大數據處理技術在風電機組故障診斷及預警中的應用

吉慶昌 邸英杰 陰兆武 張冬梅

【摘? 要】針對風電機組運行中狀態監測的特點和開展計劃性維護與維修的需求，論文應用大數據處理技術設計了一種風電機組故障診斷及預警系統。系統集成了基于風電機組海量運行狀態監測數據的數據采集、數據挖掘、機器學習等技術，由數據采集與匯聚、數據挖掘與計算、狀態展示與應用3個子系統組成，可以自動地計算出反映機組運行狀態的特征值，將不同的特征值進行邏輯組合可實現不同故障的診斷與預警，以便對風電機組開展計劃性維護與維修。

【Abstract】According to the characteristics of condition monitoring in wind turbine operation and the needs to carry out planned maintenance and repair， the paper applies big data processing technology to design a fault diagnosis and early warning system for wind turbine. The system integrates data acquisition， data mining， machine learning and other technologies based on the massive operation condition monitoring data of wind turbine. It is composed of three subsystems： data acquisition and aggregation， data mining and calculation， condition display and application， which can automatically calculate the eigenvalues reflecting the operation condition of the turbine. The logical combination of different eigenvalues can realize different fault diagnosis and early warning， so as to carry out planned maintenance and repair of wind turbine.

【關鍵詞】風電機組;故障預警;大數據處理技術

【Keywords】wind turbine; fault early warning; big data processing technology

【中圖分類號】TM315? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻標志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號】1673-1069（2021）10-0179-03

1 引言

風能作為一種清潔能源，相對于其他可再生能源，在經濟效益、技術成熟度、基礎設施建設等方面具有明顯優勢，它是全球發展較為迅速的新能源發電技術[1]。面對日趨嚴峻的碳減排形勢，為早日實現碳達峰和碳中和目標，我國風電裝機規模繼續保持穩步增長。由于對風能的特殊需求，我國的風電場多分布在哈密、蒙東和蒙西、河北壩上、東南沿海島嶼等偏遠地區。另外，隨著風電機組使用年限的增長，各種故障頻發，于是對風電機組的運行狀態進行在線監測，實現故障診斷與預警，開展計劃性維護與維修顯得越來越重要。

風電機組在線監測與故障診斷技術對于及時了解機組的運行狀態、對機組故障進行預警、有針對性地開展設備維護、減少突發性故障和提高設備利用率都具有重要的現實意義。國外學者對于風電機組故障診斷的研究開展得比較早，并且在發電機、齒輪箱等方面研究得比較深入，研究方法主要是通過分析風電機組的輸出功率信號達到故障診斷的目的。Mari Cruz Garcia等人從健康管理的角度提出了風電機組故障預警的智能系統，可以評估風電機組的健康狀況，并診斷其故障類型[2]。

國內學者對風電系統故障診斷的研究起步比較晚，其中的一個研究方向是通過在風電機組上安裝大量的傳感器以獲得振動數據，再利用振動分析方法監測傳動鏈（齒輪箱）的運行狀態，并進行故障診斷[3-5]。隨著我國風電裝機規模的持續擴大，風電機組運行狀態監測和故障診斷預警的需求不斷增長，其監測數據出現了多源異構、數據量大、增長迅速的電力大數據特點[6]。傳統的故障診斷與預警方法在處理風電機組運行狀態監測大數據時，難以在保證精度的情況下進行快速處理。隨著大數據處理技術的不斷成熟，其在電力系統狀態監測領域的研究與應用開始起步[7]。錢進、曲朝陽等人為了處理離散型大數據，利用MapReduce編程模型對傳統的粗糙集屬性約簡算法進行了并行化改進[8，9]。曲朝陽等人設計了基于MapReduce的MPApriori算法，可以在海量廣域測量系統電網數據中挖掘出連鎖故障各站點之間的關聯，可以很好地處理海量數據[10]。

本文針對目前風電機組狀態監測與故障診斷技術的實際情況和現實需求，利用大數據處理技術，通過建立數據采集與匯聚、數據挖掘與計算、狀態展示與應用3個子系統，可以實現對風電場內風電機組的運行狀態的實時監測、設備異動的實時監測、典型故障實時診斷與預警和設備運維的輔助決策等功能。

2 機組結構

風電機組主要由風輪、葉片、變槳距系統、傳動系統、齒輪箱、發電機、電氣系統、控制系統、傳感器、剎車系統、液壓系統和偏航系統等幾部分構成，其結構如圖1所示[11]。風推動葉片轉動，風能通過風輪轉換成機械能，再借助主軸、齒輪箱等傳動系統帶動發電機轉動，從而將機械能轉換成電能，最后通過變頻器接入電網，實現風力發電。

風電機組在運行過程中，風速的不穩定性造成葉片受到短暫且頻繁的沖擊載荷，這種沖擊會附加到傳動系統的各個相關部件。隨著時間的推移，這些部件會出現各種故障，其中發電機、齒輪箱以及連接軸故障率比較高，嚴重影響風電機組的正常運轉。根據神華國華能源投資有限公司的數據統計，發電機、主軸和齒輪箱的故障占總故障次數的18%，但從停機的時間上統計占到了68.7%。齒輪箱的損壞對于風電場發電量和維護成本影響很大，如何保證齒輪箱、發電機等機械零部件的可靠性，做到預防性維護，已經成為亟待解決的問題[12]。

本文通過在風電機組主軸承座、齒輪箱、發電機的選定位置安裝振動傳感器、轉速計等，結合數據采集裝置、光纖通信設備構成在線監測系統。由于風電場風機數量眾多，例如，一個裝機300臺機組的風電場，安裝的傳感器數量多達幾千個，這些傳感器的監測數據，結合SCADA、GIS數據構成預警平臺的數據感知層。由于不同廠家生產的不同年代、不同型號的風電機組可能使采集的數據類型、位數和存儲格式等產生差異，同時，需要以秒級周期從風電機組眾多傳感器采集數據寫入服務器，因此，形成了量大、多源、異構、復雜、增長迅速的風電機組狀態監測大數據。

3 系統設計

基于大數據處理技術的風電機組故障診斷及預警系統利用大數據的相關理念與技術手段來采集和管理不斷增多的現場數據，按照風電機組狀態監測大數據的處理順序從下到上分為3個子系統，分別是數據采集與匯聚、數據挖掘與計算、狀態展示與應用子系統，3個子系統之間依靠數據服務總線進行數據交互，構成一個分布式大數據加工平臺，實現風電機組故障診斷與預警功能。其架構如圖2所示。

數據采集與匯聚子系統位于最底層，是系統的感知層。其硬件平臺由部署在風電場的若干機架式服務器和數據采集裝置組成，規模可以根據機組數量進行擴展;軟件平臺可以實現數據采集、數據同步、編碼轉化與存儲、數據管理與接口等功能。該子系統通過數據采集裝置接收安裝在風電機組上的傳感器數據，服務器將傳感器數據和SCADA、GIS數據匯聚后按照KKS進行編碼同構后儲存到數據庫中，以便于數據挖掘與計算子系統進行訪問和調取。

數據挖掘與計算子系統位于中間層，是系統的處理器。它是實現系統各項功能的核心部件，通過在線調用感知層的監測數據分發給各算法模塊，完成特定指標量和特征值的加工與處理，將計算結果匯總后存入該子系統的數據平臺，以供應用層調用。各算法模塊是根據風電機組故障診斷與預警專門開發的判斷故障類型以及變化趨勢的專用算法，算法可根據需求定制和二次開發，從而實現風電機組運行狀態的在線監測、設備狀態評價、劣化趨勢分析和故障診斷與預警等功能。

狀態展示與應用子系統位于最外層，是交互可視化的數據分析與展示平臺。使用者可以根據分析場景，快速搭建數據指標分析儀表盤，以一種直觀友好的方式展現風電機組的實時工作情況、運行狀態以及故障趨勢等。該子系統是數據挖掘與計算子系統中各算法模塊的結果展示層，使用者可以接入不同算法模塊的計算結果數據，無需編寫代碼，可以自由定制不同分析數據的儀表盤、線圖、柱圖、波形分析圖等。

4 算法開發

本文提出的基于大數據處理技術的風電機組故障診斷及預警系統的核心是數據挖掘與計算子系統的設計。該子系統采用流式算法模塊的設計，能夠實時調用感知層的監測大數據，通過專用算法分析風電機組運行狀態、健康指標，還可以利用感知層的歷史數據預測指標的變化趨勢，實現風電機組的故障診斷與預警功能。

通過風電機組振動數據、SCADA和GIS數據綜合分析其運行狀態，實現故障診斷與預警是一項比較復雜的工程，目前，廣大學者在機理研究建立故障模型方面取得了一些成就，但由于現場各種干擾的存在、工況的不同，在實際應用上還沒有完全普及。所以利用大數據處理技術，通過機器學習的方式長期、連續從海量監測大數據中自動對風電機組振動數據進行在線分析，再結合SCADA、GIS數據獲得有價值的特征信息，通過健康指標機理模型推斷出故障原因，實現設備實時故障診斷，便有了比較大的應用空間。其執行流程如圖3所示。

系統根據常見故障類型，以感知層海量大數據為基礎，對風電機組的工況基礎數據進行網格劃分，以方便數據挖掘與計算子系統中算法模塊的高效調用。各算法模塊通過提取不同工況的網格數據，經過機器自學習功能，訓練算法模型直至算法模型收斂。系統通過統計振動數據各頻率成分的隨機分布規律提取特征值，確定風電機組在正常運行時振動測點健康運行區間。當風電機組運行的一個或多個振動測點值在某特定網格下偏離健康運行區間或出現單方向持續變化，則判定設備異動，給出預警信息，確定故障位置，實現故障診斷與智能預警的功能。表1是系統目前實現的風電機組主要故障類別及判定方法。

5 系統驗證

為驗證系統的可行性，對某風電廠原有機組在線振動監測和診斷分析系統進行了改造。原系統只有當某個測點測值超過設定的報警值時向外發布報警，不能提前預測可能存在的故障或在運行中長期跟蹤機組運行狀態的變化。改造的基于大數據處理技術的風電機組故障診斷與預警系統從實際需求出發，在現有設備基礎上獨立添加了通信設備、服務器設備，不影響原有設備或系統的運行安全，并且通過手動設置故障驗證了系統的有效性。系統可以實現的故障預警監測點及實時數據值如圖4所示，人為設置故障及其預警信息展示如圖5所示。

6 結語

本文在分析風電機組故障診斷與預警技術現狀的基礎上，根據狀態監測大數據的特點和開展計劃性維護與維修的需求，設計了一種應用大數據處理技術的風電機組故障診斷及預警系統。該系統可以自動從海量的監測數據中挖掘出反映機組運行本質的特征值，從而對機組設備進行異動檢測，不同的特征值進行邏輯組合可實現不同的故障診斷，從而達到運維輔助決策功能。其創新性在于：

①在現有風電機組振動監測和診斷系統基礎上開發了大數據挖掘與計算平臺，通過對風電廠機組振動數據、SCADA和GIS數據進行處理，完成了基于大數據處理技術的風電機組故障診斷與預警系統的設計與實現。

②系統提供的專用開放式大數據挖掘與計算平臺，能夠積累故障樣本，從而獲得不同運行參數之間的關聯，實現診斷模型的更新與重構，有利于應對不同的故障情況。

【參考文獻】

【1】何曉龍，楊靜靜.儲能技術在風力發電中的應用[J].建筑工程技術與設計，2018（32）：647.

【2】Mari Cruz Garcia，Miguel A.Sanz-Bobi，Javierdel Pico.SIMAP： Intelligent System for Predictive Maintenance： Application to the health condition monitoring of a windturbine gearbox[J].Computers in Industry，2006，57（6）：552-568.

【3】王瑞闖，林富洪.風力發電機在線監測與診斷系統研究[J].華東電力，2009，37（1）：190-193.

【4】蔣東翔，洪良友，黃乾，等.風力機狀態監測與故障診斷技術研究[J].電網與清潔能源，2008（9）：40-44.

【5】唐新安，謝志明，王哲，等.風力機齒輪箱故障診斷[J].噪聲與振動控制，2007（1）：120-124.

【6】薛禹勝，賴業寧.大能源思維與大數據思維的融合（一）大數據與電力大數據[J].電力系統自動化，2016，40（1）：1-8.

【7】周國亮，朱永利，王桂蘭，等.實時大數據處理技術在狀態監測領域中的應用[J].電工技術學報，2014，29（S1）：432-437.

【8】曲朝陽，陳帥，楊帆，等.基于云計算技術的電力大數據預處理屬性約簡方法[J].電力系統自動化，2014，38（8）：67-71.

【9】錢進，苗奪謙，張澤華，等.MapReduce框架下并行知識約簡算法模型研究[J].計算機科學與探索，2013，7（1）：35-45.

【10】曲朝陽，朱莉，張士林.基于Hadoop的廣域測量系統數據處理[J].電力系統自動化，2013，37（4）：92-97.

【11】張文秀，武新芳.風電機組狀態監測與故障診斷相關技術研究[J].電機與控制應用，2014，41（2）：50-56+63.

【12】任玉亭.振動監測技術在風力發電機組的應用[J].內蒙古電力技術，2010，28（2）：8-12.