基于狀態曲線的風電機組運行工況異常檢測

孫群麗，劉長良，周 瑛

基于狀態曲線的風電機組運行工況異常檢測

孫群麗1，劉長良2，周 瑛3

（1.華北電力大學科技學院，河北 保定 071003；2.華北電力大學新能源電力系統國家重點實驗室，北京 102206；3.石家莊鐵道大學四方學院，河北 石家莊 051132）

為了提高風電機組的利用率和發電量，減少風電機組維修和更換費用，需要對其運行工況進行監測。本文首先對機組的風速-功率、風速-轉速、風速-槳距角、轉速-功率、轉速-槳距角5種狀態曲線進行理論介紹，然后結合實際運行數據對其進行了分析。結果表明：由于風速的隨機性和風電機組的慣性，前3種曲線不能很好地區分機組的正常運行狀態和故障狀態，而轉速-功率、轉速-槳距角能夠對機組的異常情況進行準確的監測；以轉速-功率、轉速-槳距角狀態曲線為基礎，分析了機組不同運行工況在狀態曲線上的分布，對各個不同工況分別建立相應的評價體系，通過故障實例分析，表明本文方法能提前感知異常情況，有效提高系統的狀態監測精度。

風電機組；狀態曲線；轉速-功率；轉速-槳距角；異常檢測；運行工況；監控與數據采集系統

風電機組的可靠性關乎著風電場的安全經濟運行，因而對風電機組的運行狀態進行監測就顯得尤為重要[1]。文獻[2-3]利用自適應神經模糊推理系統（ANFIS）分別對機組的變槳系統和整機進行狀態監視，建立了故障模型，針對故障的情況給出警告的輸出值，但他們都是利用機組已知故障來建立模型，在實際診斷中對故障數據和故障類型有一定的要求，因此應用受到一定的限制。文獻[4]從機組運行數據出發，利用Relief特征參數選擇的方法，找出與變槳系統密切相關的運行參數，在這些數據的基礎上建立變槳系統的支持向量機回歸模型對變槳系統的狀態進行監測。文獻[5-9]用數據挖掘的方法建立了風電機組的非線性識別系統，對機組正常運行時的狀態進行監測，一旦發現異常提前發出報警信息；但是在使用機組監控和數據采集系統（SCADA）數據來建立訓練模型時，由于數據是某一段時間內的平均值，這就造成模型的精確度不高。文獻[10]利用Copula函數建立了風電機組功率曲線的概率模型，然后對機組的運行數據進行分析，結果表明可對機組的葉片退化、偏航和變槳的異常情況進行檢測。文獻[11]為了對機組的有功功率數據進行分析，采用了Hotelling T2的方法對機組的運行狀態進行識別。文獻[12]利用計算流體動力學（CFD）技術得到修正后的風速建立功率特性曲線，用此來對機組的性能進行評價；文獻[13]用INNER-DBSCAN算法和功率曲線模型的數據驅動實時檢測方法，對數據先進行清洗和聚類，然后構造正常運行時的功率曲線模型來識別風機的異常情況。文獻[14]以風力機功率曲線為基礎，建立了風力機效能轉換的指標，對風資源與風場的發電量進行了準確的描述；但是由于風速的快速隨機的變化，以及設備的惰性造成風速-功率曲線在使用中存在很大的局限性。

結合上述的研究思想，本文首先從理論上利用機組的技術參數和運行原理分析機組幾種典型的狀態曲線，指出它們在確定機組運行狀態時的優缺點，最后選擇轉速-功率，轉速-槳距角狀態曲線來對機組的運行工況進行監測，并建立相應的評判標準。

1 狀態曲線

1.1 理論狀態曲線

風力發電機組是利用葉輪從風中獲取能量通過傳動系統帶動發電機發電，從而產生電能。目前并網運行的風力發電機組均采用變速恒頻的方式，能夠最大限度地吸收風能，提高機組的利用效率，該機組在整個運行過程中包括空載、并網、最大風能捕獲、恒轉速運行和恒功率運行幾個階段，不同運行階段的風速、功率、槳距角、發電機轉速之間的關系如圖1所示。圖1中in為切入風速，out為切出風速，rtd為額定風速，nrtd為額定轉速下對應的風速；rtd為額定功率，in為并網轉速，rtd為額定轉速；1為機組正常運行過程中的最大槳距角（一般在30°左右），2為機組處于待機狀態的槳距角（一般在50°左右），off為機組處于順槳狀態的槳距角（一般在90°左右[15]）。

1.2 實際狀態曲線

本文采用某風電場機組5天正常運行的數據來描述上述5種性能曲線，結果如圖2所示。

圖2a)為實際風速-功率運行曲線。圖形標注的部分表示運行中偏離嚴重的部位，這些偏離一方面由設備故障導致，另一方面風速的變動也會導致狀態曲線的偏移，如虛線圓標注部分。當風速降到額定風速rtd以下，此時由于轉子的慣性輸出的功率依然是額定功率rtd；在黑色方框標注部分也存在同樣的情況，此時風速已經小于切入風速in，本應該脫離電網，功率小于0，但顯示的功率卻大于0；此外，在橢圓區域所包圍的散點圖右上部分，當風速在增加的過程中高于額定風速rtd時，同樣由于轉子的慣性，導致實際的功率偏低。因此，用風速-功率曲線來判斷系統的性能顯然不合適。

圖2b)為風速-葉輪轉速的實際運行曲線。曲線中方塊標注部分是當風速小于切入風速時轉速還不為0，圓形標注部分是當風速降低到nrtd以下時，轉速卻仍然為額定轉速rtd，造成這種現象的原因，可能是因為轉子的慣性[16-17]，也可能是因為機組故障。

圖2c)為風速-槳距角的實際運行曲線。圖中方形表示當風速在切入風速in和額定風速rtd之間時槳距角大于0的部分，引起這部分偏移的原因可能是設備故障，也可能是風速變化較快，而變槳系統有一定滯后性所致[17]；橢圓表示當風速10 min平均值小于脫網風速in時或者是發電機輸出功率達到一定負值時，風電機組不允許長期在電網中運行，必須脫網，處于自由狀態，槳距角處于順槳狀態[18]，這是機組正常運行現象，但是當機組出現故障時也會有上述的運行過程。

圖2d)和圖2e)分別為葉輪轉速-功率，葉輪轉速-槳距角實際運行曲線。對比圖1d)和圖1e)可見，實際運行曲線與理論曲線有很好的匹配度，正常運行狀態下偏離理論曲線的距離很小。圖2e)中圓形和向上的箭頭表示當風速小于切入風速時，機組處于待機狀態的運動過程，當風速達到足以吹動葉輪旋轉并滿足啟動條件時，風機開始進入啟動階段，槳距角沿著向下箭頭的方向由順槳狀態減小到達橢圓所示的部分進行加速，接著槳距角繼續減小，最終達到最小值[18]。

2 基于狀態曲線的運行工況分析

在分析比較上述5種狀態曲線的基礎上，選取葉輪轉速-功率、葉輪轉速-槳距角狀態曲線對機組在不同階段的工況進行分析。

以變槳系統的運行狀況為例，當機組運行在最佳功率跟蹤階段時，如果出現變槳故障導致槳距角增大，最佳風能利用系數減小，功率和驅動力矩減小，這將導致轉速下降[19]，如圖3中“.”所示的區域；當機組運行在恒轉速和恒功率階段時，變槳系統如果出現故障導致槳距角減小，將使功率增大，轉速升高[17]，最終也將偏離理論運行曲線，如圖3中“o”和“+”所示區域。

3 故障分析過程

3.1 基于狀態曲線的故障監測模型

對比圖2和圖3中的葉輪轉速-功率、葉輪轉速-槳距角的狀態曲線可知，正常運行數據與理論曲線之間存在一定的距離，這些距離在正常的偏離范圍，當需要檢測的數據與理論狀態曲線的偏離超過這個范圍時可認定為故障。故障監測流程如圖4所示。

圖4 故障監測流程

首先通過機組的技術參數，建立理論狀態曲線，然后計算實時在線數據到理論曲線的最短距離np、nβ，其中nplimnp）&nβlimnβ）表示若此最短距離np,nβ超過限定的閾值limnp、limnβ，則認為系統出現故障。另外，當風速在不同的范圍時機組運行在不同的狀態，對應理論曲線上的不同階段，因此要有以風速為輸入量的狀態識別環節。

監測點到理論曲線的距離由下式計算：

式中，為實時監測到的點，ai為理論曲線上的點。圖5為不同運行工況下的偏離范圍。

3.2 最小距離的計算

由于機組運行參數的量綱不一致，在計算最小距離時存在諸多不便，因此需要對其進行歸一化，取它們相對于額定參數的比例作為計算值，表1給出了某1.5 MW機組的相關技術參數。考慮到機組的狀態曲線是分段的，實際運行數據到曲線的最小距離則可通過求帶約束的最小化問題式(2)來實現。

表1 技術參數

Tab.1 The technical parameters

其中，函數方程和1的取值范圍由表1中的機組技術參數和理論曲線確定。

3.3 偏離閾值的確定

由于風速的隨機性，風電機組的運行狀態在最大功率追蹤、恒轉速控制和恒功率控制、停機和啟動幾個階段之間切換。為了加強識別的精度，應根據不同階段的特點確定對應轉速-功率、轉速-槳距角的偏離閾值。

在最大功率追蹤階段（MPPT），cut-in+2<

式中，limnp為運行工況點到轉速-功率曲線的偏離閾值，limnβ為運行工況點到轉速-槳距角曲線的偏離閾值。

在恒功率階段（CP），rtd<

在恒轉速階段（CS），rtd–2<

機組在運行中會因為風速的變化而處于啟動或者停機過程，在啟動過程中，槳距角連續減小，而轉速連續增大，如式(9)：

在停機過程中，槳距角連續增大，而轉速連續減小，如式(10)：

當轉速和槳距角出現上述變化趨勢時，是正常的運行現象。

4 故障實例分析

為了驗證本文所提出的機組狀態異常辨識方法的有效性，應用某風場1.5 MW機組的運行數據進行測試，該機組在2014年1月15日09:50報“變槳安全鏈故障”。變槳安全鏈是把可能對機組造成嚴重損害的故障節點用繼電器串聯起來，一旦某個節點出現故障，則整條線路斷開變槳系統進入緊急停機過程，迅速向90°順槳。運行人員通過排查確認故障是變槳滑環接觸不良所致。變槳滑環負責主控和變槳系統之間的信息連接，當其接觸不良時，隨著轉速增大信號丟失概率增加，主控將失去對變槳系統的控制，出現變槳故障。選取該機組前5天的運行數據，對應的葉輪轉速-功率，葉輪轉速-槳距角關系如圖6所示。從圖6可以看出：在系統報故障前有大量的數據偏離正常運行的范圍，這些偏離的點是從風速超過額定值的恒功率運行階段開始的，隨著風速的減小，由于變槳滑環的故障，槳距角不能有效地減小，從而使風輪獲得的風能減小，轉速偏低，功率偏小，如圖6a)中的圓形所示；當風速繼續減小，機組進入恒轉速，最佳功率跟蹤階段時，槳距角的偏大使運行數據的偏離如圖6a)中虛線橢圓和實線橢圓形所示；同時槳距角的偏離如圖6b)中橢圓區域所示，箭頭向上和向下的區域是由于風速在切入值附近變化時引起的啟動和停機過程，滿足式(9)和式(10)。

基于上述故障檢測流程，當偏離距離np和nβ都小于限定的閾值時，系統處于正常運行狀態，顯示為1；當某一個或者兩個大于閾值時，系統處于故障狀態，顯示為0。從2014年1月10日開始每隔1 min取1次數據，共取得8 640組數據。圖7為異常時間顯示，其中圖7a)為SCADA系統的異常報警時間，圖7b)為本文方法的異常報警時間。從圖7可以看出：在實際運行過程中可能會有偶爾超過閾值的情況，不用發出報警信號，如圖7b)中橢圓標注的區域；只有在2014年1月13日09:23持續出現“0”時系統才發出報警信息；本文方法在系統出現輕微偏離時即發出報警信號，比SCADA系統提前48 h 27 min。

5 結 論

1）通過對葉輪轉速-功率，葉輪轉速-槳距角狀態曲線在理論上和實際中正常運行情況下的對比發現，二者具有較高的一致性，能夠較好地反映機組的異常工況。

2）利用狀態曲線進行機組的異常情況監測時能夠知道異常發生的機理和過程。

3）對不同的運行工況分別建立評價閾值，可提高運行狀態異常識別的精度。

4）本文方法在系統出現輕微偏離時即可發出報警信號，比SCADA系統提前48 h 27 min。

［1］ 陳雪峰, 李繼猛, 程航, 等. 風力發電機狀態監測和故障診斷技術的研究與進展[J]. 機械工程學報, 2011, 47(9): 45-52.CHEN Xuefeng, LI Jimeng, CHENG Hang, et al. Research and application of condition monitoring and fault diagnosis technology in wind turbines[J]. Journal of Mechanical Engineering, 2011, 47(9): 45-52.

［2］ ZHOU Q, XIONG T T, WANG M B, et al. Diagnosis and early warning of wind turbine faults based on cluster analysis theory and modified ANFIS[J]. Energies, 2017, 10(7): 898.

［3］ CHEN B, MATTHEWS P, TAVNER P. Automated on-line fault prognosis for wind turbine pitch systems using supervisory control and data acquisition[J]. IET Renewable Power Generation, 2014, 9(5): 503-513.

［4］ 李輝, 楊超, 李學偉, 等. 風機電動變槳系統狀態特征參量挖掘及異常識別[J]. 中國電機工程學報, 2014, 34(12): 1922-1930. LI Hui, YANG Chao, LI Xuewei, et al. Conditions characteristic parameters mining and outlier identification for electric pitch system of wind turbine[J]. Proceedings of the CSEE, 2014, 34(12): 1922-1930.

［5］ BI R, ZHOU C, HEPBURN D M, et al. A NBM based on P-N relationship for DFIG wind turbine fault detection[C]. 2015 International Conference on Smart Grid and Clean Energy Technologies (ICSGCE). IEEE, 2016.

［6］ 董興輝, 閆慧麗, 張曉亮. 基于FDA貢獻圖的風電機組變槳系統故障定位[J]. 可再生能源, 2017, 35(1): 93-100. DONG Xinghui, YAN Huili, ZHANG Xiaoliang. Fault location of pitch system based on FDA contribution diagram[J]. Renewable Energy Resources. 2017, 35(1): 93-100.

［7］ 肖成, 劉作軍, 張磊. 基于SCADA系統的風電變槳故障預測方法研究[J]. 可再生能源, 2017, 35(2): 278-284. XIAO Cheng, LIU Zuojun, ZHANG Lei. Variable pitch fault prediction of wind power system based on SCADA system[J]. Renewable Energy Resources, 2017, 35(2): 278-284.

［8］ 巨林倉, 史貝貝, 楊清宇, 等. 基于LM算法建立風電機組神經網絡故障預警診斷模型[J]. 熱力發電, 2010, 39(12): 44-49. JU Lincang, SHI Beibei, YANG Qingyu, et al. Establishment of fault warning diagnosis model for wind power units based on lm algorithm of neural network[J]. Thermal Power Generation, 2010, 39(12): 44-49.

［9］ 徐創學, 劉魯清, 謝云明, 等. 基于實時數據的風力發電機組性能在線評價[J]. 熱力發電, 2015, 44(4): 88-91. XU Chuangxue, LIU Luqing, XIE Yunming, et al. Real-time data based online evaluation of output performance for wind turbine units[J]. Thermal Power Generation, 2015, 44(4): 88-91.

［10］ WANG Y, INFIELD D, STEPHEN B, et al. Copula- based model for wind turbine power curve outlier rejection[J]. Wind Energy, 2014, 17(11): 1677-1688.

［11］ KUSIAK A, VERMA A. Monitoring wind farms with performance curves[J]. IEEE Transactions on Sustainable Energy, 2013, 4(1): 192-199.

［12］ 邢作霞, 張鵬飛, 李媛. 基于CFD技術的風電機組功率特性評估方法[J]. 太陽能學報, 2015, 36(12): 2882-2887. XING Zuoxia, ZHANG Pengfei, LI Yuan. Evaluation method of power characteristics of wind turbine based on CFD technology[J]. Acta Energiae Solaris Sinica, 2015, 36(12): 2882-2887.

［13］ 陳警鈺, 陳玉航. 基于INNER-DBSCAN和功率曲線模型的風機異常狀態檢測[J]. 電力科學與工程, 2017, 33(8): 27-34.CHEN Jingyu, CHEN Yuhang. Condition monitoring for wind turbines based on INNER-DBSCAN and power curvepattern[J]. Electric Power Science and Engineering, 2017, 33(8): 27-34.

［14］ 張家安, 劉寧, 吳林林, 等. 基于風力機功率特性的風資源評估指標體系[J]. 太陽能學報, 2017, 38(2): 498-502. ZHANG Jiaan, LIU Ning, WU Linlin, et al.index system for wind resource assessment based on power characteristics of wind turbine[J]. Acta Energiae Solaris Sinica, 2017, 38(2): 498-502.

［15］ 夏長亮. 雙饋風力發電系統設計與并網運行[M]. 北京: 科學出版社, 2014: 22-23.XIA Changliang. The design and grid-connected operations for double fed wind power generation system[M]. Beijing: Science Press, 2014: 22-23.

［16］ 王明軍. 風電機組功率曲線問題及爭議淺析[J]. 風能, 2016(5): 42-45. WANG Mingjun. Power curve problem and dispute analysis of wind turbines[J]. Wind Energy, 2016(5): 42-45.

［17］ 王明軍, 高原生. 風電機組實際運行功率曲線影響因素分析[J]. 風能, 2013(4): 74-79.WANG Mingjun, GAO Yuansheng. An analysis of influence factors on wind turbine’s actual power curve[J]. Wind Energy, 2013(4): 74-79.

［18］ 吳雙群. 風力發電原理[M]. 北京: 北京大學出版社, 2011: 77.WU Shuangqun. Principle of the wind driven generator[M]. Beijing: Peking University Press, 2011: 77.

［19］ 趙振宙. 風力機原理[M]. 北京: 中國水利水電出版社, 2016: 45. ZHAO Zhenzhou. Principle of wind turbine[M]. Beijing: China Water & Power Press, 2016: 45.

Abnormal detection of operation conditions of wind turbine based on state curve

SUN Qunli1, LIU Changliang2, ZHOU Ying3

(1. Science and Technology College, North China Electric Power University, Baoding 071003, China; 2. State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University, Beijing 102206, China; 3. Sifang College, Shijiazhuang Tiedao University, Shijiazhuang 051132, China)

In order to improve the utilization rate and power generation of wind turbines, and reduce the cost of maintenance and replacement of wind turbines, it is necessary to monitor the operating conditions. In this paper, five state curves of the unit, including the wind speed-power curve, the wind speed-rotor speed curve, the wind speed-pitch angle curve, the rotor speed-power curve, and the rotor speed-pitch angle curve, are introduced theoretically. Then, they are analyzed combining with the actual operational data. The results show that, due to the randomness of wind speed and the inertia of wind turbines, the first three curves does not allow the wind turbine to distinguish normal operation status from a fault status. However, the rotor speed-power curve and rotor speed-pitch angle curve are able to accurately monitor the abnormal conditions of the wind turbine. On the basis of the last two state curves, the distribution of different operating conditions of the unit is analyzed, and corresponding evaluation systems are established for each operating condition. The fault case study indicates that, this method can sense the unit's abnormal situation in advance, and effectively improve the state monitoring accuracy of the system.

wind turbine unit, state curve, rotor speed-power, rotor speed-pitch angle, anomaly detection, operating condition, monitoring and data acquisition system

TK83

A

10.19666/j.rlfd.201901028

孫群麗, 劉長良, 周瑛. 基于狀態曲線的風電機組運行工況異常檢測[J]. 熱力發電, 2019, 48(7): 110-116. SUN Qunli, LIU Changliang, ZHOU Ying. Abnormal detection of operation conditions of wind turbine based on state curve[J]. Thermal Power Generation, 2019, 48(7): 110-116.

2019-01-26

中央高校基本科研業務費專項基金資助項目(9161717007)；北京市自然科學基金(4182061)

Supported by：Fundamental Research Funds for the Central Universities (9161717007); Natural Science Foundation of Beijing (4182061)

孫群麗(1982—)，女，講師，博士研究生，主要研究方向為電廠設備的智能控制和故障診斷技術，hdsunqunli@163.com。

（責任編輯 馬昕紅）