基于大數(shù)據(jù)分析的風(fēng)電機(jī)組健康診斷研究

史春城

（中國(guó)電建集團(tuán)山東電力建設(shè)第一工程有限公司，山東 濟(jì)南 250102）

引言

為了克服能源危機(jī)，解決日益突出的環(huán)境污染問題，風(fēng)能逐漸受到人們的廣泛關(guān)注[1-2]。截至2020年底，全球風(fēng)電裝機(jī)容量達(dá)到5.26億kW[2]，進(jìn)一步說明新能源發(fā)電比重逐步提高。研究海量狀態(tài)檢測(cè)數(shù)據(jù)的智能清洗、智能診斷和故障評(píng)估方法，實(shí)現(xiàn)基于多源信息融合的大數(shù)據(jù)預(yù)測(cè)分析和智能維護(hù)，是風(fēng)電機(jī)組健康管理的重要趨勢(shì)[3]。據(jù)統(tǒng)計(jì)，風(fēng)電機(jī)組的故障主要集中在葉片、齒輪箱、主軸、發(fā)電機(jī)、變頻器等部件上[4]。風(fēng)電機(jī)組狀態(tài)檢測(cè)技術(shù)的發(fā)展趨勢(shì)是選擇合理有效的檢測(cè)和監(jiān)測(cè)模式，實(shí)現(xiàn)故障診斷和故障預(yù)測(cè)。

1 風(fēng)電機(jī)組狀態(tài)檢測(cè)和監(jiān)測(cè)存在的問題

風(fēng)力渦輪機(jī)通常位于偏遠(yuǎn)、不方便、惡劣的郊區(qū)，機(jī)艙安裝于高空，這使得風(fēng)電機(jī)組的日常運(yùn)行狀態(tài)難以檢測(cè)，維護(hù)費(fèi)用昂貴[5]。在工作過程中，轉(zhuǎn)子葉片的轉(zhuǎn)速隨風(fēng)速的變化而變化。當(dāng)遇到交變的風(fēng)力時(shí)，葉片將受到交變沖擊載荷并通過主軸傳遞其他部件，如軸承、齒輪箱和電機(jī)等，將對(duì)風(fēng)力渦輪機(jī)的可靠性產(chǎn)生重大影響。

雖然廣大學(xué)者進(jìn)行了研究，但仍然存在一些缺陷。文獻(xiàn)［6］研究了齒輪箱中的部分齒故障，并比較了風(fēng)扇齒輪箱的軸承缺陷。結(jié)果表明，聲發(fā)射在故障檢測(cè)性能上更為穩(wěn)定，能夠分離損傷等級(jí)。文獻(xiàn)［7］采用物元分析方法，針對(duì)風(fēng)電機(jī)組在線監(jiān)測(cè)信息建立并網(wǎng)風(fēng)電機(jī)組物元評(píng)估模型。然而，這種方法需要大量的風(fēng)電機(jī)組正常狀態(tài)下的歷史數(shù)據(jù)作為先驗(yàn)?zāi)Ｐ停@顯然不適合新機(jī)組。文獻(xiàn)［8］以風(fēng)電場(chǎng)SCADA系統(tǒng)的監(jiān)測(cè)數(shù)據(jù)為基礎(chǔ)，采用模糊評(píng)價(jià)方法對(duì)風(fēng)電機(jī)組運(yùn)行狀態(tài)進(jìn)行綜合評(píng)價(jià)分析，結(jié)果表明評(píng)價(jià)體系合理。然而，該方法的主要缺點(diǎn)是無法控制大量訓(xùn)練數(shù)據(jù)中數(shù)據(jù)點(diǎn)的數(shù)量，導(dǎo)致計(jì)算量大。

2 基于大數(shù)據(jù)分析的風(fēng)電機(jī)組健康診斷方法

2.1 大數(shù)據(jù)分析下風(fēng)電機(jī)組健康診斷系統(tǒng)組成

大數(shù)據(jù)分析下風(fēng)電機(jī)組健康診斷系統(tǒng)的模塊分解如圖1所示。

1）遠(yuǎn)程控制模塊可以實(shí)現(xiàn)在操作室內(nèi)對(duì)其風(fēng)電機(jī)組的安全報(bào)警、煙霧報(bào)警進(jìn)行遠(yuǎn)距離處理，還可以進(jìn)行音頻和視頻的收集，利用監(jiān)控界面進(jìn)行頻譜分析，達(dá)到風(fēng)電機(jī)組監(jiān)測(cè)的目的。

2）維修知識(shí)庫模塊可對(duì)機(jī)組信息進(jìn)行存儲(chǔ)、分析，給出維修經(jīng)驗(yàn)，同時(shí)實(shí)現(xiàn)備品備件、工器具等管理。

3）綜合報(bào)表模塊能夠?qū)崿F(xiàn)數(shù)據(jù)分析、狀態(tài)評(píng)估、性能分析、對(duì)標(biāo)分析以及壽命預(yù)測(cè)等功能。

4）內(nèi)部交流模塊能夠進(jìn)行任務(wù)分配、人員管理、人員培訓(xùn)等，還能給出巡檢記錄。

5）效能分析模塊對(duì)微觀選址、資源評(píng)估、氣象信息等方面進(jìn)行效能分析，實(shí)現(xiàn)風(fēng)功率預(yù)測(cè)。

2.2 關(guān)聯(lián)算法

Apriori算法屬于關(guān)聯(lián)規(guī)則算法的最經(jīng)典算法，本算法能夠?qū)崿F(xiàn)風(fēng)電機(jī)組故障預(yù)測(cè)，以下給出其實(shí)現(xiàn)的步驟。

1）給定最小支持閾值，設(shè)定可信度閾值。

2）掃描事務(wù)數(shù)據(jù)庫，生成候選項(xiàng)，根據(jù)最小支持閾值修剪頻繁項(xiàng)集，得到頻繁項(xiàng)集。

3）根據(jù)頻繁項(xiàng)集得到候選項(xiàng)目集，然后根據(jù)最小支持閾值對(duì)候選項(xiàng)目集進(jìn)行裁剪，生成新頻繁項(xiàng)目集。

4）通過重復(fù)迭代查找最頻繁的項(xiàng)。

5）從頻繁項(xiàng)集中挖掘所有大于或等于可信度閾值的強(qiáng)規(guī)則，即強(qiáng)關(guān)聯(lián)規(guī)則。在上述步驟中，基于頻繁項(xiàng)集查找候選項(xiàng)集的原則是：如果一個(gè)項(xiàng)集是頻繁的，那么它的所有子集也必然是頻繁的。

3 評(píng)估模型

首先，根據(jù)功能部件的重要級(jí)別，將其劃分為5個(gè)一級(jí)評(píng)估子系統(tǒng)X1~X5，即齒輪箱系統(tǒng)、發(fā)電機(jī)系統(tǒng)、變流器系統(tǒng)、控制系統(tǒng)和機(jī)體系統(tǒng)。然后分別選取各子系統(tǒng)的主要特征狀態(tài)參數(shù)。最后對(duì)相應(yīng)的特征狀態(tài)參數(shù)進(jìn)行綜合，得到各子系統(tǒng)的最終評(píng)價(jià)結(jié)果。

將Apriori算法與在線狀態(tài)回歸預(yù)測(cè)模型進(jìn)行結(jié)合，將精度作為評(píng)估項(xiàng)，衡量誤差取值及其狀態(tài)運(yùn)行結(jié)果。將誤差公式和殘差公式作為度量評(píng)估模型精度的工具。

平均絕對(duì)相對(duì)誤差（MAPE）：

均方根誤差（RMSE）：

相對(duì)誤差均方根百分比誤差（RRMSE）：

式中：fi為預(yù)測(cè)值；yi為實(shí)際值；n為樣本數(shù)據(jù)。

式中：Ha為信息熵；xi為隨機(jī)事件；Pi為發(fā)生事件xi的概率。

評(píng)估實(shí)施步驟為：

步驟一：獲取風(fēng)電機(jī)組歷史運(yùn)行狀態(tài)數(shù)據(jù)（一周內(nèi)），構(gòu)建周期性滾動(dòng)預(yù)測(cè)模型。

步驟二：將處理數(shù)據(jù)作為評(píng)估參數(shù)的輸入和輸出。

步驟三：利用Apriori算法求解在線狀態(tài)回歸預(yù)測(cè)模型最優(yōu)解。

步驟四：利用公式（1）-（4）對(duì)模型數(shù)據(jù)進(jìn)行評(píng)估。

步驟五：利用評(píng)估結(jié)果衡量機(jī)組的健康情況。

4 結(jié)果分析

為了驗(yàn)證所提出方法的準(zhǔn)確性和有效性，2 MW風(fēng)力渦輪機(jī)的SCADA系統(tǒng)運(yùn)行數(shù)據(jù)如表1所示，其中數(shù)據(jù)1到數(shù)據(jù)4是每15 min的一個(gè)收集點(diǎn)。在這組數(shù)據(jù)中，機(jī)組一級(jí)軸承的溫度異常升高，其他狀態(tài)參數(shù)基本正常。使用本文提出的方法和傳統(tǒng)的評(píng)估策略，持續(xù)分析表1中的數(shù)據(jù)。由于表1中齒輪箱一級(jí)軸承的溫度指數(shù)X12在一段時(shí)間內(nèi)不斷上升，正確的評(píng)估結(jié)果應(yīng)該是機(jī)組的健康狀態(tài)逐漸惡化。此時(shí)，該裝置已運(yùn)行很長(zhǎng)時(shí)間，可能已導(dǎo)致嚴(yán)重故障。在采用該策略時(shí)，出現(xiàn)了逐漸下降的趨勢(shì)，便于運(yùn)營(yíng)商注意并及時(shí)采取必要措施，避免重大故障，可指導(dǎo)維護(hù)保養(yǎng)。

利用表1數(shù)據(jù)作為測(cè)試數(shù)據(jù)，對(duì)模型進(jìn)行精度測(cè)試，風(fēng)電機(jī)組功率預(yù)測(cè)值與實(shí)際值的對(duì)比如圖2所示。

表1 風(fēng)電機(jī)組運(yùn)行數(shù)據(jù) ℃

由圖2可知，擬合效果良好，可用于評(píng)估和分析風(fēng)力發(fā)電機(jī)組的運(yùn)行狀態(tài)，評(píng)價(jià)方法簡(jiǎn)單直接、結(jié)果準(zhǔn)確、區(qū)分度高，在一定程度上避免了因等級(jí)差異而導(dǎo)致的判斷失誤，有效降低了算法的復(fù)雜度。

5 結(jié)論

為了能夠進(jìn)行有效的檢測(cè)，對(duì)故障進(jìn)行準(zhǔn)確的診斷，并根據(jù)設(shè)備的運(yùn)行狀態(tài)對(duì)故障進(jìn)行預(yù)測(cè)，將大數(shù)據(jù)挖掘技術(shù)引入到風(fēng)電機(jī)組運(yùn)行狀態(tài)的故障診斷系統(tǒng)中，建立大型數(shù)據(jù)分析平臺(tái)，集成多系統(tǒng)、跨設(shè)備、設(shè)備狀態(tài)分析，包括海量狀態(tài)檢測(cè)數(shù)據(jù)的智能清洗、智能診斷和故障評(píng)估方法。挖掘大數(shù)據(jù)資源的價(jià)值，實(shí)現(xiàn)基于多源信息融合的大數(shù)據(jù)預(yù)測(cè)分析和智能維護(hù)，是風(fēng)電機(jī)組健康管理的重要趨勢(shì)。隨著以云計(jì)算、人工智能和大數(shù)據(jù)為代表的新技術(shù)的迅速應(yīng)用，這些技術(shù)在風(fēng)電機(jī)組健康管理中的應(yīng)用越來越受到重視。這些技術(shù)的合理使用，對(duì)于降低風(fēng)電成本，提高風(fēng)電清潔能源的市場(chǎng)競(jìng)爭(zhēng)力具有重要作用。