風電機組功率特性劣化監測技術研究

付德義，孔令行

(中國電力科學研究院有限公司 新能源與儲能運行控制國家重點實驗室， 北京 100192)

1 引言

風電機組是典型的機械電氣耦合系統，內部結構復雜，結構部件種類繁多。結構部件本身的運行壽命特性，不可避免地出現老化現象，從而導致風電機組運行性能的下降。風電機組功率特性是機組最為關鍵的性能指標，它與風電機組發電量輸出直接相關。風電機組功率輸出特性劣化，直接影響風電機組發電量。長期服役的風力發電機組，由于自身元器件老化或故障引起的輸出功率特性劣化，導致風電機組乃至風電場發電量及綜合收益下降，目前已成為風電行業面臨的重要難題，針對風電機組功率特性開展劣化監測，以制訂針對性的應對策略顯得尤為重要。

截至目前，專家學者在風電機組功率曲線建模、分析與評價，結構部件故障監測與預警等方面開展了大量研究工作。郭鵬等[1]詳細分析了影響風電機組風能捕獲的因素，采用適合隨機數據建模的改進高斯過程方法建立多變量功率曲線模型，引入序貫概率比檢驗方法，分析模型預測功率的異常變化。劉琳等[2]為提高風電機組功率曲線的建模精度，利用偏互信息方法對影響機組風能捕獲的因素全面分析，采用隨機梯度提升回歸樹算法，實現多變量下的功率曲線建模。李航濤等[3]提出一種基于概率和離散度的數據處理方法，依據風速-功率數據在坐標系內的分布特征，采用完全縱向濾波和分段濾波對運行數據中的異常點進行去除，使繪制出的功率曲線更為精確。劉偉等[4]針對服役風電機組的在線評估問題，提出一種基于線性插值模型的風電機組服役性能指標計算及評估方法，包括線性插值模型的建立和服役指標的計算及評估等，最后運用風電機組SCADA(supervisory control and data acquisition system)數據進行驗證，證明方法的有效性。文獻[5-14]基于神經網絡算法、小波變換、深度學習等也開展了風電機組運行狀態監測相關研究。

但是對于長期處于在役運行狀態的風電機組功率輸出特性劣化監測方面，未見相應的研究和突破。風電機組功率輸出隨風速的變化而變化，呈現波動特性，大多仍按照機組設計功率曲線輸出模式運行。本文考慮同一風電場(假定所有機組型號、配置均相同)，相鄰區域內風電機組所處的環境條件和功率輸出特性具有較高的相似性，將多臺風電機組的功率輸出自動進行橫向比對，分析被監測風電機組的工作狀態。基于相鄰相同配置風電機組功率輸出特性的相似性和強關聯特性，提出一種基于非線性狀態估計的風電機組功率特性劣化監測方法，建立風電機組功率特性劣化監測模型，實現風電機組功率特性的劣化監測，為風電機組計劃運維檢修與優化技改提供技術支撐。

2 風電機組功率特性及其劣化分析

風電機組功率特性主要運用功率曲線，即風速-功率曲線表征，具體可以表示為：

P(v)=f(v)=0.5ρAv3Cp(λ,β)

(1)

(2)

(3)

A=A0cos(φ)

(4)

其中，v為區間平均風速(m/s)；ρ為空氣密度(kg/m3)；A為葉輪對風投影面積(m2)；Cp(λ,β)為功率系數，無量綱；λ為葉尖速比，無量綱；β為葉片槳距角(rad)；ω為葉輪轉速(rad/s)；R為風電機組葉輪半徑(m)；A0為葉輪掃掠面積(m2)；φ為偏航誤差角度(rad)。

由式(1)可以看出：風電機組的功率曲線與風電機組的控制特性直接相關，對于同一風電場，假定安裝的風電機組型號、配置均相同，在不考慮尾流、湍流影響等理想情況下，某一特定時間范圍內，各個風電機組的輸出功率應相同。風電機組表現出來的功率特性應當與設計功率曲線基本吻合。

但實際上，同一風電場不同位置處的風電機組受到尾流、湍流、入流角度等綜合影響，同一時刻不同位置處的風電機組輸出功率有較大差別。隨著風電機組服役時間的增加，機組各結構部件老化的程度也逐漸增大。結構部件老化直接導致風電機組出力性能下降，即功率特性劣化。功率特性劣化具有變化速度慢、幅度小、持續時間長等特點，簡單的運用功率輸出特性是否在其正常設計功率曲線上下限區域之間的方法來判斷風電機組功率特性是否發生劣化，無法達到理想的效果。

圖1為某3 MW雙饋型風力發電機組劣化前后功率曲線。

圖1 劣化前后風電機組功率曲線

特別地，針對該3 MW風電機組，假定該風電機組所處區域年平均風速為6.5 m/s，則當機組功率曲線劣化2%時，年發電量損失約為2%，即風電機組功率特性劣化對機組發電量具有顯著影響。

3 風電機組功率特性劣化建模

3.1 功率特性劣化監測原理與基本假設

一般而言，同一風電場內配置的風電機組型號、配置基本相同。以一個典型50 MW風電場為例，一般配置同一制造商同一型號的33臺1.5 MW機組或25臺2 MW機組。這些參數配置類似或相同的風電機組，分布在風電場不同的區域。對于地形特征相似且地理位置相近的多臺機組，其外部環境條件特性，如風速、空氣密度、湍流、入流角度、風切變等均具有很強的相似性和相關性。在外部環境條件特性相似的基本前提下，處于該區域內相鄰風電機組的運行狀態和功率輸出特性也是相似的。可以將地理位置相鄰且型號配置相同的風電機組歸納為一個風電機組簇。

假設同一簇內各風電機組運行正常且穩定，則簇內各風電機組在不同外部環境條件下的功率輸出特性關系是穩定的。風電機組功率特性劣化監測，如果僅僅考慮被監測風電機組本身輸出特性，往往不能及時發現異常。但如果將其放到同一風電機組簇內的相關關系參照系中統籌考慮，當簇內的被監測風電機組功率輸出特性出現異常時，這種異常將會破壞其與所屬簇內其余風電機組功率輸出特性之間的相似或關聯關系。

運用正常運行狀態下簇內各風電機組功率輸出特性數據，即簇內各風電機組同一時間范圍內的輸出功率，建立簇內風電機組功率輸出關系模型。該模型的輸入為簇內所有風電機組各歷史時刻的功率數據，輸出為簇內所有風電機組的功率預測輸出。關系模型主要表征簇內機組正常工作時的輸出特性之間的相似關系，當被監測風電機組功率輸出特性出現異常時，其實際功率輸出值與簇內其他風電機組功率輸出之間原有的相似關系發生改變，相似關系模型對功率輸出的預測值將會顯著偏離實測值，預測殘差增大，即表示風電機組功率輸出特性發生變化，從而實現風電機組功率輸出特性的劣化監測。

本文運用同一簇內各風電機組歷史運行數據，建立了基于非線性狀態估計的風電機組功率輸出特性監測模型。風電機組功率特性劣化監測過程，如圖2所示。

圖2 風電機組功率特性劣化監測流程框圖

3.2 基于改進非線性狀態估計的劣化監測

非線性狀態估計(nonlinear state estimate technology，NSET)由Singer等提出，是一種非參數化建模分析方法。該方法在大型旋轉機械設備運行狀態評價與特性監測方面有較為廣泛的應用。基于非線性狀態估計技術的狀態監測關系模型的建立，關鍵在于過程記憶矩陣的構造。假設某一被監測過程存在m個相互關聯的測量節點，則在某一時刻m個測量物理量可以表述為

(5)

式(5)中，i表示某一時刻。考慮到在風電機組正常工作時間段內，簇內機組的內在關聯特性相對穩定。收集某個時間段內，不同外部環境條件下的n個歷史觀測向量，從而形成這個過程對應的關系記憶矩陣MR。

(6)

被監測設備的一個正常工作狀態對應過程記憶矩陣的一列觀測向量。設備或系統正常運行完整動態過程可以用過程記憶矩陣中的m個歷史觀測向量來表征。構造過程記憶矩陣的本質是對設備或系統正常運行過程中內外在特性學習與記憶過程。

以某時刻被監測設備的觀測向量Xobs作為非線性狀態估計模型的輸入，相應的，模型的輸出即為該輸入參量對應的預測向量Xpre。對于任意給定的觀測向量Xobs，非線性狀態估計模型將生成一個維度為m的權值向量W：

(7)

使得：

Xpre=MR·W=w1·X(1)+w2·X(2)+

w3·X(3)+…+wm·X(m)

(8)

過程記憶矩陣中m個觀測向量的線性組合是NSET模型預測的輸出。其中，權值向量W可以通過下列方法予以確定。構造得到的NSET模型輸入與輸出預測向量之間的殘差可以表述為

ε=Xobs-Xpre

(9)

極小化處理殘差，得到：

(10)

式(10)中：?為非線性運算符，用來替代矩陣運算中的乘法運算。該算子主要用來計算2個向量之間的相似程度。向量相似度的計算有多種方法，如歐氏距離(Euclidean Distance)、余弦相似度(Cosine Similarity)、杰卡德距離(Jaccard Distance)等。其中，歐氏距離法基于向量上對應各點之間的絕對距離來判斷向量的相似性，但是對于向量方向上的相似性欠缺考慮；余弦相似度則主要從兩個向量的方向夾角方面計算向量之間的相似性。考慮同一簇內風電機組功率輸出值在絕對值上存在關聯性，且由于受到尾流影響，各個觀測向量在方向上也存在相似性，因此本文選取的運算符兼顧了兩向量間的歐氏距離和余弦相似度：

(11)

(12)

?(X,Y)=min(1-CS(X,Y),ED(X,Y))

(13)

非線性運算符?表征的是兩個物理量之間真實關系的遠近。當非線性運算符運算得到的距離為0或接近0時，表明當前兩向量是相同或相似的，非線性運算的結果越大，表明兩向量之間的差異也越大。

NSET模型輸入觀測向量與過程記憶矩陣中各向量的內在相關與相似特性，由式(10)中的權值向量W表征。NSET模型對被監測過程或設備預測的最終結果可以運用式(10)與式(8)的代入運算得到：

(14)

當被監測的設備或系統工作于正常的狀態時，NSET的輸入觀測向量將會處于過程記憶矩陣所表征的正常工作空間范圍內，即與MR記憶矩陣中的某個觀測向量的非線性運算距離較近，相應的，其NSET的預測值Xpre具有較高的精度，殘差也較低。一旦被監測設備的工作狀態或特性發生改變，這種動態特性的突變，將導致NSET模型運算輸出的觀測向量偏離正常工作空間范圍，也即通過MR矩陣中歷史觀測向量的組合，無法構造對應的精確預測值，進而導致實際觀測值與預測值之間存在較大的殘差。

4 風電機組功率特性劣化監測案例

本文運用江蘇省響水縣某海上風電場歷史運行數據進行建模分析。該風電場安裝有18臺3MW海上風電機組，并網運行時間超過5年。隨著風電機組在役運行時間的不斷增加，個別風電機組(如3號機組)功率輸出特性發生劣化現象，本案例以3號機組作為功率特性劣化監測對象，對基于非線性狀態估計的風電機組功率特性劣化監測方法進行驗證。該風電場內風電機組分布，如圖3所示。

圖3 風電機組排布示意圖

考慮風電場內機組地理位置分布特點，為了對3號機組進行功率特性劣化監測，將1～5號機組定義為一個風電機組簇。根據自并網運行之日起1年(2014年7月18日—2015年7月17日)的完整數據作為輸入數據，建立5臺風電機組的功率輸出關系模型，后續將該模型用于監測3號機組之后的功率輸出特性情況。

在相關關系模型建立之前，對該簇內的5臺風電機組運行數據進行清洗，主要包括時標清洗、單臺機組瞬態過程數據、限電運行數據以及停機數據濾除等。本文收集到的簇內5臺風電機組功率特性數據160 242條，數據清洗濾除后，剩余有效數據60 035條。

圖4、圖5給出了數據濾除前后，1號機組功率特性數據。

圖4 1號風電機組功率特性散點圖(清洗前)

圖5 1號風電機組功率特性散點圖(清洗后)

為了降低數據維度對于監測模型精度的影響，對清洗后的歷史運行數據進行歸一化處理，將功率數據歸一化到[0,1]范圍，歸一化過程如下式：

(15)

式(15)中，pnorm,i為歸一化后的功率；pmax為功率歷史數據最大值；pmin為功率歷史數據最小值；pi為某個10 min功率歷史數據。1號機組功率特性散點歸一化后，如圖6所示。

圖6 1號風電機組功率特性散點圖(歸一化后)

圖7給出了正常運行期間同一簇內各風電機組功率輸出的時序曲線，結果表明個機組的功率輸出趨勢和過程具有較強的相關性。

圖7 簇內風電機組功率特性時序曲線

為了進一步的對用于記憶矩陣建模的數據自檢的相關性進行定量分析，本文采用相關系數法，分析計算簇內各風電機組功率輸出之間的相關系數。相關系數越大，相關程度越高。

表1給出了簇內風電機組功率輸出p1～p5的相關系數矩陣。

表1 簇內風電機組功率特性輸出相關系數矩陣單元

表1的結果表明，該簇內5臺風電機組功率特性輸出之間的內在相關系數均在0.6～1.0根據相關系數法理論的相關定義，表明各機組功率輸出特性是強相關的，這也為后續基于非線性狀態估計的功率特性劣化監測建模提供了基礎。

將簇內各臺風電機組每隔10 min的輸出功率，記為一個功率觀測向量：

(16)

式(16)中，P1到P5分別表示1～5號機組輸出的功率。

將本文收集的60 035個歷史觀測向量，分成兩部分，一部分(40 000個)用于形成NSET模型的過程記憶矩陣M，另一部分數據用于模型驗證。

(17)

基于該記憶矩陣，運用式(8)和式(10)描述的方法，對3號風電機組之后的功率特性輸出情況進行預測。圖8給出了2015年7月17日之后一段時間，運用NSET模型得到的3號機組功率輸出預測值和實際觀測值。

圖8 3號風電機組功率預測值與觀測值曲線

圖9給出了3號機組運用NSET模型得到的預測值與觀測值之間的殘差情況。

圖9 3號風電機組功率預測值與觀測值殘差曲線

繼續將該監測模型應用到后續的功率特性數據，可以觀測到，該風電機組功率輸出殘差特性發生變化，如圖10所示。

圖10 3號風電機組功率預測值與觀測值殘差曲線(異常)

綜合對比圖9和圖10的結果分析，當3號機組功率輸出特性未出現劣化時，模型預測功率輸出與實際觀測到的輸出之間的殘差較小，維持在0.5%以內；當3號機組功率特性輸出出現異常或劣化時，原有的簇內機組功率輸出相關關系被破壞，模型預測功率輸出與實際觀測到的輸出之間的殘差增大，超出正常水平，且呈現正向增大的趨勢，即表明風電機組實際輸出與模型預測輸出之間的差距逐漸加大，風電機組功率輸出特性出現劣化。

5 結論

基于地理位置相鄰、機型配置相同的風電機組在某一連續時間范圍，功率輸出應當具有較強的相似性和相關性這一基本假設，運用非線性狀態估計技術，采用改進歐式距離相似性算法，建立風電機組功率特性劣化監測模型能夠對風電機組功率特性劣化進行及時有效的監測與預測，具有普遍適用性，尤其對于海上風電機組。