風力發電機溫升故障預警方法研究

劉　軒, 孫建平

(華北電力大學 控制與計算機工程學院，河北保定071003)

?

風力發電機溫升故障預警方法研究

劉軒, 孫建平

(華北電力大學 控制與計算機工程學院，河北保定071003)

摘要：針對傳統PCA在解決變量重要性差異很大問題時的局限性，提出一種結合reliefF算法和加權主元算法的方法。該方法首先采集張家口某風場5月某段時間內風力發電機組運行數據并建立數據集，通過reliefF算法確定權值向量W，進而使用加權主成分分析法建立正常工作狀態下發電機溫度模型。利用該模型對同一機組另一段時間運行數據進行故障檢測，通過對統計量HotellingT2(簡稱T2)和平方預測誤差(簡稱SPE)的趨勢分析最終確定機組運行狀態。實驗結果表明，提出的方法準確預測出了發電機的溫升故障，并減少了誤報情況。

關鍵詞：加權主成分分析；發電機溫度；reliefF算法；T2統計量；SPE統計量

0引言

近年來，我國風電事業發展迅速，伴隨著風力發電機組種類和數量的不斷增加風力發電機組在運行中產生了各種故障，嚴重影響設備運行效率。而發電機作為發電機組的重要部件之一，發電機系統的運行狀態最直接影響著整個發電機組運行的性能和效率。所以，研究其故障診斷技術顯得十分必要。本文以永磁同步電機為例，根據相關文獻資料中所出現的故障情況統計和分析，歸納總結出永磁同步電機故障主要分為定子繞組故障、轉子故障、溫度升高故障等[1]。

1992年，Kira和Rendell通過文獻[2]提出Relief算法，但該算法主要討論兩類問題分類情況。之后，為使Relief系列算法可以解決多類問題，Kononenko 在文獻[3]中提出了ReliefF算法。Relief系列算法作為一種特征權重算法，不但有較高的運行效率，而且不限制數據類型。該算法根據與類別相關性的高低來賦予變量不同的權重，但該算法不能高效地去除原始變量間的冗余特征。主元分析(Principal Component Analysis，PCA)是一種多元統計方法，其利用原始數據變量之間的相關性，通過少數幾個變量的線性組合來解釋其他變量，從而實現降維的目的。主元分析可以很好地完成數據與圖像的壓縮，進而減少數據冗余并提取重要信息，廣泛應用于人臉識別、故障檢測等領域。針對傳統的主元分析算法和ReliefF算法各自的局限性，本文提出了一種結合ReliefF算法的改進PCA算法。其基本思想是：通過ReliefF算法得到各變量特征權重，確定各變量權值W，進而采用加權主元分析法建立發電機溫度與其影響因素之間的關系模型。通過HotellingT2和平方預測誤差的計算來實現對風力發電機的狀態監測和故障診斷。

1ReliefF算法

由于Relief算法的簡單和高效性，使其應用廣泛，但其局限性在于只能處理兩類別數據。Kononenko在文獻[4]中擴展了Relief算法，將分類視為一類對多類關系解決了多類問題，用來處理噪聲數據和不完整數據。目前，ReliefF算法應用于人體行為識別研究[5]、無線電信號識別[6]和聚類研究分析[7]中。ReliefF算法輸入為訓練樣本集合D，隨機選擇出的樣本個數m，特征權重閾值，以及最鄰近樣本個數K；輸出為各變量的特征權值向量。其中m也就是迭代次數，最大取值為樣本集D的樣本數。算法流程圖為圖1。

圖1　reliefF算法流程圖

其中特征權重計算公式：

(1)

式中：P(C)是C類目標樣本數占樣本總數的比例；Mj(C)表示第C類目標的第J個最鄰近樣本；diff(A,R1,R2)表示樣本R1和R2在特征值A上的差，計算公式如下：

(2)

2加權主成分分析

主成分分析(PCA)作為一種多元統計方法，利用原始變量之間的相關性，使用原來變量的少數幾個線性組合來表示原來變量，從而實現降維。主元分析可以很好地完成數據與圖像的壓縮來減少數據冗余并提取重要信息，廣泛應用于人臉識別、故障檢測等領域。由于傳統的PCA算法沒有考慮到樣本間相互存在的重要度差異，往往不能有效地處理小樣本問題中的離群點，不同物質的樣本不能清晰的隔離分布。為此，許多加權 PCA(Weighted Principal Component Analysis,WPCA)算法相繼而出[8-12]。

例如，文獻[8]7中提出了一種基于PCA的樣本加權特征提取算法，在Yale人臉庫上的實驗表明該方法具有很好的魯棒性和識別率。文獻[12]中指出，基于不同特征在識別過程中所起不同作用這種事實，采取加強關鍵點如眼睛、鼻子和嘴巴等部位來提高人臉識別率。

2.1算法步驟

在工業過程中，采集傳感器信號列成數據矩陣Xn×m，其中n為樣本個數，m為矩陣維數，代表傳感器測點個數即變量個數。

加權主元的分析運算分為以下幾個步驟：

(1) 對原始數據矩陣X進行標準化運算，對數據進行無量綱化和去除變量相關性處理，即：

(3)

(2) 按照文獻[4]中給出的加權函數方法計算權值向量W，表達式為：

(4)

(5)

(6)

(7)

式中：Λ為特征值構成的對角陣；V即所求的特征向量。

(4) 選取主元個數。本文采用方差貢獻率法選擇能概括數據主要變化的前Kp個主元，各主元累計貢獻率：

(8)

累計貢獻率選取過高，導致選取過多主元個數，造成數據冗余。而選取過低則會導致選取主元不能夠充分代表原數據矩陣。一般情況下，選擇累計貢獻率達到 85%以上時候的Kp個主元代替原n個變量，這樣建立的主元模型最能夠代表原數據矩陣特征，又不會造成數據冗余。

(5) 建立主元模型：

(9)

2.2統計指標

2.2.1 平方預測誤差Q

(10)

Vkp為由V前kp列構成的特征向量矩陣。平方預測誤差也稱Q統計量，給定顯著水平α時，Q統計指標的控制限Qα，其計算公式為：

(11)

在正常情況下，Q統計指標的值應處于控制限規定范圍之內，故障情況下會超出控制限。

2.2.2 HotellingT2

(12)

式中：Λkp由前Kp個特征值組成的對角矩陣；T2統計指標的實質是向量X在主元空間投影向量單位正規化后的長度。T2統計量服從F分布(F(kp,n-kp))，n為樣本點個數。給定顯著性水平α時統計量的控制限，其計算公式為：

(13)

在正常情況下，T2統計量的值應該處于控制限范圍內，故障發生后，統計量超出控制限。文獻[14]指出，在實際工業過程中，T2和SPE統計量的4種檢測結果。當T2未超限且SPE未超限時，系統運行正常；當T2超限且SPE未超限時，這種情況可能由系統的正常工況漂移引起，也可能是由于故障未顯著改變變量之間的關系，有潛在故障可能；當T2未超限且SPE超限時，表明系統正常工況下變量間的相關結構被破壞，可能產生過程故障或傳感器故障；當T2與SPE超限均超限時，說明系統運行異常，有故障發生。

3發電機溫度預警模型

3.1發電機溫度監測

發電機溫度軸承溫升是發電機考核的一個指標，文獻[15]中指出軸承的溫度信號在機組安全運行監控中有重要地位。發電機的溫度過熱往往是發電機故障的綜合表現。導致發電機過熱的因素有很多，冷卻系統故障和定子長時間大電流運轉都可能造成發電機急劇升溫。本文選擇建立基于溫度變量的風力發電機故障預警模型，使用轉子軸承溫度值來表征發電機溫度。本文選用的SCADA數據為張家口某風電場在2014年5月21日至23日期間，對某臺風電機組正常工作時每10 min采集一次的SCADA數據，成為數據集1，其中轉子軸承溫度和其他相關變量的數據趨勢如圖2所示。通過對風電機組運行數據分析，在SCADA系統中發電機溫度與其他多個變量存在關系。各變量與發電機溫度之間有直接或間接的關系，各變量之間相互獨立，也可能存在相關性。

圖2　2014年5月21日至23日期間發電機溫度及相關變量趨勢圖

由圖2可知，風速在大多數情況下低于切出風速。在第297～348點之間風速超過切出風速，此時發電機組切出電網，停止發電，發電機溫度穩步下降。在風速處于額定風速以上，切出風速以下時，機組并網功率和發電機轉速恒定，發電機溫度主要受環境溫度及冷卻風溫影響。當風速處于切入風速以上，額定風速以下時，發電機溫度主要受風速、機組并網功率、發電機轉速影響。

3.2發電機溫度建模仿真實驗

根據2014年5月21日至23日期間風電機組的報警記錄、停機記錄，將數據集1中SCADA系統中機組故障停機時段、風速低于切入風速時段、風速高于切出風速時段的數據從建模數據中刪除，得到機組正常狀態下變量運行數據，記為Xn×m。另采集同一風機2014年5月26日至2014年5月28日期間風機運行數據(稱為數據集2)進行檢測和診斷。風機轉子軸承溫度和其他相關變量數據運行趨勢為圖3 所示。在2014年5月30日對風電機組進行計劃停機檢修。檢修過程中發現發電機轉子軸承鏈接處出現不同程度細小裂紋，這使得發電機轉子繞組摩擦增大，產生多余熱量導致發電機溫度升高。如果在故障發生之前，不采取有效的故障預測方法預測故障發生，任其異常持續發展將導致機組故障停機。

圖3　2014年5月26日至2014年5月28日期間發電機溫度及相關變量趨勢圖

采用傳統PCA對數據集Xn×m建模并求其主元，模型建立后，將數據集2作為檢測數據，記錄SPE和T2統計量。

通過觀察統計量數據趨勢，獲取機組整體運行狀態的實時信息。其中，SPE統計量反映某一時刻測量值相對于模型的偏離程度；T2統計量反映主元模型內部的各個向量模的大小變化來反映變量的變化情況；觀察圖4，T2統計量的閾值為13.771 1，發現從200采樣點后主元空間中數據波動較大，但未超出閾值；對于SPE統計量，閾值為0.650 7，從200采樣點后殘差空間數據SPE統計量持續超出閾值，判定此時發電機溫度值異常，機組存在出現故障的可能。而200采樣點之前出現一些間斷的誤報點，說明使用傳統主元分析的建模方法不完備，方法存在缺陷。

圖4　PCA統計量監控圖

傳統PCA算法不僅可以消除樣本間相互重疊的信息，而且能根據樣本內各變量所提供的原始信息自動生成非人為的權系數，但它并未考慮不同樣本在識別過程中互相存在的重要度差異[4]。所以，針對傳統主元算法存在的缺陷，引入一個權值向量W，將每個變量賦以一定的權值從而突出其在整個數據集中的不同重要性，變量的權值代表其在總體中的相對重要性。

根據發電機轉子軸承溫度將數據集分為兩類，正常溫度范圍類(類標簽為“0”)和過高溫度范圍類(類標簽為“1”)，使用ReliefF算法，分別計算m個相關變量與類的相關性權值，計算結果如表1所示。根據影響發電機溫度的變量相關性權值，可以將影響發電機溫度的變量按影響程度大小排序。各變量中影響風力發電機溫度程度最高的是發電機轉子軸承溫度、環境溫度，風速、并網功率、發電機轉速對其影響次之，冷卻風溫對其影響相比較其他變量程度最小。本實驗根據影響程度大小將權值系數矩陣W設定為W=[0.8∶1∶0.8∶1.2∶1.3∶1]。

表1　各相關變量與發電機溫度相關性權值

將數據集2經過加權算法后再進行檢測，記錄SPE和T2統計量，檢測結果為圖5所示。T2統計量的閾值為11.701 2，從200采樣點后主元空間中數據波動較大，但未超出閾值；對于SPE統計量，閾值為3.364 5，從200采樣點后殘差空間數據SPE統計量持續超出閾值，判定此時發電機溫度值異常，機組存在出現故障的可能。比較圖4與圖5，可以看出，SPE統計量中多個誤差點已經被消除，說明了結合reliefF算法的加權主成分分析法的有效性。

4結論

風力發電機組SCADA系統中記錄的發電機運行數據可以較好地反映發電機運行狀態。針對傳統PCA在解決變量重要性差異較大問題時的局限性，本文提出一種結合reliefF算法和加權主元分析法的故障檢測方法，首先根據風電機組實際運行數據，建立影響發電機溫度的變量集；進而采用reliefF算法得到各變量對發電機溫度的相關性權值，根據權值設定權值向量W，進行加權主成分分析；觀察T2和SPE統計量大小，確定機組運行狀態變化。實例分析表明，本文所提的檢測方法既能夠使得每個樣本在整個樣本組中凸顯出不同的重要度，又能完成數據壓縮去除數據冗余。但同時，該方法也具有一定的局限性。由于影響發電機溫度的因素還有許多，本文只討論算法確定的幾個主要變量，忽略其他變量的影響，有待進一步研究。

參考文獻:

[1]楊錫運，郭鵬，岳俊紅，等. 風力發電機組故障診斷技術[M].北京:中國水利水電出版社,2015.

[2]KIRA K,RENDELL L. A practical approach to feature selection [C] //Proc 9th International Workshop on Machine Learning,1992:249-256.

[3]KONONENKO I. Estimation Attributes：Analysis and extensions of RELIEF [C] //European Conference on Machine Learning,Catania: Springer Verlag, 1994: 171-182.

[4]陳佩. 主成分分析法研究及其在特征提取中的應用 [D]. 西安：陜西師范大學,2014.

[5]張潔. 基于加速度傳感器的人體運動行為識別研究[J].自動化與儀器儀表,2016(3):228-229,234.

[6]杜利敏,陳河山,徐揚,等. 基于ReliefF和聚類的特征選擇方法及其在無線電信號識別中的應用[J].河南大學學報(自然科學版),2014(3):347-350.

[7]陳曉琳,姬波,葉陽東. 一種基于ReliefF特征加權的R-NIC算法[J]. 計算機工程,2015(4):161-165.

[8]楊開睿. 基于重建誤差的樣本加權特征提取算法研究[D].徐州：中國礦業大學,2014.

[9]GU Shanmao,LIU Yunlong,LIU Lijun,et al. Weighted principal component analysis applied to continuous stirred tank reactor system with time-varying[C]//中國自動化學會控制理論專業委員會.第三十四屆中國控制會議論文集(D卷).中國自動化學會控制理論專業委員會,2015:5.

[10]劉志軍,王林,齊詠生. PCA和LDA融合方法及其在故障診斷中的應用[C]//中國自動化學會過程控制專業委員會.第25屆中國過程控制會議論文集.中國自動化學會過程控制專業委員會,2014.

[11]李云彤,黃山,徐海明. 基于改進PCA的人臉識別算法[J]. 微型機與應用,2015(17):43-45.

[12]白小曼. 改進的加權主成分分析算法實現人臉識別[D].北京：北京交通大學,2006.

[13]李想. 基于主元分析的工業過程故障診斷算法研究[D].沈陽：沈陽大學,2010.

[14]王婉. 基于PCA的空調水系統的傳感器故障檢測與診斷研究[D].長沙：湖南大學,2014.

[15]霍娟,唐貴基,劉大賓,等. 基于溫度信號的風電機組發電機實時可靠性監測新方法[J]. 可再生能源,2016(3):408-412.

Study on the Method of Wind Turbine Temperature Fault Warning

LIU Xuan，SUN Jianping

(School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China)

Abstract：Aimed at the limitations of the traditional PCA in solving the problem of variable big difference importance, this paper proposes a method comprising of reliefF Algorithm and Weighted Principal Component Analysis(WPCA).This method first collects the data of wind turbine operation in a certain wind farm in Zhangjiakou in May and sets up the data set，through the reliefF algorithm to determine the weight vector W, and uses the weighted principal component analysis method to establish the normal working state of the generator temperature model.The model is used to detect the faults of the same set of another period of time,and trend analysis of the model statistics HotellingT2(T2) and squared prediction error (SPE) to finalize the running status of the unit.The experimental results show that the proposed method accurately predicts the failure of the generator temperature rise, and reduces the false alarm situation.

Keywords：WPCA； generator temperature； reliefFalgorithm;T2statistics；SPE statistics

收稿日期：2016-04-18。

基金項目：河北省自然科學基金(F2014502059)。

作者簡介：劉軒(1992-)，女，碩士研究生，主要從事風力發電機組故障檢測方面的研究，E-mail：381192438@qq.com。

中圖分類號:TM614

文獻標識碼:A

DOI:10.3969/j.issn.1672-0792.2016.06.007