海上風電機組分布式控制系統故障診斷與定位研究

王紹平， 王 冰， 曹智杰， 陳浩浩

（1.河海大學 能源與電氣學院， 江蘇 南京 211100； 2.南京豪慶信息科技有限公司， 江蘇 南京 210006）

0 引言

風能是清潔、 無污染、 儲量豐富的可再生能源， 已經成為解決能源危機及污染問題的重要資源之一。海上風力發電具有不占用陸地資源、利用率高等優點，已受到各國廣泛關注[1]。 海上風電場遠離陸地，環境惡劣，風電機組故障率較高，嚴重影響發電效益[2]。

當前海上風電場大多采用集中控制方式，其缺點是，一旦通信干擾或控制裝置出現故障，就可能使整個海上風電場處于失控狀態。 分布式控制避免了集中式控制存在的風險， 可以有效解決網絡化系統控制問題。但由于缺少監控中心站，分布式控制存在故障節點診斷和定位難的問題。因此，對分布式風電機組通訊節點進行有效、 精確地診斷與定位，可以有效地避免重大事故的發生，提高分布式協同控制的可靠性[3]。

目前， 一些學者已對海上風電機組通訊故障的診斷問題進行了研究。 文獻[4]憑借以太網為通訊基礎，設計了“三層兩網”模式的計算機狀態監測與診斷系統。 文獻[5]利用Zigbee 和GPRS 技術實現了對風電機組葉片狀態的監控。 文獻[6]提出了基于統計學的分布式檢測方法， 然而在現實中該統計模型較難建立。 文獻[7]利用聚類分析方法進行通訊診斷，此過程不需要數據的統計模型，但是其中簇的大小及個數較難確定。

針對以上問題， 本文提出了一種分布式控制系統的故障診斷與定位方法。首先，對分布式風電場進行群落劃分， 為之后的通訊故障診斷與定位提供可靠性判定區域。然后，針對傳統分布式通訊檢測中存在的“二值性”問題[8]，利用心跳檢測pull算法，在不通過基站的情況下，分別進行主從節點的故障診斷與定位。 最后，利用MATLAB 進行仿真驗證，與傳統的分布式故障診斷進行比較，驗證了故障診斷定位結果的準確性和優越性。

1 分布式風電機群的群落劃分

為了便于分布式系統有效地進行故障診斷和定位， 本文利用集群和局部優化的拓撲控制（Cluster and Local Optimization Topology Control，CLTC）算法進行群落劃分[9]。 CLTC 算法首先根據功率大小和節點間互發的特征， 選擇通信性能較強和通信鏈路較多的節點作為主節點；然后，主節點根據自身功率和群內節點通信機制的能力，控制群內從節點； 最后， 主節點控制群的邊界點功率，群之間通過群的邊界節點進行自動連接，完成整個分布式風電機組的群落劃分。

CLTC 算法大致分為3 個部分： 風電機組節點分群、機群內無線拓撲控制、機群間拓撲結構實現。

1.1 風電機組節點分群

利用風電機組網絡終端節點的相互通信獲得相鄰風機的終端數和對應的終端節點度值， 所謂節點度值是指該節點相關聯邊的條數。 設u 為節點度，節點度值選擇須達到以下目標。

目標1：38，會影響網絡拓撲的鏈路結構。

目標2： 將得到的網絡終端節點度值與相鄰節點的度值進行比較，選擇度值最大的為主節點，與主節點相鄰的節點為從節點。

式中：u0為主節點；u1，u2，u3，…，un為u0的從節點；n 為風電機節點數。

當節點度值相同時，則選擇地址代碼ID 較小的為主節點。

式中：IDu0，IDu1，IDu2，…，IDun為u1，u2，u3，…，un的地址編號數值。

反復循環上述過程， 直至分布式風機網絡中所有終端節點都加入各自的群中。

1.2 機群內無線拓撲控制

主節點確立之后， 再進行風電場機群內拓撲控制的初始化。 各主節點網絡廣播消息給所有從節點，從節點向主節點回復確認消息；主節點統計自身鄰居的從節點集， 形成一個以主節點為群首的簇，再發送標記消息給從節點；所有收到簇內消息的從節點將消息記錄在自己的終端ID 上，表示成為群內成員。

主節點利用最小生成樹算法進行局部拓撲優化： 將海上風電機群看作一個含有n 個節點的連通圖，以N={V，E}表示。 其中，V 為圖中節點的集合，V={v1，v2，…，vn}，E 為圖中邊的集合，E={（i，j）∈V×V}。 利用普里姆算法[10]設置兩個新的集合U 和T， 分別用于存放連通圖N 的最小生成樹頂點和邊。 從所有u∈U，v∈（V-U）的邊（u，v）∈E 中找一條綜合權值Wij最小的邊（u0，v0），將頂點u0加入到集合U 中，邊v0加入到集合T 中。 通過不斷優化，直至U=V 為止，圖G={U，T}則為最小生成樹圖。

綜合權值Wij為

式中：d （i，j） 為節點i 與節點j 之間的距離；ei，ej分別風電機組相鄰節點i 與節點j 通訊時的剩余能量；a，b 為預設指數。

為了解決非均勻分簇帶來的網絡負載能耗均衡不平衡以及“熱區”等現象造成的影響網絡壽命的問題，文獻[11]利用非均勻分簇路由算法對無線網絡進行分簇后的優化， 再采用改進蟻群優化算法搜索出無線網絡簇間多條路徑， 組建無線網絡路由非均勻分簇多目標優化問題模型， 解決了網絡負載能耗均衡不平衡以及“熱區”等問題。

1.3 機群間拓撲結構實現

網絡群間的拓撲規則： 群Ai的終端節點mij周期性地向鄰群Bi的節點nij發送包含位置、節點地址和所屬群位置的報文信息；若終端節點mij接收到nij的報文信息， 則把信息存儲到節點mij的邊界表；當群Ai成員邊界收集完后，群Ai會檢查與相鄰群Bi間是否存在兩條不相交的鏈路；若不存在，則Ai和Bi以最大功率發送，若存在，主節點用max min 的策略設置群成員的發送功率。為了保證分布式節點故障診斷的需求， 兩群落間邊界節點還須要與自己群落中的主節點相連接。最后， 將網絡中所有的機群按照上述規則進行連接，完成機群間拓撲結構。分布式風電機群群落劃分流程如圖1 所示。

圖1 分布式風電機群的群落劃分示意圖Fig.1 Community division of distributed wind turbine group

2 海上風電機組分布式故障診斷定位

隨著海上風電場規模的不斷擴大， 網絡拓撲結構也變得更為復雜， 本節針對傳統海上風電機群通訊故障診斷技術只能輸出“懷疑”和“信任”二值性的問題，采用心跳檢測pull 算法，對分布式故障機組進行診斷與定位。

2.1 心跳機制原理

心跳機制的具體步驟： 某一節點定時地向鄰節點發送心跳，鄰節點收到心跳消息后，在一定時間內被動地發回應答消息， 通過鄰節點返回來的心跳信息時間從而確定該節點的通訊狀態。

為了將心跳機制用于分布式風電機組通訊故障節點的診斷， 首先引入3 個反應分布式故障檢測基本性能的指標：檢測時間TD、錯誤間隔時間TMR和錯誤持續時間TM。 TD為風機通訊節點接收某一鄰節點的心跳信息到判斷該風機通訊節點故障的時間；TMR為風機通訊節點之間兩次發生故障輸出之間的時間間隔；TM為風機通訊節點之間檢測修正一次錯誤懷疑所需要的時間。

2.2 風電機群的分布式節點故障診斷

針對分布式網絡中主從節點特性不同， 將做以下主從節點的故障診斷。

（1）群落內從節點故障診斷：假設主節點為qi，從節點{p1，p2，…，pn}標記序號為1，2，3，…，n，總時間進程為TD。 從0 時刻開始，主節點就和從節點實行并行通訊，在任意一個時間進程ti中，主節點q 同時和n 個從節點{p1，p2，…，pn}進行兩節點心跳機制的網絡通訊。 心跳檢測pull 算法判斷準則： 網絡利用當前時刻所得時間參數計算出此時進程的輸出值Q，并在ti時刻設定一個閾值P。若Q 在P 內，此時分布式網絡通訊良好；當Q 超過P， 網絡發生故障， 此時須查詢出故障從節點pn。 心跳檢測pull算法模型如圖2 所示。

圖2 心跳檢測pull 算法ti 時刻從節點故障圖Fig.2 Failure diagram of heartbeat detection algorithm from node to node at time

①Q 的計算： 根據ti時刻風機通訊節點的狀態，為每一個分布式群落的進程輸出一個0～1 之間的實數Q[12]。式中：ti為程序輸出的當前時刻；n*為當前未收到應答消息的序號；u，σ2分別為ti時刻內的分布期望和方差。

②P 的計算： 由于P 的大小受TMRL，TMRU參數的影響，因此，須要設定一個最佳閾值，來判斷此時故障狀態，P 滿足[12]：

式中：P0為通訊過程中的消息丟失率。

當Q≤P 時， 心跳時間間隔在已經設定的時間內，此時兩節點間通信良好；當Q>P 時候，時間間隔已經超過設定的間隔， 分布式系統出現通訊故障，查詢當前未收到應答消息的序號n*，從而可以判斷此時發生的風機故障序號節點Pn。

（2）主節點的故障診斷：群落Ai的鄰邊節點mij分別向本群內的主節點qi和群落Bi的鄰邊節點nij發送心跳消息，形成了一個3 節點心跳檢測策略。此時形成的檢測機制下，可以看作鄰邊節點mij分別和群落Ai中的主節點qi， 鄰群Bi中的鄰節點nij之間的兩兩心跳檢測通訊。這里利用心跳機制，在第n 時刻，發生故障，則群落Ai的主節點qi和另外一個群落Bi的鄰邊節點nij分別返回給鄰邊節點mij的心跳消息時間和最長等待時間將會不同，一個（TQ+TL）為正常返回等待時間，另一個為故障返回等待時間（TQ′+TL′）。 正常情況下TQ的大小受分布式網絡負載運行的影響， 網絡系統消息服從M/D/1 隊列過程， 通過M/D/1 模型的馬爾科夫鏈狀態轉移過程可以獲得消息發送時間TQ的平均期望E（TQ）。

式中：Ts為數據包發送時間；λ 為消息傳輸速度。

將所得E（TQ）近似看成群落Bi的鄰邊節點nij向群落Ai的鄰邊節點mij的正常返回心跳時間TQ。 若滿足下式，則可判斷節點是否發生故障。

2.3 風電機群分布式節點故障定位

當網絡完成節點診斷后， 就要解決通訊故障定位問題。 在一個分布式群落中節點的故障定位流程如圖3 所示。

圖3 主、從節點故障定位圖Fig.3 Fault diagnosis diagram of master and slave nodes

由圖3（a）可知，因為在一個群落中只存在一個主節點，當主節點出現故障時，而從節點工作正常，連接周圍從節點的主節點故障即可以定位出故障主節點1。

由圖3（b）可知，當從節點出故障時，系統自動回到網絡進程輸出P， 查詢出當前未收到應答消息的序號n*，此時n*=2，因此可知2 號從節點發生風機故障。

3 仿真與實驗分析

3.1 海上風電場CLCT 算法的拓撲群落劃分仿真

為了驗證所設計網絡拓撲性能的有效性，采用MATLAB 仿真，在邊長為1 400 m 的正方形區域內，隨機部署100 個節點進行仿真，且通信半徑都為150 m，節點初始能量為0.5 J，節點收、發電路能耗均為50 nJ/bit，發射放大器能耗為10 pJ/（bit·m2），數據聚合能耗為5 nJ/bit。

圖4 為無拓撲控制算法的風電機組通訊節點圖，此時坐標原點為匯聚節點，所有節點都以最大發送。 由圖4 可知， 網絡中由于鏈路數量相互重疊，網絡負載較大，從而影響網絡的連通情況。

圖4 無拓撲控制算法的風電機組通訊拓撲圖Fig.4 Topology diagram of wind turbine communication without topology

圖5 為使用CLTC 算法后風電機組通訊拓撲圖。圖中1，2，…，15 代表了主節點。此時CLTC 算法根據所設定的拓撲規則調整了風電機組無線終端的功率， 為風電機組故障診斷和定位提供了可靠性區間。

圖5 使用CLTC 算法后風電機組通訊拓圖Fig.5 Topology diagram of wind turbine communication after using CLTC algorithm control algorithm

3.2 心跳故障檢測算法實驗分析

選取圖5 中主節點為1 的群落、主節點為2的群落以及群落1 和群落2 所相交的鄰邊節點進行主、從故障的仿真分析。分別運用心跳檢測pull算法進行從節點的故障診斷和基于心跳機制的主節點故障診斷。 相應參數設置：Δη=1s，TD=10000ms，TQ=250 ms，Ts=230 ms，TL=230 ms，λ=9×10-4ms，TM與TMR和PT隨TD的變化如圖6 所示。

圖6 TM，TMR，PT 隨檢測時間TD 變化圖Fig.6 Variation of TM，TMR and PT with detection time TD

從節點故障診斷：將TM與TMR和PT相應時間內的參數值，帶入式（4），（5），得到Q 和P，這里計算Q 和P 的殘差，設為ΔQP，并與0 進行比較。圖7 為從節點故障診斷結果仿真圖。 由圖7 可知：在6 s 之前， 網絡通訊良好； 在6 s 之后，Q>P，即ΔQP>0，超出閾值1，系統節點出現通訊故障，這里只要找出P 中的序號n*，即可知道群落中從節點的故障風機；系統在9 s 時，超出閾值2 的值，分布式風電無線通訊節點處于嚴重失控， 損壞程度進一步加深，須采取必要控制的措施。

圖7 從節點故障診斷結果仿真圖Fig.7 Simulation diagram of fault diagnosis of slave node

主節點故障診斷： 本文選擇了圖5 群落1 中的故障主節點， 群落1 中的鄰邊從節點和群落2的鄰邊從節點進行鄰節點跨群檢測。 群落1 中從節點分別發射心跳給故障主節點和群落2 中的從節點，兩節點分別對群1 從節點進行心跳應答。對分布式心跳機制的主節點進行仿真測試， 進行主節點的診斷，TQˉ，TLˉ曲線如圖8 所示。

圖8 主節點故障診斷仿真圖Fig.8 Simulation diagram of fault diagnosis of slave node

將分布式參數Ts=230 ms，TL=230 ms，λ=9×10-4ms 代入式（7）得到閾值E（TQ）+TL=470 ms。 再將由圖8 得到的，值帶入+， 并與閾值E（TQ）+TL進行比較。表1 為主節點應答時間。 由表1 可知，在第8 秒時，主節點返回心跳應答時刻超出閾值，由此判斷主節點發生故障。

表1 主節點應答時間表Table 1 Master node reply schedule

續表1

為測試心跳檢測算法的優越性， 將其和傳統的通信故障檢測算法進行比較（圖9）。 由圖9 可知，隨著故障節點率的增加，網絡拓撲節點診斷的正確率呈下降趨勢， 且基于傳統的通訊故障檢測算法在節點故障率為30%左右時，診斷精確度降幅較大， 其原因是輸出懷疑和信任的二值性的結果，并且過度依賴鄰居節點的狀態。 因此，本文提出的分布式心跳機制檢測算法的節點故障診斷，使得診斷變化較平穩，診斷精度更高。

圖9 心跳檢測算法與傳統的算法故障正確率比較圖Fig.9 Comparison of fault accuracy between heartbeat detection algorithm and traditional distributed algorithm

4 結論

針對海上風電機組分布式控制系統機組故障診斷與定位難的問題， 本文提出了基于群落劃分和心跳檢測pull 算法的分布式故障診斷和定位策略， 并通過實驗與仿真驗證了此方案的可行性和適用性。相對于傳統的通訊檢測算法，此方案先將風電場進行群落劃分， 并在不通過基站的情況下， 僅通過與鄰節點的心跳發射和心跳返回進行自動的主從節點診斷與定位。該方法簡潔有效，檢測準確率高， 在處理分布式診斷與定位方面具有一定的創新性和優越性。