預處理后將結果存入數據庫；然后用數據庫數據進行挖掘，并將全風電場機組運行異常監測結果以友好方式向客戶實時展示、報警，異常監測包括塔筒異常、槳角異常、電機異常、轉矩異常、葉片異常、風速異常、對風異常、轉動異常、風況特性、機組轉速轉矩曲線、功率槳角曲線、風速槳角功率曲面等。

系統內數據流程參見圖5，對于秒級數據，首先進行預處理得到標準化數據，然后通過計算形成指標數據，同時通過變換得到均值數據，最后將各運算結果存入數據庫。而對于高頻數據，則利用濾波算法、FFT以及模式識別方法得到信號波動性和頻譜信息，并存入數據庫。隨后如圖6所示，數據庫用于數據挖掘、數據展示和數據報表，其中數據挖掘重點在于數據異常監測和軟件算法的設計與實現，數據展示則更注重人機友好界面的構思，而數據報表是向客戶提供結果導出途徑，方便記錄、提交、發布。

圖5 內數據流程

圖6 數據庫

圖7 系統界面

系統界面

界面設計上，進入系統后首先是“登陸”和“幫助”兩個界面，其中后者展開后分別是“系統說明”“使用方法”“聯系方式”，前者展開是“運行異常預警系統”和“發電性能評估系統”兩個子界面，進一步展開可參考圖7，包括運行報告導出和人員操作記錄單。

結語

本文提出了一種風電場機組運行異常監測系統，通過建立機組的運行狀態模型，能夠實現對風電場不同風電機組特性的自動辨識，輔助系統可以采集毫秒級和秒級數據，能夠對系統進行不同時間維度的異常預警，具有響應速度快、模型精度高、預警準確率高的特點，可有效避免機組重大故障損失，具有很好的應用前景。

攝影：肖紅波