基于LabVIEW平臺的風電機組葉片覆冰狀態診斷系統研究

葉偉文 楊波 龔妙 劉瑞 李重桂 李錄平

運行在潮濕、寒冷環境下的風電機組容易發生葉片覆冰，由此會造成機組的安全性、可靠性降低，嚴重影響經濟運行。目前，關于風電機組葉片覆冰狀態診斷，國內外學者進行了大量的研究，如對葉片不同翼型下的覆冰形態進行數據模擬，以建立覆冰與功率損失的診斷關系；在實驗室環境下進行不同覆冰狀態葉片的模態分析以及動力特性模擬實驗，確定了葉片模態頻率與覆冰程度的關系，建立起風電機組葉片覆冰狀態定量檢測指標體系。但是，數值模擬或實驗所采用的物理模型和數據，與工程實際存有偏差，而直接利用風電場SCADA系統采集的數據進行風電機組葉片覆冰診斷，是一種更加便捷有效的方式。

目前，基于SCADA數據的葉片覆冰診斷方法日益增多，其中以機器學習方法表現最佳。如運用Elman人工神經網絡對風電機組葉片結冰故障進行診斷；運用全連接神經網絡與隨機森林相結合進行葉片覆冰數據仿真測試。但由于多種因素的限制，這些工作都處在理論方法的層面，與應用到工程實際還有一定距離。目前在實際應用層面，相關技術主要是由整機制造商開發研究，其基本思路為通過比較實際數據與理論數據之間的偏差進行葉片覆冰狀態判斷。其缺點在于技術所用的指標參數較為單一，使得診斷精度欠佳，對機組安全仍存在一定威脅性；同時大多需要安裝特定裝置，增加了額外的負擔與成本。

基于上述原因，為進一步推動工程應用，本文在原有研究的基礎上進行改進，選取了五種與葉片覆冰狀態相關的故障參數指標，搭建BP神經網絡機器學習診斷模型，并使用LabVIEW軟件平臺將診斷模型開發成風電機組葉片覆冰狀態監測與診斷系統，可實現數據的實時采集、顯示和分析，對當前風電機組葉片覆冰監測與診斷技術的發展有一定促進作用。

葉片覆冰狀態監測模型

一、葉片覆冰狀態影響因素分析模型

在一個風電場內，風電機組的位置分布廣，風輪的朝向隨風向變化，風輪的轉速與葉片角度隨風速變化，通過安裝固定覆冰傳感器的方式來檢測葉片的覆冰故障具有一定的局限性，宜采用基于運行指標參數分析的方法來監測葉片的覆冰狀態。

眾多研究表明，對風電機組葉片覆冰具有直接影響的因素是風速、溫度和濕度，體現在SCADA參數列表中就是機艙氣象站風速、測風塔環境溫度和空氣濕度。溫度是風電機組葉片覆冰的先決條件，直接影響著葉片的結冰與否；空氣濕度也對機組葉片覆冰起著重要的作用，并且影響著冰層的密度與形狀；風速影響液滴在風電機組葉片上附著的數量，也會增強葉片表面換熱，隨著風速的增加，葉片更易發生覆冰。圖1所示為影響葉片覆冰狀態的外因和覆冰對機組狀態參數影響的邏輯關系，此圖也可視為葉片覆冰狀態監測的物理模型。

對于特定的葉片而言，空氣溫度、空氣相對濕度、葉片與空氣之間的相對速度是影響葉片覆冰的重要外因。對于運行中的風電機組，其覆冰狀態（覆冰嚴重程度）又可以引起風輪轉速偏差、機組輸出功率偏差、槳距角偏差、偏航角偏差的變化。所以，可以從外因與受影響參數的定量關系中提取葉片覆冰故障特征，再利用這些覆冰故障指標來設計覆冰指標提取模型，從而構建葉片覆冰狀態診斷模型。

二、葉片覆冰監測的指標提取模型

在此前的研究中，通過設計葉片覆冰狀態特征參數處理模型，提取出6種與葉片覆冰相關的參數指標，分別是溫度、濕度、功率-風速指標、槳距角、偏航角以及P/V3變化速率指標，將其作為BP神經網絡輸入特征，建立起風電機組葉片覆冰診斷理論模型。但隨著研究的深入，需要對葉片覆冰指標提取模型做出一些調整和改進：

（1）原研究工作未對覆冰指標的歸一化進行統一，例如溫度指標取值范圍為[–1，1]，而功率-風速指標取值范圍為[0，1]。依據回歸型機器學習算法的特性，要求輸入特征具有相同的度量尺度，因此，需對覆冰指標進行統一的歸一化；

（2）對環境溫度、空氣相對濕度和風速-槳距角指標的提取模型進行了更加準確的定義；

（3）用風速-輪轂轉速指標取代偏航角指標，去除P/V3變化速率指標，在保證精度的同時，優化了系統處理和分析數據的過程，減少了運算內存。

（一）環境溫度指標提取模型

圖2所示為濕冷環境中，在相同時間內（40min）不同相對濕度（分別是88.4%、66.6%、60.7%、50.0%）下葉片冰層厚度與覆冰溫度之間關系的實驗室模擬結果。從圖中可以看出：（1）在0℃～-5℃溫度范圍內，溫度越低，葉片覆冰的速度越快；（2）當氣溫低于-5℃時，在空氣濕度一定的情況下，溫度繼續降低，并未顯著提高葉片覆冰的速度；（3）在環境溫度一定的情況下，相對濕度越大，葉片覆冰的速度越快。

根據國內風電場分布的地域情況，設風電機組工作溫度范圍為–40℃～50℃。依據風電場運行經驗，當環境溫度低于5℃時風電機組就會開始結冰。前述實驗結果表明，當空氣溫度為–5℃時葉片結冰速率基本達到最大，空氣溫度低于–5℃后，葉片結冰速率變化不大。

葉片覆冰狀態監測系統

一、葉片覆冰狀態監測系統設計

系統基于LabVIEW軟件平臺開發，首先從數據庫中提取風電機組狀態信號和特征數據，再根據上述神經網絡模型診斷葉片的覆冰狀態，從而實現風電機組葉片覆冰狀態的遠程監測與診斷。根據LabVIEW軟件編程特點及葉片覆冰狀態監測與診斷系統功能要求，系統的總體功能設計如圖4所示。

（1）用戶登錄：設置了用戶登錄權限，分為管理員（能夠執行更高權限的操作）和普通用戶，用戶通過設定的密碼登錄系統，可實現修改密碼、個人信息等基本功能。

（2）幫助：對系統所需的相關參數進行設置，輸入風電機組的設計參數，主要包括額定風速、額定功率、最大輪轂轉速等，用于后續數據歸一化處理；對系統進行維護。

（3）顯示：呈現各個后臺分析模塊的分析結果，包括：采集的各狀態的實時數據、覆冰特征數據隨時間的變化曲線、診斷結果等。

（4）操作：進入MATLAB Script節點對數據進行處理和神經網絡訓練；對數據處理結果及繪制的數據曲線進行保存；查詢模塊可實現數據回放功能。

（5）診斷：主要完成對葉片覆冰程度的診斷分析，并將診斷結果顯示在前面板上。

根據該系統設計的主體功能框架和需求分析，系統軟件主要功能總體設計流程圖如圖5所示。該流程綜合考慮了各功能模塊的需求和鏈接，以及不同應用對象及場景的適用性，簡化了計算程序，特別是對于同種型號的機組，只需訓練一次神經網絡，便可進行覆冰狀態的監測，不需要時刻訓練神經網絡，因此可節省大量時間。

軟件的主界面如圖6所示，包含用戶登錄、功能控制按鈕以及信號顯示及查詢按鈕等，可以顯示實時數據和歷史數據及數據處理與診斷結果。

以某2MW風電機組為例進行神經網絡訓練，選取該機組一段時期內不同時間不同覆冰程度的真實數據，經過核密度-均值篩選，挑選出1000組數據作為神經網絡訓練樣本。在學習率設置為0.01、隱含層節點數設置為16的條件下，經過973次訓練成功達到0.001的精度要求。

系統通過調用MATLAB Script節點，在節點中放入事先編譯好的數據處理及診斷程序，先對調用的原始數據進行去空值和平均值處理，選取在風電機組運行風速范圍內的狀態參數值，然后根據所提出的風電機組葉片覆冰故障特征提取模型，對數據進行歸一化處理，并將其導入訓練好的神經網絡模型中，最后輸出神經網絡診斷數據及其特征圖。

二、葉片覆冰狀態監測系統集成與測試

軟件總體分為三個主要模塊，分別為數據讀取與顯示、故障診斷和數據存儲與回放。從數據流向來看，數據傳遞順序為：

（1）數據讀取與顯示模塊：將從SCADA系統中導出的狀態數據保存在合適的路徑下，然后通過LabVIEW數據讀取子模塊，將SCADA數據讀取到軟件系統的數據緩存區，并將數據實時顯示在程序前面板上。

（2）故障診斷模塊：將數據從緩存區中讀取進來，首先在MATLAB Script節點中經過一系列數據預處理，包括去空值、取平均、歸一化等處理，獲取覆冰指標參數，進行神經網絡訓練，然后用訓練好的神經網絡模型，對讀取到的數據進行診斷。

（3）數據存儲與回放模塊：對讀取的數據和故障診斷結果進行及時保存，便于日后調用和對比分析。

在調用原始數據之前，為方便后續在MATLAB Script節點中進行覆冰狀態診斷，需要提前設置風電機組的相關參數，包括額定風速（10m/s）、額定功率（2000kW）和最大輪轂轉速（16.0228rad/s）。此外，為方便運行人員直觀判斷葉片覆冰程度，設置覆冰程度報警指示燈：未覆冰時指示燈顏色為綠色；輕微覆冰時指示燈顏色為黃色；較嚴重覆冰時指示燈顏色為橙色；嚴重覆冰時指示燈顏色為紅色。

將數據調用進系統，可在系統前面板查看到各覆冰相關參數的變化情況，同時系統開始對數據進行診斷。將狀態特征曲線以波形圖的形式顯示在系統主界面上，并展現與診斷結果相匹配的報警指示燈顏色，同時還可以將診斷數據及結果進行保存，便于下次查看和對比。

為測試系統功能，調取一段風電機組葉片嚴重覆冰期間的歷史數據，圖7為系統數據顯示前面板與診斷結果。當前覆冰狀態診斷值ZT為0.89，覆冰狀態指示燈為紅燈，說明該系統能夠有效診斷風電機組葉片覆冰嚴重程度。

三、葉片覆冰狀態監測系統性能檢驗與分析

為驗證所開發出的風電機組葉片覆冰狀態診斷系統的準確性與穩定性，選取湖南郴州某風電場一臺額定功率為2MW、額定風速為10m/s的風電機組為應用對象，該機組有效風速段為3 ～22 m/s，槳距角允許誤差為0 ～3.6422，偏航允許誤差為±15。使用該機組從2018年1月2日開始覆冰至1月4日達到停機閾值這一時段的歷史覆冰數據作為驗證數據。前述神經網絡訓練所用數據同源于此。

系統運行過程采取的是模擬傳感器實時采集數據的方式，系統每隔一秒從數據庫中讀取一組參數進行診斷，每一秒就會產出一個診斷結果，其診斷輸出結果如圖8所示。從圖中可以看出，診斷值時刻發生變化，但整體而言，能夠將葉片覆冰越來越嚴重的情況展示出來，且與機組在2018年1月4日04：01因覆冰嚴重而停機的情況相符。

為分析系統的穩定性，利用帶寬占比分析法來確定診斷值的偏差范圍，其分析過程為將整條曲線分成若干個區間，區間長度為500個時間點，找出各區間內診斷ZT值的最大值以及最小值，對最大值進行擬合得到上包絡線，對最小值進行擬合得到下包絡線，上下兩條包絡線形成包絡帶，診斷ZT值始終位于包絡帶內。定義包絡帶帶寬為某時刻上、下兩條包絡線值的差值，帶寬占比表示帶寬占整個診斷值取值范圍的百分比，如圖9所示。

此包絡帶平均帶寬為0.0579，最大帶寬為0.0584，分別占診斷值取值范圍的5.79%和5.84%，即診斷值波動范圍穩定在±3%之內，表明系統診斷結果波動穩定。

同時從圖9中可看出，由于對覆冰等級進行了定量，且診斷值存在波動，覆冰等級分界線與上、下兩條包絡線的交點所對應的橫坐標之間的區域（a、b和c）存在診斷等級交叉現象，由此會帶來診斷失誤。為確定系統診斷誤差的大小，采用如下幾何分析的方式進行論證：

y=0.2的覆冰等級分界線，與上、下兩條包絡線交點所對應的橫坐標區間長度為9082，同時橫坐標區間截取的包絡帶形狀，被該線分割成兩個面積近似相等的三角形A和B。對于未覆冰等級的診斷，三角形A所在區域診斷正確，三角形B所在區域診斷錯誤；對于輕微覆冰等級的診斷，三角形A所在區域診斷錯誤，三角形B所在區域診斷正確，所以在橫坐標a區域系統診斷正確率為50%，即診斷正確的時間點有4541個，錯誤的時間點同樣為4541個。同理，y=0.5的覆冰等級分界線，與上、下兩條包絡線交點所對應的橫坐標區間長度為3921，診斷錯誤的時間點有1961個；y=0.8的覆冰等級分界線，與上、下兩條包絡線交點所對應的橫坐標區間長度為5472，診斷錯誤的時間點有2736個。系統運行測試數據時間點約11萬個，其中診斷錯誤的時間點約9238個，可得系統診斷誤差為8.39%。

造成系統診斷誤差的原因：一是環境因素隨機變化較大，以及傳感器檢測數據有偏差，使診斷結果出現波動；二是由于神經網絡初始權值與閾值設置存有缺陷，具有一定局限性，導致診斷值波動；三是由于覆冰程度本就為一種模糊判定，在進行定量分級診斷時，增加了系統診斷誤差。

總的來說，系統診斷值波動范圍小，診斷誤差較小，系統運行性能良好。

結論

本文在原有研究的基礎上改進風電機組葉片覆冰狀態監測與診斷數學模型，該模型的特點是從機組運行狀態參數中提取環境溫度、空氣相對濕度、風速-功率、風速-槳距角以及風速-輪轂轉速作為葉片覆冰故障特征，通過簡單的神經網絡模型實現葉片覆冰故障的監測與診斷。

利用工程實際數據對所開發出的葉片覆冰狀態監測系統的性能進行檢驗，并運用帶寬占比法對系統運行情況進行評估，得到平均帶寬占比為5.79%，診斷值波動范圍在±3%之內，同時采用幾何方法分析得出系統診斷誤差為8.39%，表明了該系統運行性能良好，能準確診斷出葉片的覆冰狀態，具有一定的工程應用價值。

（作者單位：葉偉文，楊波：廣州特種承壓設備檢測研究院；龔妙，劉瑞，李重桂，李錄平：長沙理工大學）