考慮風速波動的風電機組狀態評估

邢 月，顧煜炯，馬 麗

(1.華北電力大學能源動力與機械工程學院，北京 102206；2.華北電力大學新能源電力系統國家重點試驗室,北京 102206)

0 引言

雙饋風電機組安裝在風速較高的地區，長期在室外運行，工作環境惡劣，降低了機組的可靠性，機組的維護難度大。為了降低成本，風電場安裝了監控與數字采集(supervisory control and data acquisition,SCADA)系統，監測機組的運行狀態。但是SCADA系統只能在機組的監測參數超過設定閾值時發出警報，這時機組的部件已經產生了損壞。為了降低損失，在機組部件損壞之前發現機組的異常，很多學者提出了研究機組的在線運行狀態的方法。風電機組運行狀態差時，不僅會因為停機造成機組發電量損失，而且機組的狀態變化需要一定的時間，在這期間機組的發電量低于機組的正常水平。風電機組的運行狀態的變化是機組的故障預警和機組維修的前兆。因此，風電機組運行狀態的變化引起了很多學者的研究[1]。

1 風電機組狀態評估研究現狀

傳統的風電機組運行狀態評估方法是先計算狀態參數的劣化度，然后采用隸屬度加權逐層評價，最終確定機組的綜合評價策略。文獻[2]改進了傳統方法中的固定劣化度，通過考慮指標的參數變化趨勢實現了動態劣化度，采用正態云模型替換了傳統隸屬函數，減少了傳統模型中的模糊性，增強了模型的隨機性。文獻[3]采用集對分析和證據理論，解決了機組信息的不確定性和子系統之間信息融合的問題。文獻[4]基于熵值法根據歷史數據計算出的各指標權重，增強了模型的準確度。傳統的風電機組運行狀態評估方法在實時顯示機組的運行狀態方面還需改進。

隨著大數據和數據挖掘的發展[5]，很多研究基于歷史數據在線評價機組的狀態和性能。文獻[6]通過計算在線數據和功率曲線的實時功率偏差系數，對機組的性能進行了在線評價。該方法對機組功率曲線的精確度要求較高，且隨著機組的劣化，需要不斷更新功率曲線。文獻[7]結合粒子群算法與神經網絡，對風電機組進行了綜合評價。該方法對計算機的性能要求較高，需要計算分析大量的訓練樣本，計算量較大。對于該類方法，需要對運算過程進行優化，最終能夠實現實時優化評價網絡。基于大數據和數據挖掘的風電機組在線監測隨著硬件的不斷發展，在監測精度和時效性上更具優勢。

風速的隨機性[8]引起了葉輪轉速、齒輪箱轉速、發電機轉速、變槳電機和偏航電機等隨著風速的變化而改變。因為風速的大小和方向變化較快，傳動鏈相關部件的變化也很快，降低了機組的可靠性。很多研究考慮到了風速的隨機性[9-11]給機組帶來的影響，但是研究風速對機組的運行狀態造成影響的研究較少。風速的隨機性是影響風電機組狀態變化和造成風電機組可靠性降低的主要原因。

綜上所述，考慮到風速的隨機性，提出了基于波動率評估機組的運行狀態。首先根據風速與監測參數的相關性分析和監測參數的方差、偏度、峰度和均值分析，確定了機組狀態評估指標參數體系。體系分為齒輪箱系統、發電機系統、變槳系統、變流器系統和塔底機艙五部分。然后相對于傳統的波動率的算法，提出了對數波動率，采用波動率分析機組運行指標參數的隱含變化。分析正常機組的歷史數據指標參數的波動軌跡，量化了機組運行狀態等級的劃分。采用長度為M和N的雙滑動窗口處理機組的在線數據流，實現機組運行狀態的在線評估。

2 風電機組健康狀態評估指標分析

風速示意圖如圖 1所示。短時間內風速的大小變化迅速。風速在切入風速上下波動，容易造成機組多次的啟停，使機組運行參數的波動性較大；風速在額定風速上下波動時，機組的控制系統頻繁調整，同樣引起機組監測參數的波動。

圖1 風速示意圖Fig.1 Wind speed diagram

考慮到風速的隨機性給機組帶來的影響，因此在研究風電機組運行狀態時，有必要通過相關性分析監測參數和風速的相關性。風速vi與監測參數xi的相關性程度可由相關系數r來描述。

(1)

表1 監測參數與風速相關性Tab.1 Correlation between monitoring parameters and wind speed

為了進一步分析風速的隨機性對機組的影響，對監測參數歷史數據的方差、均值、偏度、峰度進行分析。方差的大小，反映的是在一段時間內的監測參數穩定性。以正態分布為比較標準，偏度是頻率分布不對稱程度的一種量度。峰度表明分布曲線的尖峭程度。峰度大表示集中于平均數附近的分布頻率大，分布曲線形成高峰；峰度小表示頻率分布比較分散，分布曲線比較平坦。監測參數特性如表2所示。液壓壓力的峰度大，方差小，表明液壓壓力變化較小，不宜作為指標參數；齒輪箱潤滑油進口油壓方差較小，峰度很小，說明這個參數的變化范圍較小，不宜作為參數指標；偏航液壓壓力的方差較大，不宜作為指標參數。

表2 監測參數特性Tab.2 Characteristics of monitoring parameters

表2中：P1為液壓壓力，Pa;P2齒輪箱潤滑油進口油壓，Pa；v為風速，m/s；T1為塔底主控柜溫度，℃；T2為槳葉軸柜溫度，℃；T3為塔底空氣溫度，℃；T4為機艙主控柜溫度，℃；T5為艙外溫度，℃；N為風輪轉速，rad/s；T6為機艙溫度，℃；T7為齒輪箱油溫，℃；T8為發電機非驅動端軸承溫度，℃；T9為發電機驅動端軸承溫度，℃；T10為齒輪箱高速軸軸承前端溫度，℃；T11為變流器網側模塊溫度，℃；T12為齒輪箱高速軸軸承后端溫度，℃；T13為變流器轉子側模塊溫度，℃；T14為槳葉電機溫度，℃；T15為發電機定子繞組溫度，℃；P3為偏航液壓壓力，Pa。

通過方差分析和相關性分析，將風電機組的狀態評價分為五個系統：變槳系統、齒輪箱系統、發電機系統、變流器系統和塔底機艙系統。最終確定的指標參數是：槳葉軸柜溫度、槳葉電機溫度、齒輪箱油溫、齒輪箱高速軸軸承前端溫度，齒輪箱高速軸承軸承后端溫度，發電機驅動端軸承溫度，發電機驅動端軸承溫度，變流器網側模塊溫度，變流器轉子側模塊溫度，變流器散熱片溫度，塔底主控柜溫度，機艙主控柜溫度，機艙溫度。

3 風電機組運行狀態評估模型

3.1 波動率的定義

在風電機組指標參數研究中，直接觀察指標參數值的變化無法帶給研究者額外的信息。因為指標參數值是絕對數，沒有一個標準值衡量指標參數值的變化。研究中經常會將指標參數值轉化為波動率，從而進行后續研究。這是因為波動率是相對數，能夠相互進行比較。觀察傳統的波動率y，即式(2)，可以發現：因基數的變動，不同時刻的波動率進行比較時會出現偏差。于是本文采用對數指標參數值差作為波動率return(t)，即式(3)。

(2)

return(t)=logxi(t)-logxi(t-1)

(3)

式中：xi為指標參數，i=1，2，3，…，n；t為指標參數的采集時間點，t=1，2，…，m。

波動率軌跡顯示指標參數的波動情況，本文最終選取的指標參數均為溫度參數。溫度參數的變化相對于轉速和轉矩參數，時間變化的頻率小，因此能更加準確地反映機組的運行狀態。

3.2 風電機組狀態評估流程

基于波動率的風電機組運行狀態評估流程包含量化、推理和評估三部分，如圖3所示。首先，量化部分是采用方差和相關性分析歷史數據，選取評估的指標參數；然后引入波動率式(3)，通過對歷史數據中機組運行狀態的分析，確定狀態評價等級。監測部分是通過雙滑動窗口監測風電機組的指標參數。評估部分將機組的運行狀態等級分為三種，分別為優秀、良好和嚴重。

通過對在線數據流的分析，最終確定出風電機組的狀態評估結果。

圖2 風電機組運行狀態評估流程圖Fig.2 Flowchart of operation status evaluation process of wind turbine

3.3 運行狀態等級劃分

本文采用時間序的雙滑動窗口監測機組的運行狀態。因為波動率的正負反映的是指標參數變化的方向，波動率的大小反映的是波動的范圍，本文研究的是狀態變化，對方向的變化不作要求。因此，為便于更加直觀地顯示機組監測參數的波動，在滑動窗口內，波動率的大小取絕對值。雙滑動窗口如圖3所示。第一個滑動窗口的步長為M，定義為參考窗口；第二個滑動窗口的步長為N，定義為監測窗口；監測點為t。

圖3 雙滑動窗口Fig.3 Double sliding window

x'=max[x(t-N-M):(t-N),j]。x'表示M個數值按照大小。排列第j個值的大小如果第二個窗口內的波動率大于x'，則該點被定義為異常點。在監測滑動窗口內，如果異常點的個數占窗口長度的30%，運行狀態良好；如果異常點的個數占窗口長度的60%，運行狀態為差。

通過對指標歷史數據的分析，為了兼顧系統的精確性和計算速度，本文中M的取值為100，N的取值為50。

每個部件的運行狀態的好壞，都會影響到機組的運行狀態。因此，當全部為優良時，機組的狀態評估為優良；當機組的某一個指標參數出現良好時，機組運行狀態評估為良好；當機組多個指標參數為良好或者某一個指標參數為差時，機組的運行狀態評估為差。

4 實例與分析

4.1 機組的狀況

為驗證本文評估機組運行狀態的方法的準確性和有效性，以貴州某風電場一號機組和二號機組的監控與數據采集(supervisory control and data acquistion,SCADA)系統運行數據為例進行計算，評估機組的運行狀態。機組信息如表3所示。

表3 機組信息Tab.3 Wind turbine information

4.2 案例一

一號機組為正常機組，在運行過程中未發出異常警報，機組在4月17號和5月27日前后都出現了溫度的突然上升。一號機組發電機運動狀態如圖4所示。

圖4 一號機組發電機運動狀態圖Fig.4 Movement status of unit 1 generator

但是波動率只是有幾個值比較大，很快又趨于正常。一號機組發電機軸承驅動端溫度在線監測如圖5所示。從時間序滑動窗口中可以看到并未出現超過30%，同時其他指標參數也未發現異常，在此不再贅述。因此，一號機組在在這段時間內的每個時間點的運行狀態均為優良。

圖5 一號機組發電機軸承驅動端溫度在線監測圖Fig.5 Online monitoring diagram of Unit 1 driving end bearing temperature

4.3 案例二

二號機組在6月份因發電機驅動端溫度超限停機，機組其他指標參數未發生異常。二號機組發電機運動狀態如圖6所示。

圖6 二號機組發電機運動狀態圖Fig.6 Movement status of Unit 2 generator

發電機驅動端軸承溫度和一號機組一樣出現了階躍性的溫度升高。但是通過表3可知，發電機驅動端軸承溫度未達到停機溫度。采用雙滑動窗口對機組的波動率在線觀測時如圖7所示。在3月28日到4月4日期間，溫度是逐漸上升的，波動率未發生明顯變化。

圖7 二號機組發電機軸承驅動端溫度在線監測圖Fig.7 Online monitoring diagram of Unit 2 driving end bearing temperature

機組在4月1日 9點45分異常率為20%，視為正常的波動狀態，機組的狀態評估為優；機組波動率在6月8號11點50分窗口內的異常率達到了60%，機組的狀態評估為差；4月22日13點30分窗口的異常率達到了52%，機組的狀態評估為差。在第一次機組狀態為差時，應及時檢修發電機驅動端軸承，避免停機時發電機軸承再維修。

5 結束語

針對風速的隨機性，降低了機組的可靠性，提出了基于波動率的風電機組在線狀態評估。本文通過分析監測參數和風速的相關性和監測參數的數據特性，最后，確定了風電機組狀態評估指標參數體系。這個體系涵蓋了機組的主要系統結構：齒輪箱系統、發電機系統、變槳系統、變流器系統和塔底機艙。這個指標參數體系可以反映機組整體的運行狀態，采用波動率分析機組監測參數的變化軌跡，能夠體現風速的隨機性對機組[11]指標參數影響的波動。最后通過雙滑動窗口分析數據流實現了對機組運行狀態的在線評估。經實例驗證，該方法能夠準確評估機組的運行狀態，識別出指標參數的上升為異常現象還是正常現象。本文通過研究風速的隨機性對機組造成的影響，提高了機組的可靠性。