基于SCADA數據的風機葉片結冰檢測方法

李寧波，閆濤，李乃鵬，孔德同，劉慶超，雷亞國

?

基于SCADA數據的風機葉片結冰檢測方法

李寧波1，閆濤1，李乃鵬1，孔德同2，劉慶超2，雷亞國1

（1．西安交通大學陜西省機械產品質量保障與診斷重點實驗室，陜西省 西安市 710049；2．華電電力科學研究院有限公司，浙江省 杭州市 310030）

針對工作在寒冷地區的風機易出現的葉片結冰現象，提出一種基于SCADA數據的風機葉片結冰檢測方法。根據葉片結冰會增大發電機的功率損耗，選擇風速與網側有功功率2個變量，利用主成分分析技術構造對葉片結冰敏感的風速與網側有功功率在非主成分方向投影特征，通過選擇最優閾值使邏輯回歸分類器適用于不平衡分類，可以實現風機葉片結冰檢測自動化與智能化。通過中國工業大數據創新競賽數據驗證了該方法的有效性。

風機葉片結冰檢測；SCADA數據；非主成分方向投影特征；最優閾值選擇；不平衡分類

0 引言

風電是目前最成熟、最具發展潛力且基本實現商業化的新興可再生能源技術[1-2]。在全世界各國中，中國的風電發展舉世矚目，年新增風電裝機占全世界的比例從2006年的不足10%上升到2010年的49%，且保持著不斷增高的趨勢。但風能獲取的特殊性決定了大量風機需布置在高緯度、高海拔的寒冷地區。以我國為例，至2016年，全國風機累計裝機總量的65%以上位于北方寒冷地區[3]。而工作在寒冷地區的風機受霜冰、雨凇和濕雪等氣象條件影響，極易發生葉片結冰現象，進而引發一系列后果。具體來說有以下危害[4]：

1）結冰后的風機葉片翼型發生改變，導致風能捕獲能力下降，加之葉片上附著冰層，增大了葉片轉動所需能量，最終導致風機發電功率損耗；

2）風機葉片結冰后，直接導致葉片部分結構參數改變，繼而影響其固有模態參數，誘發葉片斷裂；

3）當風機葉片結冰積累到一定程度后，冰層受自重影響斷裂飛出，極易擊中風場巡檢人員，造成人身事故。

由上可見，及時檢測并消除葉片結冰故障對于延長風電設備使用壽命、預防重大安全事故具有重要意義。針對葉片結冰檢測問題，現有方法主要通過對葉片結冰機制進行理論分析研究，建立葉片結冰判斷模型并根據監測數據判斷當前時刻風機葉片是否發生結冰。文獻[5]通過紅外傳感器采集葉片溫度數據，根據預設結冰閾值判斷葉片結冰與否。文獻[6]基于超聲檢測技術，實現對葉片結冰的早期檢測。文獻[7]利用風機葉片上預先布置的光纖傳感器判斷葉片是否發生結冰。文獻[8]對現有葉片結冰檢測方法進行總結。然而，上述方法盡管具有物理意義明顯、方法準確率較高的優點，但其往往需要額外布置傳感器，帶來風場運營成本飛升，故而在實際中并未得到廣泛使用。

SCADA系統作為當前應用最為廣泛、技術發展最為成熟的數據采集與監控系統，在大量風電設備中得到應用[9]。由于SCADA系統采集的大量監測變量能夠充分表征風機工作狀態，倘若能使用合適的智能模型從SCADA數據中挖掘故障信息、判斷葉片結冰狀態，則可充分利用SCADA系統，在較低的成本下完成葉片結冰檢測工作，大大拓寬葉片結冰檢測方法的適用場合。

本文對某風場SCADA數據進行分析，篩選與構造能夠反映葉片結冰狀態的監測變量，而后基于邏輯回歸算法構造不平衡分類器，以根據SCADA數據實現風機葉片結冰監測。

1 基于SCADA數據的方法

SCADA系統是風場設備管理、監測和控制的重要系統，風機運行的實時數據主要由SCADA系統進行存儲。目前，SCADA系統中存儲的數據通常有上百個變量，涵蓋了風機的工況參數、環境參數和狀態參數等多個維度，風場管理者能夠通過分析SCADA系統實時了解風電裝備資產的運行和健康狀態。

由引言可知，風機葉片結冰會增大風機發電的功率損耗，本文選擇了風速和網側有功功率2個與結冰現象較為相關的變量進行分析。

基于SCADA數據的風機葉片結冰檢測方法流程如圖1所示，分為離線訓練和在線預測2部分。離線訓練包括數據預處理、敏感特征選擇與構建、邏輯回歸分類器構建、最優閾值選擇4步；在線預測同樣要經過數據預處理，提取選擇和構建好的特征，將其輸入訓練好的邏輯回歸分類器，并將邏輯回歸輸出與最優閾值比較，得到分類結果。

圖1 風機葉片結冰檢測方法流程圖

1.1 數據預處理

數據預處理分為2步：數據分組與數據篩選。數據分組是將SCADA數據按照時間連續性，每5~10min的數據劃分為一組，取組內變量的平均值作為該組變量的特征。因為風機葉片轉動慣性的存在，會減少風機發電瞬時功率與瞬時風速之間的相關性，數據分組可降低慣性對其影響。數據篩選則是篩選出未達滿功率發電的數據，進行后續結冰監測判別。因為在已有數據中，當風機滿功率發電時，無結冰事件。數據篩選可截取平均功率隨平均風速近似線性變化的部分。

數據預處理的目的是將葉片結冰現象對風速與發電功率的影響顯性化。顯性化過程如圖2所示。圖2(a)為原始風速與功率關系圖，圖2(b)為經過數據分組處理后的風速與功率關系圖，圖2(c)為經過數據篩選處理后的風速與功率關系圖。

1.2 敏感特征構建

敏感特征構建利用主成分分析技術對風速與功率特征進行主成分分析。如圖3所示，黑色箭頭方向為主成分方向，代表風速對功率的影響關系；而非主成分方向即為綠色箭頭方向，可在一定程度上表示結冰故障情況。

構建的敏感特征即為風速與功率在非主成分方向的投影，特征分布如圖4所示，可以看出，正常狀態和結冰狀態存在明顯的劃分。

1.3 分類器的構建與最優閾值選擇

為使風機葉片結冰預測自動化和智能化，在提取敏感特征后將其輸入機器學習模型自動判別風機的結冰狀態。本方案采用的機器學習模型為邏輯回歸分類器，邏輯回歸函數表達式為

圖2 數據預處理過程圖

圖3 風速與功率特征主成分分析圖

式中：表示輸入特征；為輸入樣本維數；；表示邏輯回歸函數的參數。

通常，當分類器的正反2類樣本平衡時，邏輯回歸函數的判別閾值取為0.5。但是，當風機葉片結冰問題是一個嚴重的不平衡分類問題，大量的樣本是正常樣本，結冰樣本僅為少數。因此，邏輯回歸函數的判別閾值需根據交叉驗證實驗調節，選擇最優判別閾值。

2 實驗驗證

驗證數據來自首屆中國工業大數據創新競賽[10]，數據概況見表1。數據包括某風場內5臺風機的SCADA數據，采集歷時2個月，總計采集了一百多萬個時間戳的SCADA監測數據，其中每個時間戳的SCADA數據包括28個連續數值型監測變量，涵蓋了風機的工況參數、環境參數和狀態參數等多個維度。同時，數據由于保密問題，賽事主辦方對風速、網側有功功率等變量進行了減均值除標準差的標準化處理，失去了原始的物理意義。

此外，所給數據的狀態標簽分布呈現嚴重非平衡性。訓練集狀態標簽分布見表2，正常狀態標簽的時間戳約占全部監測數據的90%，而故障時間僅占不到10%。對于這樣極度非平衡的數據，易造成算法對少數類識別率低，而風機葉片結冰預測問題恰為對少數類的識別問題。

表1 實驗數據概況

表2 訓練數據狀態標簽

2.1 交叉驗證選擇最優分類閾值

通過對訓練數據進行交叉驗證，選擇最優的分類閾值。評估函數為分類準確率與比賽得分函數[10]，分類準確率評估多數類的識別情況，比賽的得分函數評估對少數類的識別情況。實驗一的訓練數據為風機15，驗證數據為風機21，實驗結果如圖5所示；實驗二的訓練數據為風機21，驗證數據為風機15，實驗結果如圖6所示。

圖5 實驗一結果圖

圖6 實驗二結果圖

從圖5與圖6的實驗結果中可以看出，隨著分類閾值的升高，分類準確率即對多數類的識別能力不斷增加，且在初始階段變化明顯，隨后變化逐漸平緩，當閾值取為0.1時，分類準確率均已超過90%；而比賽得分函數則不像分類準確率一樣單調變化，得分先隨著閾值的升高而升高，當閾值取為0.1左右時，得分達到最高點，之后隨著閾值的升高而下降，當閾值取為0.1時，所有得分均超過80分。綜上所述，0.1為合理的分類閾值。

2.2 測試集與最終提交集的預測結果

最終的實驗方案如表3所示，測試集與最終提交集的預測結果及得分如圖7所示。圖7中以5臺風機的風速變量表示時間，訓練集中紅色區域表示實際風機葉片結冰時間，預測集和最終提交集紅色區域表示預測風機葉片結冰時間。從圖7中可以看出，對應關系比較明顯，預測較為準確。

表3 最終實驗方案

圖7 測試集與提交集檢測結果圖

本方案在訓練集的得分為86分，測試集的得分為85分，最終提交集的得分為75分。在八百多支參賽隊伍中最終取得第5名。

3 結論

1）本文提出了一種基于SCADA數據的風機葉片結冰檢測方法。實驗結果表明，該方法較為準確地預測了風機葉片的結冰時間。

2）依據風機葉片結冰對風機工作狀態的影響，本文從SCADA系統中選擇風速與網側有功功率變量，并利用主成分分析技術提取其在非主成分方向的投影特征，實驗結果表明，該特征對風機葉片結冰極為敏感。

3）針對風機葉片結冰這類不平衡分類問題，本文采用選擇最優閾值使邏輯回歸分類器適用于不平衡樣本，實驗結果表明，該方法有效地解決了風機葉片結冰的不平衡分類問題。

[1] 胡彥君，史波．SCD 3.0 MW大功率兩葉片風力發電機優化[J]．發電與空調，2017，38(4)：47-51．

[2] 劉保松，劉曉光．風電機組功率曲線的優化研究[J]．發電與空調，2015，36(5)：36-40．

[3] 北極星風力發電網．權威數據——2015年中國風電裝機容量統計報告：新增裝機30753MW同比增長32.6%[EB/OL]．(2016-04-01)[2018-02-28]．http：//news.bjx.com.cn/html/20160401/721882.shtml.

[4] 張建卓，董申，李旦．基于正負剛度并聯的新型隔振系統研究[J]．納米技術與精密工程，2004，2(4)：314-318．

[5] Mu?oz C Q G，Márquez F P G，Tomás J M S．Ice detection using thermal infrared radiometry on wind turbine blades[J]．Measurement，2016(93)：157-163．

[6] Berbyuk V，Peterson B，M?ller J．Towards early ice detection on wind turbine blades using acoustic waves[C]．Proceedings of Nondestructive Characterization for Composite Materials，Aerospace Engineering，Civil Infrastructure，and Homeland Security 2014．International Society for Optics and Photonics，2014，9063：90630F．

[7] Kim D，Sampath U，Kim H，et al．A fiber-optic ice detection system for large-scale wind turbine blades

[C]．Proceedings of Optical Modeling and Performance Predictions IX．International Society for Optics and Photonics，2017，10374：103740B．

[8] Shi Q．Model-based detection for ice on wind turbine blades[D]．Trondheim：NTNU，2017．

[9] 梁穎，方瑞明．基于SCADA和支持向量回歸的風電機組狀態在線評估方法[J]．電力系統自動化，2013，37(14)：7-12．

[10] 風機運行脫敏數數據[EB/OL]．[2017-07-15][2018-02-28]．http：//www.industrial-bigdata.com.

(責任編輯 車德競)

Ice Detection Method by Using SCADA Data on Wind Turbine Blades

LI Ningbo1, YAN Tao1, LI Naipeng1, KONG Detong2, LIU Qingchao2, LEI Yaguo1

(1. Shaanxi Key Laboratory of Mechanical Product Quality Assurance and Diagnostics, Xi'an Jiaotong University, Xi'an 710049, Shaanxi Province, China; 2. Huadian Electric Power Research Institute Co., LTD, Hangzhou 310030, Zhejiang Province, China)

Aimed at the phenomenon of wind turbine blade icing, which is easy to occur in the cold areas, a method of icing detection of wind turbine blades using SCADA data was proposed. When the blades are icing, the power loss of generator will be increased, thus the method picks two variables, wind speed and power. Principal component analysis (PCA) was used to construct the projection feature on non-principal component direction which is sensitive to icing and active power of network. By choosing the optimal threshold, the logistic regression classifier is suitable for unbalanced classification. The effectiveness of this method was verified by the data of China Industrial Big Data Innovation Competition.

ice detection on wind turbine blade; SCADA data; non-principal component projection feature; optimal threshold selection; unbalanced classification

2017-12-05。

李寧波(1992)，男，博士研究生，主要研究方向為機械設備剩余壽命預測，liningbo1992@163.com。

國家自然科學基金項目(U1709208，61673311)；中組部“萬人計劃”青年拔尖人才支持計劃。

Project Supported by National Natural Science Foundation of China (U1709208, 61673311); National Program for Support of Top-notch Young Professionals.

10.12096/j.2096-4528.pgt.2018.010