基于能量流的風電機組異常運行狀態預警軟件設計

李林鑫 劉德順 覃事剛 張 帆

1(湖南科技大學機電工程學院 湖南 湘潭 411201)2(中南大學機電工程學院 湖南 長沙 410083)

0 引 言

近年來，通過對風電SCADA系統提供的大量數據進行分析，來對風電機組運行狀態識別、故障診斷與預警已經成為了一個研究熱點[1]。一方面，采用歷史SCADA數據建立研究對象的正常運行狀態模型，來對比此后某一段時間的數據變化，實現異常檢測。針對風電機組葉片[2]、齒輪箱[3-4]、發電機軸承[5]等關鍵部件或子系統開展運行狀態識別與異常預警。Kusiak等[6]采用霍特林T2統計方法，對風電機組的有功功率運行數據進行分析，以此來識別整機的運行狀態。另一方面，基于歷史SCADA數據建立研究對象的正常運行狀態預測模型，來對比實際運行狀態數據變化，實現異常檢測。Schlechtingen等[7]采用自適應神經模糊推理系統對風電SCADA數據進行處理，從而實現對風力發電機運行狀態的監測。孟玲霞等[8]基于流行學習的預警方法、張少敏等[9]基于Storm實時流數據處理和Spark內存批處理技術，對風電機組齒輪箱故障預警進行研究。郭慧東等[10]提出了基于SCADA數據利用LSSVM與GMM相結合的風電機組變槳系統劣化狀態在線識別方案。梁穎等[11]提出了基于回歸預測模型和SCADA系統相配合的在線評估方案。

本文根據能量流概念對風電機組進行系統劃分[12]，通過分析風電機組各個子系統輸入輸出參數之間的關系，建立風電機組運行狀態健康指標，進而利用跨平臺型良好的Qt開發軟件來實現對風電機組異常運行狀態預警的軟件設計。

1 基于能量流參數關系在線預警原理

1.1 能量流分析

風電機組作為一種復雜機電系統，根據其內部能量傳遞關系，可以將其分為風能吸收環節、葉片機械能傳遞環節、發電機電能轉換環節以及變頻變流環節。根據這四個環節將風電機組劃分四個前后關聯的子系統。如圖1所示，氣流帶動風力發電機葉輪轉動，風能轉換成葉輪系統轉動的機械能，然后通過輪轂與發電機的連接機構將機械能傳遞給發電機轉子，切割磁力線，產生電能，最后再經由變頻器將電能傳輸到電網。圖中虛線區域表示風電機組內部能量流變化，每個子系統的輸入輸出參數與前后子系統的輸入輸出參數相關聯，對每個子系統的相關信息進行分析，即可獲得風電機組當前的運行狀態。在本軟件設計中，葉輪系統、傳動系統、發電機系統以及變頻器系統為四個基本子系統，在這四個基本子系統之下還可以根據實際采集到的SCADA數據進行細分，如：在變槳風力發電機中，葉輪系統中還包括變槳系統等輔助子系統。

圖1 風電機組能量流示意圖

根據風電機組能量流動方向確定每個子系統對應的SCADA輸入輸出參數，表1展示了基本子系統與其對應的主要輸入輸出參數。對這些輸入輸出參數之間關系建模，以此來描述風電機組及其子系統運行狀態。在表1中還可以看到每個中間子系統的輸入輸出變量都具有承前啟后的特性，即上一個子系統的輸出參數作為下一個子系統的輸入參數。

表1 子系統名稱及其主要輸入輸出參數

本軟件按照能量流理論將風電機組劃分為四個子系統后，通過計算子系統的運行狀態健康指標，并分析其變化閾值，從而實現風電機組運行狀態的在線預警。

1.2 風電機組運行狀態預警模型

風電機組運行狀態預警大致分為狀態識別與預警兩個步驟。首先需要對風電機組運行狀態進行識別，提出風電機組運行狀態健康指標，然后根據健康指標進行統計分析，計算閾值，實現風電機組運行狀態預警。

對于實際風電機組及其各個子系統來說，其包含的輸入輸出參數之間的關系是復雜的，但都可以采用多項式逼近的方法來表示每個子系統中輸入輸出參數之間的關系。這樣，某輸入x與輸出y之間的關系可以表示為：

y=a0+a1x+a2x2+…+anxn

(1)

式中:n為多項式階數，a0、a1、a2、…、an為常系數。

對于風電機組及其子系統，基于SCADA參數歷史數據應用最小二乘法，可以計算出式(1)中的系數a0、a1、a2、…、an，根據SCADA參數當前數據可以計算出模型系數記作b0、b1、b2、…、bn，于是，可以得到風電機組及其子系統運行狀態健康指標[13]：

(2)

式中:xmax、xmin為當前數據集中，輸入變量x的最大值與最小值。這里，健康指標C表示風電機組某個時刻的數據集計算出來的運行模型相對于正常運行時刻的數據集計算出來的標準運行模型的差異。健康指標C的值越大，說明該時刻運行狀態相對于正常運行狀態差異越大，發生異常的可能性越大；C的值越小，說明該時刻運行狀態相對于正常運行狀態差異越小，發生異常的可能性越小，即運行正常的可能性越大。

由于風速具有很強的隨機性，風電機組運行狀態也表現出隨機性，其健康指標C實際上是一個隨機變量。各個時刻的健康指標組成新的數據集Dc={C1,C2,…,Cn}，并具有一定的隨機分布規律。采用核密度估計法對其進行處理，構造其密度函數，一維核密度估計函數的一般式為：

(3)

式中:K(x)為核函數；n為數據集Dc中數據量；h為核密度函數的帶寬。帶寬h的取值影響著核密度估計的精確度，如果h太小或太大都會對計算結果產生劇烈影響。

選擇高斯核函數，則可以對數據集Dc統計分析得到核密度估計函數為：

(4)

式中:最優帶寬hopt的計算公式為：

(5)

(6)

2 在線預警軟件的設計與實現

2.1 應用場景

現代大型風電機組大多裝配了相應的SCADA系統，對風電機組進行狀態監控。信息收集與儲存是其核心業務，而在風電機組運行狀態報警方面，對風電機組各子系統的物理聯系缺乏有效分析與解釋，導致SCADA系統只能在故障發生時給出報警信息，而無法提前預警以避免事故發生。利用SCADA系統提供的大量歷史數據，對風電機組運行狀態進行分析是本軟件的主要功能。本軟件應用架構如圖2所示，通過訪問SCADA系統服務器的數據庫獲取實時數據進行分析。

圖2 預警軟件在SCADA系統中的應用構架

在核心業務模塊中，給出了一個風電機組實時閾值計算方法，讓原本固定不變的閾值隨SCADA數據的變化而變化。除了訪問SCADA系統服務器數據庫以外，本軟件完全獨立于SCADA系統本身進行獨立的風電機組運行狀態預警。即對于不同的SCADA系統，只要正確設置其數據存儲格式，都可以通過本軟件進行訪問分析。

成功連接數據庫后，軟件會自動讀取SCADA數據，并將數據傳遞給軟件的其余部件，通過人機交互接口顯示當前數據變化。作為一個基于SCADA數據的在線預警軟件，本軟件不需要在運行電腦上額外配置環境變量，不需要增加任何物理設備，對于風電機組維護成本的影響幾乎為零。

2.2 軟件結構

軟件結構如圖3所示，可以看出，本軟件分為數據準備層、數據操作層、繪圖操作層與輔助功能層等四個層次。

圖3 軟件結構圖

數據準備層：本層為數據訪問模塊，具備軟件外部數據訪問以及軟件內部數據分流功能。首先，訪問SCADA服務器中的數據庫作為本軟件的數據來源，以驅動軟件內置各子系統的數學模型；然后將讀取到的SCADA數據按照軟件不同功能模塊傳輸給繪圖操作層、數據操作層。

數據操作層：本層包含兩個數據處理模塊：一個是基于能量流參數關系的風電機組運行狀態健康指標計算模塊；另一個是基于統計學的非參數核密度估計的閾值計算模塊。通過接收來自數據準備層的數據后進行計算分析。首先計算實時風電機組運行狀態指標值，傳輸給繪圖操作層以及運行狀態指標實時閾值分析模塊，在運行狀態指標實時閾值分析模塊中，進行實時閾值分析，新讀取的數據與實時更新的歷史數據集閾值進行對比，其對比結果同樣傳遞給繪圖操作層。

繪圖操作層：從數據準備層與數據操作層獲取數據信號，根據實時的數據信號繪制實時圖像，包含基本數據圖表與狀態數據圖表兩個繪圖模塊。基本數據圖表模塊由主界面基本參數繪圖與鼠標點擊參數繪圖模塊組成；狀態數據圖表框架由實時運行狀態健康指標繪制模塊、實時健康指標閾值繪制模塊與預警狀態繪圖模塊三部分組成。其中主界面基本繪圖模塊為軟件主界面基本參數實時顯示，而鼠標點擊參數繪圖則是將本軟件所分析的各個參數單獨繪制成圖，便于運維人員在閱讀數據的同時，更直觀掌握當前風電機組參數變化情況。狀態數據圖表框架中包含的三個模塊是本軟件設計的核心內容，它們反映了當前風電機組實時運行狀態、實時閾值變化以及風電機組是否處于預警狀態。當風電機組運行狀態指標突破健康指標閾值時，預警狀態繪圖模塊將根據繪圖策略更改當前主界面顯示狀態，提醒工作人員注意風電機組運行狀態。

輔助功能層：作為人機交互層，本層的設計以便于工作人員隨時查看風電機組運行狀態預警記錄為目的，設計了預警日志輸出模塊、參數設置模塊以及運行狀態提醒模塊。當本軟件監測到風電機組可能存在異常運行狀態時，預警日志模塊就會在軟件主界面打印一條預警事件的記錄，工作人員隨時可以通過主界面了解風電機組的預警情況。該模塊還提供了日志文檔功能，可以將預警日志輸出到文本文檔，保存至工作人員指定目錄下。對于不同風電機組，其初始模型參數必然有所差異，因此，利用參數設置模塊對不同風電機組的初始運行狀態模型參數進行設置。運行狀態提醒模塊是本軟件層的最后一個模塊，當風電機組運行狀態出現異常預警時，從無異常狀態切換至異常，與異常預警消失后，從異常提醒狀態恢復到無異常狀態。

2.3 基于Qt的軟件模型算法實現

Qt作為一個集成開發環境，為開發人員提供了豐富的類庫以及其特有的信號與槽機制[14]，易實現風電機組運行狀態數據的在線分析，并輸出預警結果。本軟件在數據分析過程中包含了一個時間窗口模型與兩個數據處理方法。

2.3.1時間窗口模型

為了實現數據的實時更新，引入一個滑動時間窗口模型來實現對獲取到的數據建立一個動態數據集D，如圖4所示。

圖4 滑動時間窗口模型

圖4中，n表示數據集D的時間寬度，不同的SCADA系統提供的數據采樣頻次不同。本文采用的SCADA系統數據采樣頻率為每秒一次，因此數據集寬度n在數值上與時間計數相同，即數據集D包含n個元素，就表示數據集D包含n秒鐘的數據，D(ti-1)表示ti-1時刻的數據集，Δd表示n個時間單位后新增加的數據子集。此滑動時間窗口模型的具體算法設計詳見算法1。

算法1Sliding Time Window Model(d)

輸入：當前時刻待分析SCADA數據；

輸出：動態數據集D；

{//start algorithm

步驟1初始化數據集基本參數

int n;

//設置窗寬;

new QVectorD(n);

//初始化

QVector容器D用于存儲數據;

D<

//將數據d傳遞給D;

步驟2控制數據集大小

while(D.size()>=n){

//當D的大小達到窗寬n時,開始循環;

D.removefirst();

//移除D中第一個元素。

…;

}

//end while;

}

//end algorithm;

在算法1所示的時間窗口模型實現過程中，利用while循環可以保證動態數據集的大小固定，當數據集大小達到時間窗口設定值時，刪除第一個數據，同時新進的數據存入數據集的末尾。基于時間窗口模型，可以實現風電機組運行狀態健康指標與預警閾值實時動態分析。

2.3.2風電機組運行狀態健康指標算法

第1節已經討論了關于風電機組運行狀態健康指標的計算方法，在計算健康指標的過程中，包含了風電機組實時運行狀態建模，以及實時健康指標計算兩部分。首先利用最小二乘多項式擬合來求解風電機組實時運行狀態模型的參數，然后根據式(2)計算健康指標，具體算法設計詳見算法2。

算法2Healthy Criterion algorithm(x,y)

輸入：目標子系統原始輸入輸出參數SCADA數據；

輸出：目標子系統運行狀態健康指標C；

{

//start algorithm;

步驟1初始化數據集基本參數

new QVectorX(length);

new QVectorY(length);

CriterionCalculation(int n, B[n], x, y)

{

//n為擬合階次；length為時間窗寬；

//B[n]為標準多項式擬合參數b0, b1, b2, …, bn;

X<

Y<

//輸入數據傳遞給X、Y；

while(X.size()>=length;){

X.removefirst();

Y.removefirst();

步驟2利用最小二乘法計算式中參數；

LeastSquares(X,Y,n){

…;

return A[n];

};

//A=(a0, a1, …, an)

步驟3根據式計算風電機組運行狀態健康指標C；

calculationC(A[n],B[n]){

…;

return C;

}

}

//end while;

}

//end CriterionCalculation();

}

//end algorithm;

在算法2的自定義函數calculationC(A[n],B[n])中，根據式(2)計算風電機組運行狀態健康指標時，采用Romberg積分算法[15]來解決其中的積分問題。Romberg算法是建立在Simpson公式、Newton-Cotes公式基礎上的一種加速積分算法。利用Richardson外推加速收斂技術，使該算法可以在不增加計算量的前提下提高誤差精度。

2.3.3風電機組運行狀態預警閾值算法

利用統計學中非參數估計原理，可以對算法2計算出來的風電機組健康指標C進行閾值計算。在這一部分中，要實現風電機組運行狀態預警閾值的實時分析。首先，收集實時健康指標C，建立一個動態數據集；其次，根據式(4)與式(5)計算健康指標C的密度函數；最后，根據式(6)計算閾值。這部分算法詳見算法3。基于算法3，軟件可以完成實時預警閾值的計算，返回預警閾值所需要的參數，再根據式(6)便可以計算出隨SCADA數據變化的風電機組運行狀態的預警閾值。

算法3Warning Threshold algorithm(c)

輸入：待分析風電機組運行狀態健康指標C；

輸出：實時風電機組預警閾值Cth；

{

//start algorithm;

步驟1初始化數據基本參數

QVectorC(length);

ThresholdCalculation(double c, int length){

//c為實時健康指標值;length為時間窗寬;

步驟2輸入數據傳遞給C;

C<

while(C.size()>=length; ){

C.removefirst();

步驟3根據式中最優帶寬hopt；

OptimalBandwidth(C){

…;

return h;

};

步驟4計算數據集的數字特征

NumericalCharacteris(){

NuclearDensity(C,h){

…;

//根據式進行核密度估計分析;

};

…;

return Cmean、S、Sigma;

}

//Cmean、S分別運行狀態健康指標

//數據集的期望與標準差;

//sigma為核密度估計標準差;

…;

return Cth;

//根據式計算預警閾值Cth;

}

//end while;

}

//end ThresholdCalculation();

}

//end algorithm;

基于時間窗口模型、風電機組運行狀態健康指標算法與預警閾值算法，可以實現一個完整數據處理周期。本軟件設計的風電機組運行狀態預警流程如圖5所示。

圖5 預警流程圖

在圖5中，SCADA數據從開始出發，首先計算出某個風電機組及其子系統輸入輸出參數關系的運行狀態健康指標C，再根據健康指標C的值進行實時統計分析并計算預警閾值Cth，然后做出判斷。若滿足判定條件，即無異常預警，直接進入下一輪計算，若不滿足判定條件，則給出預警提醒，再繼續下一個周期的分析。

3 實例分析

本軟件采用Qt creator開發軟件，版本號為5.10.1，操作系統環境為Windows 10。以某風電場2 MW直驅式風電機組的SCADA系統數據為監測對象，提取風電機組SCADA系統4天運行數據進行在線監測模擬。首先將SCADA數據導入服務器數據庫，運行本軟件并配置好各子系統標準模型參數，如圖6所示，點擊確定生效。然后連接數據庫，模擬在線監測過程。其中A0、A1分別對應正常運行狀態下的多項式回歸模型參數。

圖6 葉輪子系統參數設置

圖7展示了當風電機組正常運行時，在軟件主界面中可以看到實時功率曲線穩定在額定功率附近，總體運行狀態進度條也與其余子系統進度條一樣，處于一個常規的狀態。而當軟件檢測出風電機組即將偏離正常運行狀態時風電機組運行狀態進度條數值將不斷增長，并且在軟件主界面顯示預警消息，如圖8所示。

圖7 運行狀態主界面(非預警狀態)

圖8 運行狀態主界面(預警狀態)

從圖8中可以看出，葉輪系統出現異常運行狀態預警，其預警進度條預警狀態值已經達到92%。而風電機組總體運行狀態進度條仍然處于“非常好”的狀態，說明風電機組總體的運行狀態與子系統運行狀態不一定完全相同，即風電機組子系統出現異常時風電機組整體運行狀態并不一定會同時出現異常。由于一個輸入輸出參數關系代表著一個子系統或者零部件運行狀態模型，所以基于參數關系的預警也就提供了發生異常的零部件方面的信息，這有利于針對性的維護。

在軟件運行過程中，工作人員可以通過點擊主界面中各個系統對應的狀態進度條查看當風電機組運行狀態健康指標與實時預警閾值的變化。圖9顯示了風電機組風速與功率之間健康指標以及其預警閾值的變化，橫坐標表示當前時刻到過去360 s的時間跨度，縱坐標表示風電機組運行狀態健康指標與預警閾值的變化范圍。

圖9 總體運行狀態評估指標與閾值

4 結 語

風力發電機運行狀態預警的實時性對于風電機組預警十分關鍵，本文所設計實時在線預警軟件重點在于構建一個實時預警的基本框架，讓使用者更加方便快捷地閱讀風電機組的實時運行狀態。本文注重風電機組運行狀態的時效性與整體性，將原本相對獨立的各項SCADA參數按照能量流理論進行系統分類，并整理出對應的輸入輸出參數，有利于用戶通過預警信息迅速查找異常零部件。將軟件的數據操作設計成獨立的數據操作模塊，有利于引入不同的狀態預警數學模型，且有較強的擴展性。