基于非線性狀態評估的風電場箱式變壓器故障預警系統研究

高菊輝，史石磊

(北京國電思達科技有限公司，北京 100039)

風能作為一種清潔、可再生的綠色能源，近年來一直處于蓬勃發展階段，風電裝機規模持續擴大。據國家能源局統計，截止2020年12月底，我國風電總裝機超過2.2億kW，位居世界第一。在風力發電事業飛速發展的背后，也存在巨大問題。由于風電機組長期工作在惡劣的自然環境中，導致某些部件故障率顯著增加，嚴重影響發電量和電能質量。作為風電機組并網端和風場主變壓器的電力連接樞紐，風電35kV箱式變壓器在風力發電中起著重要作用，一旦出現故障將嚴重影響發電量，降低風電場收益。

近年來，在箱式變壓器的狀態監測與故障診斷方面已取得大量研究成果，并已廣泛應用于實際項目中。沈曉峰等人基于物聯網架構設計研發了一套箱式變壓器智能監測系統，實現了箱式變壓器運行狀態在線監測、故障預警等功能。文獻[9]通過研究一種智能型的風電場監控系統，實現了對風場箱式變壓器的集中控制和監測。鄭麗娟等人提出了基于物聯網信息集成的箱式變壓器綜合監控系統，以箱式變壓器綜合監控裝置為核心，用模塊化的設計思想，實現箱式變壓器多種監測信息的采集、分析、顯示、控制、報警等功能。

風場箱式變壓器故障預警診斷模塊基于現場數據的實時采集，數據泛化處理、數據儲存；基于采集的海量現場數據，通過對箱式變壓器運行數據分析，構建基于非線性狀態估計的故障預警模型，實現箱式變壓器故障預警、異常結果推送以及處理意見指導等功能；系統具有離線數據導入的功能，可以對離線數據進行分析，實現不同型號、不同運行工況、不同場域內的箱式變壓器故障預警及分析。

1 系統框架

預警系統采用基于非線性狀態估計的箱式變壓器故障預警方法，屬于機器學習方法，從有耦合關系的多維數據中有效預測目標參數，最終使用固定閾值預警策略預警目標箱式變壓器是否存在隱患故障，為風電場的運維人員提供運維決策支撐。

箱式變壓器故障預警策略可由在線部分和預測模型生成兩部分組成，圖1的左側為預測模型生成部分，右側為在線故障預警部分。

圖1 基于非線性狀態估計的箱式變壓器故障預警框架

預測模型部分順序為：首先將數據中的錯誤數據剔除，然后使用NSET算法生成箱式變壓器參數預測模型，使用離線數據測試基于NSET的參數預測模型，得到健康狀態下的箱式變壓器殘差，基于健康數據的箱式變壓器殘差確定故障預警閾值。

在線部分故障預警的流程順序為：使用獲取的SCADA實時數據經數據預處理與NSET參數預測模型，得到實時值的估計值，計算實時值與預測值兩者之差作為預警策略的統計樣本，最后判斷當前殘差是否超過離線部分生成的閾值，根據判斷結果預警潛在故障。如果當前殘差超出閾值，判斷為箱式變壓器有潛在故障，如果沒有超出閾值，說明目標箱式變壓器當前運行狀態比較穩定，無潛在故障，可繼續監測箱式變壓器運行參數。

2 NSET故障診斷方法

非線性狀態評估是由Singer等人提出的一種基于數據驅動的非參數、非線性經驗建模方法。當前，非線性狀態估計法已廣泛應用于設備狀態監測、傳感器校驗、電子器件壽命預測、故障預警等領域。文獻[16]利用非線性狀態估計法建立風電機組齒輪箱溫度預測模型，結合滑動窗口技術實現了齒輪箱的早期故障預警和實時在線狀態監測的目的。文獻[17]在定性分析的基礎上，采用非線性狀態估計方法建立了風電機組正常工況下的塔架模型，為基于振動的狀態監測和早期故障診斷奠定了基礎。文獻[18]提出基于非線性狀態估計的風電機組變槳控制系統故障識別，可有效識別出主、次故障，幫助風電場運維人員確定檢修順序。

將非線性狀態估計法運用于風場箱式變壓器早期故障預警的基本思路為：從正常工作狀態下產生的SCADA數據中選出一部分狀態參數構成過程記憶矩陣，使其能夠覆蓋箱式變壓器的全部正常工作狀態，利用建立的NSET模型達到預測輸出的目的。NSET建模參量包括：系統總體觀測矩陣P、訓練矩陣K、記憶矩陣D、觀測矩陣Xobs、預測輸出矩陣Xest。

系統總體觀測矩陣Pn×b如下所示：

式中，b為觀測向量的時間標簽，n為觀測向量的參數個數。

從總體觀測矩陣P中選取一段時間的參數作為訓練矩陣K，被選取出的參數均是正常工況下產生的數據。

從訓練矩陣K中選出m個觀測向量組成過程記憶矩陣D。

NSET模型的輸入為某一時刻觀測向量Xobs，輸出為預測向量Xest。對于任意一個輸入的觀測向量Xobs，NSET模型都將產生一個m維的權值向量W。權值向量W是一個列向量且維數于輸入的觀測向量相同，W形式如下：

使得：

設NSET模型輸入與輸出的殘差為ε，對殘差進行極小化處理：

由式（7）可知，DT?D可逆是權值向量W存在的前提條件，為增強NSET模型可用性，選擇Eucliden距離作為DT和D間的非線性運算符，即：

則系統當前狀態估計矩陣為：

在正常工況下，模型的輸入值和過程記憶矩陣中的某些向量非常接近，從而會得到一組與實際值誤差較小的預測值，所以殘差值也比較小；相反，如果輸入NSET模型的實際值是箱式變壓器在發生故障或有潛在故障時產生的數據，那么這些值將與過程記憶矩陣中的觀測向量有較大偏離，預測精度下降，導致殘差值變大。因此，根據殘差的變化設定閾值，當殘差多次、持續地超出閾值時判定為箱式變壓器工作異常，從而實現了箱式變壓器的故障預警。

3 方法實現

3.1 NSET建模變量選取

為建立NSET預測模型，首先需要選取出建模變量。在正常運行狀態下，箱式變壓器參數之間蘊含著特定的數據結構和分布規則，為實現箱式變壓器的故障預警診斷，以油溫為主，其他參數為輔，對箱式變壓器的運行狀態進行綜合判斷。本文選擇A相電流、B相電流、C相電流、A相電壓、B相電壓、C相電壓、箱式變壓器油溫為NSET的建模參數。

3.2 數據預處理

數據預處理是箱式變壓器故障預警算法的關鍵一步，包含兩部分內容：去除異常值和數據歸一化。由于設備故障和在測量、傳輸、保存數據時出現錯誤等原因，SCADA數據中會包含大量的異常數據，為提高建模精度，在使用SCADA數據之前需要進行數據清洗，去除異常值。為消除SCADA數據不同變量之間屬性和量綱的影響，需在建模之前對訓練集數據進行歸一化處理：

3.3 構造過程記憶矩陣

正常工況下，風場箱式變壓器的每一個觀測向量Xobs都由上述6個變量參數組成，并且訓練矩陣K中的所有觀測向量已被歸一化處理。對于每個變量，將其歸一化后的最小值到最大值等分為300份，即：

式中，si為第i個變量的步距，和分別為歸一化后第i個變量的最大值與最小值。

以其中一個變量A相電流為例，以s1為步距從訓練矩陣中選取出若干個觀測向量添加到過程記憶矩陣D中，添加流程如圖2所示。

圖2 過程記憶矩陣構造流程

圖中，δ為一個小的正數，此處取0.001，M為訓練矩陣K的變量個數。剩余的5個箱式變壓器參數，均采用圖2所示的流程，從訓練矩陣中選擇符合條件的觀測向量添加到過程記憶矩陣中。通過此方法構造的過程記憶矩陣，能夠很好地覆蓋風場箱式變壓器的正常工作空間，較好的表征正常工作狀態下的箱式變壓器特征，此流程完成之后，就可由式（9）建立NSET模型，對新輸入的觀測值進行預測。

3.4 正常狀態下模型測試

利用上述建立的非線性狀態估計箱式變壓器故障預警模型，驗證模型的精度。選擇某風力機組的2018年9月26日至2019年11月18日狀態監測數據作為訓練數據，使用NSET算法生成箱式變壓器參數預測模型，對2018年11月19日至2018年11月28日的正常運行數據進行模型在線測試，并由此數據的殘差確定閾值，模型測試結果如圖3、圖4和圖5所示。

圖3 訓練數據NSET模型測試結果

圖4 11月19日~11月28日正常運行數據在線測試結果

圖5 11月19日~11月28日正常運行數據殘差統計圖

從圖3可以看出，本文所建立的箱式變壓器故障預警模型在訓練數據集上有著非常好的表現，預測值與實際值極為接近，此模型有著較高的精確度。圖4中，盡管風場箱式變壓器油溫的預測值大部分高于實際值，但油溫的預測曲線走勢和大體形狀與實際溫度曲線還是較為一致的，即實際值能較好地跟隨預測值。

將圖4中的原始數據與預測數據相減形成殘差統計圖，計算殘差的均值與均方根誤差，得到圖5，正常運行數據殘差序列的波動有一定規律性。其中兩條橫線為預警線，這兩條預警線是以均值為中心，正負三倍均方根誤差而得到的，即：

其中，Hε為殘差閾值；為殘差均值；Sε為均方根誤差。

3.5 故障狀態下模型測試

使用箱式變壓器故障狀態下SCADA數據形成油溫的殘差統計圖，并使用上述圖5中的兩條預警線作為殘差閾值，可得故障狀態下的預警圖，如圖6所示。

圖6 故障狀態下模型測試結果

從圖6可看出，異常狀態下，箱式變壓器油溫殘差在第300點附近首次超出閾值下限，在1000點左側開始頻繁超出預警線，并在第2200點以后反向超出預警線。在實際的箱式變壓器故障預警中，在1000點處就發出故障早期預警，此時距離發生故障有充裕的檢修時間，并且在箱式變壓器故障形成之前也有多次預警。

4 結語

基于非線性狀態估計方法的箱式變壓器SCADA數據故障預警模塊，能夠對箱式變壓器運行數據進行統計分析、特征值提取、態勢預警等基本分析。該方法能夠接收離線數據進行模型訓練和評估，接收實時數據對設備進行故障預測，可動態顯示各監測點數據變化情況，從多源海量數據中提煉出適用于箱式變壓器設備狀態評估的特征表達，基于快速建模故障預警策略，利用所建模型的歷史數據完成常態數據指標閾值的判定，通過當前監測指標與閾值比較，判斷潛在故障，實現對箱式變壓器運行狀態預測及故障預警和智能診斷分析。