基于區間劃分的風電齒輪箱在線故障預警方法

顧煜炯，蘇璐瑋，鐘 陽，徐 婷

(華北電力大學 能源動力與機械工程學院，北京102206)

0 引言

風力發電技術由于其低污染、綠色環保及可持續發展的特點成為當今世界新能源發展浪潮中的主流能源。隨著風電機組向大單機容量的方向發展，風電機組設備的結構和功能日益復雜，加之風電機組的運行環境惡劣，導致機組的故障率較高，使得風電機組的維修成本居高不下。風電機組狀態監測和故障預警技術通過對機組重要部件的狀態監測，進行故障的早期探測，及早的發現故障，合理安排運行和維修工作，減輕甚至避免設備的損壞，達到降低維修成本的作用。

齒輪箱作為風電機組的重要部件之一，起著提高轉速和傳遞轉矩的作用。由于風速波動較大，隨機性較強，加之風電機組的運行環境惡劣，風電齒輪箱的故障頻發。根據西班牙納瓦拉能源水電集團(EHN)公司的統計，其2 700 臺風電機組在2001～2003 年發生的故障中，齒輪箱的故障分別占到了48%，53%和60%［1］。而根據瑞典皇家理工學院(KTH)對瑞典、芬蘭、德國的2 151臺風電機組故障情況的統計結果表明，齒輪箱故障也是造成機組長時間停機的主要因素［2］。可見，實現齒輪箱的故障預警不僅可以極大地減少風電機組故障次數，而且能夠降低故障停機時間，進而降低維護的成本。

目前，風電機組齒輪箱的故障預警通過安裝的溫度傳感器監測到齒輪箱潤滑油溫度值的超限報警來實現。預警值固定，不能很好地適應風電機組運行工況的復雜性和多變性。如外界風速較低時，風電機組轉速較低，即使齒輪箱故障發生，齒輪箱潤滑油溫度也不會到達設定的預警值來觸發預警，使得故障嚴重程度不斷加深，進而造成更大的損失。

為此，本文提出一種基于運行區間辨識和高斯分布模型的風電機組故障預警方法。充分考慮了風電機組運行環境的復雜性來劃定運行區間，根據區間潤滑油溫度的高斯分布特性，來劃定各運行區間齒輪箱潤滑油溫度的預警限，克服了單一恒定預警值不能適應風電機組運行工況多變的不足［3～5］。

1 風電機組齒輪箱在線故障預警方法框架

本文提出的風電機組齒輪箱在線故障預警方法框架如圖1 所示，分為離線和在線兩部分。

圖1 風電機組齒輪箱在線故障預警框架圖

(1)離線部分:首先對往年的運行數據進行收集整理，去除風電機組不工作、異常停機及奇異值數據點，保留正常運行數據，建立齒輪箱正常運行條件下的潤滑油溫度樣本;之后按照風速和環境溫度這兩個參數對運行工況進行區間劃分;最后通過正常運行的樣本數據對各運行工況區間內的齒輪箱潤滑油溫度參數分布的高斯模型進行訓練，獲得模型參數，并劃定預警限和設定觸發預警的異常率ηw。

(2)在線部分:對運行和監測的實時數據進行預處理，按風速和環境溫度確定其所屬的運行區間，將齒輪箱潤滑油溫度數據代入該區間，如果該溫度數據點在上下預警限之間，則標記為正常點，如果在上下預警線之外，則標記為異常點。一段時間內，標記的正常點和異常點組成時間序列，采用滑動窗口計算連續N 個數據中異常點的個數Na，計算異常點百分比η，與預先設定的預警值ηw進行比較，超出則進行齒輪箱故障預警。

2 數據篩選

風電機組的運行數據中，包含著機組不工作、異常停機及奇異值數據點，這些數據不是機組正常運行時的數據，會對結果的可靠性產生影響，在建立風電機組齒輪箱正常運行條件下的樣本數據時，要對上述數據進行剔除。

機組不工作的數據點的判斷方法是當風速大于切入風速時，輸出功率仍為0 或負值的點。風電機組在切入風速以上、切出風速以下功率從正常值減小到0 或負值的點即為風電機組的異常停機點，刪除這些點以及前3 個停機過程的點(風電機組歷史數據庫中數據為10 min 數據的平均值，刪除3 個點約為30 min 的數據)。同理，在切入風速以上，風電機組輸出功率由0 或負值漸增加到正值的過程即為風電機組切入風速以上的啟動，刪除這些點以及后3 個啟動過程的點。數據中的奇異點指數據點中的異常數據，可能是由于傳感器故障、通信異常等原因產生，應該加以清除。參考IEC 標準中的Bin 方法［6］，把風速范圍按照0．5 m/s 間隔分成若干區間(Bin)，每個Bin 的中心值為0．5 m/s 的整數倍，計算每個區間齒輪箱潤滑油溫度的平均值μ 和標準差σ，對于小于μ-3σ 和大于μ+3σ 的數據點可以作為奇異點去除。通過這些處理基本刪除了對分析影響較大的數據點，如圖2 所示，可以認為剩下的數據為齒輪箱正常運行條件下的歷史數據。

圖2 數據篩選前后對比圖

3 運行區間劃分

3.1 運行區間劃分參數選取

實現運行工況的合理劃分，要選擇合適的運行工況特征參數，選取的特征參數要能夠直接或者間接地影響到齒輪箱潤滑油溫。風電機組的外部輸入參數包括環境溫度、風速和風向等。圖3由某風電機組3 月份和6 月份實際運行數據繪制而成。從圖中可以看出，潤滑油溫度與風速有較高的相關性，基本上呈現一種線性分布的特點。這與風速影響轉速，轉速高低又進而影響潤滑油溫有關。6 月份的齒輪箱潤滑油溫度要明顯高于3月份，這與6 月份的環境溫度高于3 月份有關。環境溫度通過影響齒輪箱潤滑油的基礎溫度和油的冷卻，來對潤滑油工作溫度產生影響。可見，風速和環境溫度對齒輪箱潤滑油溫都有較大的影響，因而，需要根據風速和環境溫度對運行區間進行劃分。

圖3 3 月、6 月潤滑油溫度隨風速分布圖

3.2 運行區間劃分方法

運行區間劃分方法流程如下:

(1)對環境溫度的歷史數據進行統計，確定溫度Tmax和Tmin，按照不小于Tmax的最小5 的倍數取上界，不大于Tmin的最大5 的倍數取下界。以5 ℃為間隔，對運行工況進行第一步劃分，設分成m 段。

(2)按環境溫度進行工況劃分后，再按照風速對運行工況進行第二步劃分。以風電機組的切入風速Vin為下界，以風電機組的切出風速Vout為上界，根據IEC 標準中Bin 方法，按照0．5 m/s的風速間隔，分成n 個運行區間。

經過以上兩步劃分，將運行工況劃分為n ×m個運行區間，標記為Oij(i=1，2，3，…，m;j=1，2，3，…，n)。將正常運行工況下的樣本數據按上述運行區間劃分方法劃入相應的運行區間，生成各運行區間的訓練樣本集。

4 預警限和預警指標設定

4.1 基于正態分布的預警限設定

經過運行區間劃分，得到了各運行子區間Oij(i=1，2，3，…，m;j=1，2，3，…，n)和各運行區間的訓練樣本集。通過繪制各運行區間溫度數據的概率密度分布圖，發現各運行區間的樣本數據呈現一種正態分布的特點。由統計學知識，如果樣本總體服從正態分布N(μ，σ2)，則樣本在QQ圖近似呈現一條直線形狀。這樣，可以利用QQ圖直觀地作正態性檢驗，即若QQ圖近似為一條直線，則可以認為樣本數據來自正態分布。各運行區間數據繪制成的QQ圖如圖4 所示。圖中各區間數據分布近似呈現為一條直線，這說明經過區間劃分后，各區間正常運行條件下的樣本數據服從正態分布。

圖4 各運行區間樣本數據QQ圖

對于正常運行的風電機組齒輪箱，在某一確定工況下，它的潤滑油溫輸出值應該呈現一種正態分布:在均值處的數據點數多，出現的概率大;偏離均值越大，點數越少，出現的概率小。當齒輪箱出現了故障時，其運行狀態將會偏離正常的運行狀態，輸出的齒輪箱潤滑油溫度值將會偏離正常值，概率密度曲線將會出現偏移的現象，導致在正常運行條件下，出現概率較小的數據點大量的出現。通過檢測小概率點出現頻率的變化，能夠達到實現對齒輪箱故障預警的目的。

由正態分布的特點可知，數據點分布在μ ±2．58σ 范圍內的概率為99%，可以認為分布在μ±2．58σ 范圍外的點為異常點，可以以此為據，劃定預警限。由于風電機組運行工況的復雜性，其運行工況在不斷的變化，需要對每個運行區間都劃定預警界限。對各運行區間Oij的訓練樣本集進行計算，得到各運行區間的μij和σij，Uij=μij+2．58σij為上界點，Lij=μij-2．58σij為下界點。將Uij和Lij對應各運行區間風速的中值畫點，相同環境溫度區間的不同Uij和Lij依次連線，形成該環境溫度區間全風速范圍內的上下預警線，如圖5所示。

圖5 某環境溫度區間預警線劃定示意圖

4.2 預警指標的制定

對于預處理后的實測數據，按風速和環境溫度確定其所屬的運行區間，將齒輪箱潤滑油溫度代入該運行區間內，如果該潤滑油溫度數據點在上下預警限之間，則為正常點，如果在上下預警線之外，則為異常點。由于風電機組運行環境多變，風速和環境溫度的隨機性較大，單純的依靠一兩個點異常來進行故障預警，誤報率較高，因此，本文采用異常率作為故障預警的指標。

對齒輪箱潤滑油溫運行數據進行異常點檢測，標記的正常點和異常點組成時間序列，采用滑動窗口計算連續N 個數據中異常點的個數Na，計算異常點百分比η=Na/N，與預先設定的預警值ηw進行比較，超出則進行齒輪箱故障預警。

滑動窗口方法如圖6 所示，能夠連續實時地檢測異常點百分比的變化，算法簡單，適合在線實時分析［7］。通過合理選擇滑動窗口的寬度N，既能及時迅速地反映異常點百分比的連續變化，又能消除隨機因素的影響，提高監測的可靠性，降低誤報警的幾率。

圖6 滑動窗口方法示意圖

5 案例分析

為了驗證上述風電齒輪箱在線故障預警方法的有效性，本文以某風電場1．5 MW 風電機組發生的嚴重的齒輪箱故障為案例，選取故障停機前100 個歷史數據點(歷史數據都是將10 min 運行數據的平均值進行存儲)進行分析。從中選取齒輪箱潤滑油溫、風速、環境溫度和功率4 個運行參數，其時間序列如圖7 所示。可以看出，齒輪箱潤滑油溫總體上隨風速變化而變化，在故障發生前齒輪箱油溫也沒有超過該型號機組設定的80 ℃預警值。總體上來看，齒輪箱故障發生前，機組各項運行參數都在正常范圍內，并沒有觸發預警。可見，利用恒定預警值的故障預警方法不能滿足風電機組多變運行工況下的齒輪箱的故障預警。利用該機組過去一年的歷史運行數據作為樣本，這些數據基本上覆蓋該機組全部的運行工況。經過數據篩選和運行區間劃分，得到各個運行區間預警值，建立該機組全部運行空間完整預警限。將故障發生前的100 個數據點代入各個運行區間，與各區間的預警限相比較，判斷各數據點是否異常。判定的結果如圖8 所示。從圖中可以明顯地看出，在下標為40 的點之前，異常數據點只是零星的出現;40 之后，異常數據點連續出現，直到故障停機前的較長時間內，所測得的潤滑油溫度值絕大多數都被標記為異常數據。圖9 為異常率計算結果圖，從圖中可以更清晰地看出異常率在故障發生和發展的過程中有明顯增大的趨勢，到了故障的后期，異常率已經近似為1，可見故障已經發展到了非常嚴重的程度。通過設定一個異常率預警值，在齒輪箱潤滑油溫度異常率到達該數值時觸發故障預警，則可以有效地防止齒輪箱故障的加深，避免造成齒輪箱的損壞。可見，本方法對齒輪箱的故障能夠更加準確地進行故障預警。

圖7 潤滑油溫、風速、環境溫度和功率時間序列

圖8 數據點異常檢測結果圖

圖9 異常率計算結果圖

6 結論

利用潤滑油溫數據來實現風電機組齒輪箱的故障預警，可以在不增加硬件成本的基礎上，及早地發現故障隱患，指導之后的運行和維修工作，降低機組的故障率，提高機組運行的可靠性，進而降低風電機組運行和維護的成本。在充分考慮風電機組運行工況的復雜性以及恒定閾值在多變運行工況中的不足后，本文提出基于運行區間劃分和高斯模型的故障預警方法。針對不同的運行區間，劃定不同的預警值，各個區間的預警值連接成預警線。對潤滑油溫實際運行數據進行異常點標記，之后引入異常率作為故障預警的指標。異常率能夠反映故障發展的漸變性趨勢，通過與設定值比較，能夠實現齒輪箱故障的早期預警。通過對某1．5 MW 機組齒輪箱故障前100 個數據點的分析，可以明顯看出故障發展的趨勢，克服了把某一恒定齒輪箱潤滑油溫度作為預警值的不足，證明了該方法對齒輪箱故障早期預警的有效性。

［1］胡姚剛．并網風力發電機組的運行狀態評估［D］．重慶:重慶大學，2011．

［2］Johan Ribrant，Lina Margareta Bertling．Survey of failures in wind power systems with focus on Swedish wind power plants during 1997-2005［C］．IEEE Transcations on Energy Conversion，2007．167-173．

［3］董玉亮，李亞瓊，曹海斌，等．基于運行工況辨識的風電機組健康狀態實時評價方法［J］．中國電機工程學報，2013，33(11):88-95．

［4］Schlechtingen M，Ferreira Santos I．Comparative analysis of neural network and regression based condition monitoring approaches for wind turbine fault detection［J］．Mechanical Systems and Signal Processing，2011，25(5):1849-1875．

［5］Lapira E，Brisset D，Davari Ardakani H，et al．Wind turbine performance assessment using multi-regime modeling approach［J］．Renewable Energy，2012，45:86-95．

［6］IEC International Standard IEC61400-11，wind turbine generator systems-acoustic noise measurement techniques［S］．2002．

［7］Guo Peng，David Infield，Yang Xinyun．Wind turbine generator condition-monitoring using temperature trend analysis［C］．IEEE Transcations on Sustainable Energy，2012，3(1):124-133．