基于SCADA數據的海上風電機組故障診斷方法

國家電投集團江蘇海上風力發電有限公司 王鋒 楊榮 黃攀 田智捷

1 引言

風力發電已經逐漸成為世界各國能源開發的重點。我國風電裝機在2021 年創歷史新高，新增設的吊裝海上機組有2603 臺，新增裝機容量達到1448.2 萬kW，同比增長276.7%。目前，海上風電規模化發展、深海漂浮式、大功率海上裝備、智能運維等發展趨勢，在“雙碳”目標等機遇下，海上風電發展潛力巨大，機遇和挑戰并存。

為測試和比較不同的風電機組故障診斷方法的精度，國內外學者開展了大量研究。Tautz等[1]以風電場SCADA 系統的實時監測數據為基礎進行越限報警。Leahy等[2]研究發現，基于SCADA系統的實時監測數據，給出典型故障的越限診斷指標。Schlechtingen等[3]研究發現，基于主傳動鏈振動監測系統的振動信號分析，采用神經網絡對轉速和載荷非平穩狀態下的齒輪箱故障進行識別，比較SCADA 系統的低速實時監測系統的越限報警信號可以更加精確地定位齒輪箱故障。以上研究大多集中在SCADA 系統信號的提取和故障檢測模型的改進上，通過使用數據訓練網絡的識別故障。

我國海上風電行業起步較晚，累計故障樣本數量較少，導致訓練后的網絡精度較低，面對稍復雜的故障情況，系統無法診斷。因此，為了提高海上風電機組故障診斷的準確性，減少誤判誤診的現象發生，本文提出一種基于典型變量分析（Canonical Variate Analysis，CVA）算法的海上風電故障診斷方法，并結合實際SCADA 數據對方法進行驗證。結果表明，典型變量分析方法能夠有效診斷海上風電機組故障。

2 海上風電機組故障

2.1 海上風電故障率

海上風電機組故障率統計分析表明，海上風機故障的最主要原因是電氣系統。電氣系統占整體故障率的23%。其次是控制系統，占整體故障的18%。偏航系統、變槳系統以及發電機、齒輪箱和葉片也是導致海上風電機組故障的重要原因。除了電氣系統和控制系統，機械傳動部件的故障率在海上風電機組故障中的占比較高。

2.2 故障診斷方法

目前，國內外的風電機組故障診斷方法，主要分為基于物理模型的故障診斷方法和基于數據驅動的故障診斷方法。

3 典型變量分析算法

無論是基于模型和基于數據驅動的故障診斷方法都具有局限性。基于模型的故障診斷方法要求建立復雜準確的海上風電機組系統數學模型，而基于數據驅動的診斷方法需要大量故障數據樣本。在沒有明確數學模型的情況下，海上風電機組SCADA系統中的海量數據和巨大規模為數據驅動的應用帶來了可能性。因此，數據驅動方法越來越受到海上風電機組故障診斷研究人員的青睞。

本文基于典型變量分析算法，提出一種基于SCADA 數據的海上風電機組故障診斷方法。該算法利用海上風電機組SCADA數據，提取過程狀態，進而估算子空間狀態空間矩陣，建立動態過程的子空間模型。研究人員通過比較子空間模型估計的狀態與典型變量分析估計的狀態之間存在殘差，根據多元統計量對殘差進行監控，從而實現海上風電機組故障檢測。典型變量分析是通過將過去數據空間和未來數據空間變量之間的相關系數最大化，提取具有最佳預測能力的低維典型變量。典型變量分析是利用動態過程觀測數據的時間相關性。

假設有m×N個觀測向量y，其中m代表變量個數，N代表觀測時間點數，用p和f分別表示過去和未來，對應時刻的數據點用式（1）、式（2）表示：

將所有過去或未來的數據點按時間排列在一起，形成過去或未來的矩陣式（3）、式（4）。過去和未來矩陣的觀測點個數為M，其中M=N- 2q+1。

為消除不同變量數量級的差異，需要將過去和未來矩陣歸一化，變換如式（5）至式（10）所示。

式中，r1≥… ≥rr為典型相關系數；Σpp，Σff，Σfp皆為協方差矩陣；矩陣I為單位矩陣；矩陣J和L通常通過奇異值分解獲得；J和L為變換矩陣。

典型變量分析方法的目標是找到最佳線性組合，aTyf(k)以及bTyp(k)這些針對未來和過去的觀察使得組合之間的相互關系最大化，相關性可表示為式（11）：

隨后通過變換矩陣J和L，可以將過去的過程向量轉換成不相關的典型變量c和典型殘差e，分別如式（15）、式（16）所示：

式（15）（16）中，Jr是J的第r行，Jd是J的倒數第d行，d=mq-r。

提取的狀態c和殘差e包含了過程的大部分動態信息，反映了過程的變化趨勢，可以用于故障檢測。基于典型變量法的故障檢測方法主要包括基于狀態空間和殘差空間的統計。

狀態空間的變化可以用T2指標來表示，指標Q表示殘差空間中變化的總平方和誤差，分別如式（17）、式（18）所示：

4 故障診斷案例分析

以某海上風電機組為例，驗證本文所提出的基于實際SCADA數據故障診斷方法的有效性。

4.1 模型參數設置

本文的海上風電機組模型由風速模型、葉片槳距模型、傳動模型、發電機與變流器模型、控制器等部分組成，海上風電機組的部分參數見表1。

表1 海上風電機組的部分參數

海上風電機組SCADA 系統包括葉片i的槳距角βi（i=1,2,3） 和vw、ωr、ωg、τg、Pg等參數。

4.2 實際診斷案例分析

根據海上風電機組SCADA 數據，某機組葉片槳距角發生故障圖如圖1所示。

圖1 葉片槳距角發生故障圖

本文提出的基于典型變量分析的故障診斷模型的誤差統計結果，T2統計值如圖2所示。由圖2 可知，該模型計算的誤差統計結果大于檢測閾值，從而觸發故障報警。研究人員經過現場故障分析判斷，該故障屬于槳距角傳感器故障。

圖2 T2統計值

5 結語

本文提出一種基于典型變量分析算法的海上風電機組故障診斷方法，利用海上風電機組SCADA 系統的過程數據提取過程狀態，進而建立過程的子空間模型，通過監控該模型與典型變量分析的估計狀態之間的殘差，實現故障檢測。故障診斷方法通過考慮規范狀態空間中過去和未來數據之間的偏差，增強對風機SCADA 系統數據的識別能力，克服數據變化時難以及時有效診斷故障的缺陷，較好地揭示了正常運行和故障狀態之間的動態行為差異。

基于SCADA 數據的海上風電機組故障診斷實際案例表明，經過典型變量分析算法處理后的誤差統計與設定閾值有明顯偏差，故在故障診斷結果上不存在模糊診斷的現象，該方法適用于海上風電非線性動態過程的故障診斷，具有較好效果。