基于 SCADA 運(yùn)行數(shù)據(jù)的風(fēng)電機(jī)組發(fā)電性能劣化監(jiān)測(cè)研究

馬 東， 孔德同， 郭 鵬， 曹 力， 王明宇

（1. 華電電力科學(xué)研究院有限公司， 浙江 杭州 310030； 2. 華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院， 北京102206）

0 引言

近年來(lái)， 隨著風(fēng)電補(bǔ)貼的減少和平價(jià)上網(wǎng)政策的推進(jìn)， 風(fēng)電企業(yè)對(duì)風(fēng)電機(jī)組的發(fā)電性能和發(fā)電效率越來(lái)越重視。 監(jiān)測(cè)系統(tǒng)實(shí)時(shí)監(jiān)測(cè)機(jī)組發(fā)電性能，出現(xiàn)劣化時(shí)會(huì)及時(shí)發(fā)出預(yù)警，提示運(yùn)行人員關(guān)注機(jī)組運(yùn)行狀態(tài)， 能夠有效提高風(fēng)電場(chǎng)的運(yùn)行水平和經(jīng)濟(jì)效益。 功率曲線是反映風(fēng)電機(jī)組發(fā)電性能的重要指標(biāo)和參數(shù)。 監(jiān)測(cè)系統(tǒng)采用運(yùn)行數(shù)據(jù)描述風(fēng)電機(jī)組的發(fā)電性能特性， 建立機(jī)組的功率曲線模型， 并基于模型實(shí)時(shí)監(jiān)測(cè)機(jī)組發(fā)電功率的異常變化，準(zhǔn)確發(fā)出機(jī)組性能劣化預(yù)警。 文獻(xiàn)[1]基于風(fēng)電機(jī)組的運(yùn)行原理， 分析了影響機(jī)組發(fā)電功率和性能的因素，得出了環(huán)境因素、變槳系統(tǒng)、偏航系統(tǒng)和控制系統(tǒng)對(duì)機(jī)組性能影響較大的結(jié)論。 文獻(xiàn)[2]結(jié)合風(fēng)電場(chǎng)實(shí)際案例分析，發(fā)現(xiàn)風(fēng)向標(biāo)存在對(duì)風(fēng)偏差和葉片槳距角未在零位對(duì)風(fēng)電機(jī)組發(fā)電性能有較大影響。 但以上文獻(xiàn)沒(méi)有全面考慮影響風(fēng)電機(jī)組發(fā)電性能的因素。 在功率曲線建模方面， 采用最多的是國(guó)際標(biāo)準(zhǔn)IEC61400-12-1中規(guī)定的比恩斯法（Bins）功率曲線繪制方法。 文獻(xiàn)[3]以0.5 m/s 為間隔的每個(gè)風(fēng)速分區(qū)內(nèi)運(yùn)行數(shù)據(jù)中的風(fēng)速和功率平均值建立功率曲線模型。 文獻(xiàn)[4]采用Bins、多項(xiàng)式擬合、支持向量基和神經(jīng)網(wǎng)絡(luò)等5 種方法建立以風(fēng)速為輸入的功率曲線模型，并比較了各種方法的建模精度和建模時(shí)間。文獻(xiàn)[5]采用粒子群尋優(yōu)的最小二乘支持向量機(jī)法建立功率曲線模型， 并基于模型對(duì)風(fēng)電機(jī)組故障進(jìn)行監(jiān)測(cè)。 以上文獻(xiàn)建立的功率曲線模型均是以風(fēng)速為輸入，沒(méi)有考慮偏航誤差、葉輪轉(zhuǎn)速等其他變量對(duì)功率的影響， 建立的功率曲線模型精度較低。

為全面考察風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)中各個(gè)變量對(duì)機(jī)組輸出功率的影響， 本文首先采用偏最小二乘回歸方法 （PLS） 確定對(duì)輸出功率影響最大的變量； 然后采用高斯過(guò)程回歸方法建立多變量風(fēng)電機(jī)組功率曲線模型；以功率曲線模型為基準(zhǔn)，采用指數(shù)加權(quán)移動(dòng)平均值控制圖（EWMA）實(shí)時(shí)監(jiān)測(cè)模型預(yù)測(cè)功率殘差；當(dāng)機(jī)組發(fā)電功率出現(xiàn)異常變化，機(jī)組性能發(fā)生劣化時(shí)，及時(shí)發(fā)出性能劣化預(yù)警。

1 PLS 功率曲線模型建模變量選擇

1.1 PLS 變量選擇原理

PLS 是一種多變量統(tǒng)計(jì)分析技術(shù)。 在特征提取過(guò)程中，PLS 獲得的主要元素不僅可以克服自變量之間存在的多重相關(guān)性， 全面地總結(jié)自變量給出的信息，而且可以很好地解釋因變量，實(shí)現(xiàn)對(duì)高 維 數(shù) 據(jù) 的 降 維 處 理[6]，[7]。

假設(shè)原始輸入自變量X∈RN×m， 輸出因變量Y∈RN×1，N 為樣本數(shù)，m 為輸入自變量維數(shù)。 輸入和輸出矩陣進(jìn)行歸一化處理后分別為X0和Y0。記t1，u1分別為X0和Y0的第一主成分，w1，c1分別為X0和Y0的第一主軸，為單位向量。 提取t1，u1，并使t1，u1盡可能多地?cái)y帶X0和Y0中的信息，即：

由于Y0為一維變量，因此c1=1。 解此優(yōu)化問(wèn)題，得到w1，可得第一主成分。

然后求得回歸方程為

式中：p1，r1為回歸系數(shù)向量。

式中：Rd（Y；th）=r（y，th）為y 和th的相關(guān)系數(shù)；m為主成分的個(gè)數(shù)；whi為wh的第i 個(gè)元素。

1.2 風(fēng)電機(jī)組功率曲線建模變量選擇

以安徽某風(fēng)電場(chǎng)1.5 MW 雙饋風(fēng)電機(jī)組為研究對(duì)象。 每一條10 min 運(yùn)行數(shù)據(jù)記錄中共包括風(fēng)速、有功功率、槳距角、環(huán)境溫度等共計(jì)72 個(gè)變量。選取該機(jī)組在2018 年11 月10 日-12 月4 日共24 d 的10 min 運(yùn)行數(shù)據(jù)，去除停機(jī)時(shí)段后剩余2 814 條記錄。 為從中找到與機(jī)組輸出功率（即有功功率）密切相關(guān)的變量，采用偏最小二乘方法對(duì)樣本進(jìn)行分析，得到VIP 指標(biāo)排在前列的變量如表1 所示。

表1 SCADA 各變量的VIPTable 1 VIP of SCADA variables

2 高斯過(guò)程功率曲線建模

2.1 高斯過(guò)程回歸

由于風(fēng)速隨機(jī)變化， 風(fēng)電機(jī)組運(yùn)行參數(shù)也隨之改變。強(qiáng)隨機(jī)性是風(fēng)電運(yùn)行數(shù)據(jù)的重要特點(diǎn)。高斯過(guò)程回歸建模方法對(duì)隨機(jī)過(guò)程數(shù)據(jù)具有很好的建模效果，不僅能夠?qū)﹄S機(jī)數(shù)據(jù)進(jìn)行建模，還能對(duì)數(shù)據(jù)中的噪聲進(jìn)行分離并進(jìn)行估計(jì)。 因此本文選擇高斯過(guò)程回歸對(duì)風(fēng)電機(jī)組功率曲線進(jìn)行建模。高斯過(guò)程的特性由均值m（x）和協(xié)方差函數(shù)k（x，x′）確定，即：

高斯過(guò)程的風(fēng)電機(jī)組功率曲線模型的超參數(shù)記為Θ。 本文采用平方指數(shù)協(xié)方差函數(shù)，其矩陣形式為

本文采用對(duì)數(shù)似然函數(shù)最大化方法獲得高斯過(guò)程回歸的超參數(shù)Θ。

2.2 功率曲線建模及驗(yàn)證

選取實(shí)驗(yàn)機(jī)組2018 年12 月4 日-2019 年1月15 日42 d 的10 min 運(yùn)行數(shù)據(jù)， 共計(jì)6 048條。將這些運(yùn)行數(shù)據(jù)中功率小于等于零的（即停機(jī)時(shí)段）剔除后，還剩5 136 條。 從每條運(yùn)行數(shù)據(jù)中按照第一節(jié)中確定的功率曲線的建模變量，將風(fēng)速、槳距角、發(fā)電機(jī)轉(zhuǎn)速、偏航誤差、風(fēng)向和有功功率取出構(gòu)成一個(gè)樣本，共計(jì)5 136 個(gè)樣本。 將5 136個(gè)樣本分為兩部分，一部分為訓(xùn)練樣本，共計(jì)4636 個(gè)，剩余500 個(gè)樣本作為驗(yàn)證樣本。 由于樣本中各變量的單位和數(shù)值相差極大，在使用樣本前，須對(duì)樣本中各變量按照上下限進(jìn)行歸一化處理。

首先采用訓(xùn)練樣本和最大似然估計(jì)確定功率曲線高斯過(guò)程回歸模型的超參數(shù)。 得到模型參數(shù)后，將500 個(gè)歸一化驗(yàn)證樣本送入功率曲線模型，采用式（4）對(duì)每一個(gè)驗(yàn)證樣本的功率進(jìn)行預(yù)測(cè)。第i 個(gè)驗(yàn)證樣本的預(yù)測(cè)殘差為

式中：yi為驗(yàn)證樣本實(shí)際功率值，為模型功率預(yù)測(cè)值。

高斯過(guò)程回歸功率曲線模型驗(yàn)證如圖1 所示。

在圖1 中， 高斯過(guò)程回歸功率曲線模型對(duì)風(fēng)電機(jī)組的實(shí)測(cè)功率具有很高的預(yù)測(cè)精度。 為更直觀地反映高斯過(guò)程回歸模型的驗(yàn)證結(jié)果并和傳統(tǒng)單風(fēng)速輸入的Bins 功率曲線模型作對(duì)比，將上述兩種方法對(duì)驗(yàn)證數(shù)據(jù)的預(yù)測(cè)功率繪制在風(fēng)速-功率坐標(biāo)系中，結(jié)果如圖2 所示。

圖1 高斯過(guò)程回歸功率曲線模型驗(yàn)證Fig.1 Validation of Gaussian process power curve model

圖2 高斯過(guò)程回歸與比恩斯方法驗(yàn)證對(duì)比Fig.2 Comparison between GP and Bins methods

由圖2 可知：國(guó)際標(biāo)準(zhǔn)Bins 法僅以風(fēng)速作為模型輸入，一個(gè)風(fēng)速值僅對(duì)應(yīng)一個(gè)功率預(yù)測(cè)值，無(wú)法反映功率受其他因素影響波動(dòng)的特性； 高斯過(guò)程回歸由于將影響功率的多個(gè)變量作為輸入，其預(yù)測(cè)值不僅由風(fēng)速?zèng)Q定，還受槳距角、偏航誤差等其他變量影響，同一風(fēng)速下對(duì)應(yīng)多個(gè)功率值，功率預(yù)測(cè)值與功率實(shí)際值都呈離散分布且吻合良好。

3 風(fēng)電機(jī)組發(fā)電性能劣化監(jiān)測(cè)

風(fēng)電機(jī)組高斯過(guò)程回歸功率曲線模型建立的機(jī)組輸出功率與其多個(gè)影響因素之間的內(nèi)在關(guān)系，體現(xiàn)了機(jī)組正常工作狀態(tài)下的發(fā)電性能，能夠在多個(gè)輸入組合成的各種復(fù)雜工況下對(duì)機(jī)組輸出功率進(jìn)行準(zhǔn)確地預(yù)測(cè)。 當(dāng)風(fēng)電機(jī)組出現(xiàn)性能劣化時(shí)，與機(jī)組正常工作狀態(tài)相比，在相同工況下機(jī)組的發(fā)電功率降低。 功率與其影響因素之間的關(guān)系偏離高斯過(guò)程回歸功率曲線模型， 機(jī)組實(shí)發(fā)功率低于模型預(yù)測(cè)功率，模型的預(yù)測(cè)精度降低。對(duì)功率曲線模型預(yù)測(cè)殘差進(jìn)行分析， 能夠及時(shí)發(fā)現(xiàn)風(fēng)電機(jī)組的發(fā)電性能劣化并進(jìn)行報(bào)警。

由于風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)的強(qiáng)隨機(jī)性， 以及SCADA 系統(tǒng)采集運(yùn)行數(shù)據(jù)時(shí)易出現(xiàn)噪聲干擾，如對(duì)模型預(yù)測(cè)殘差僅采用設(shè)置閾值進(jìn)行劣化報(bào)警的簡(jiǎn)單方式， 容易出現(xiàn)由于測(cè)量噪聲等造成的誤報(bào)警。 為提取功率曲線模型預(yù)測(cè)殘差序列中的確定劣化趨勢(shì)并克服噪聲信號(hào)的干擾，本文采用EWMA 方法。 EWMA 方法廣泛應(yīng)用于過(guò)程監(jiān)控，質(zhì)量控制等領(lǐng)域， 能夠快速檢測(cè)出過(guò)程的微小波動(dòng)[8]，[9]，其原理如圖3 所示。

圖3 風(fēng)電機(jī)組劣化分析流程圖Fig.3 Procedure of the degradation monitoring

某段時(shí)間內(nèi)， 監(jiān)測(cè)樣本序列的高斯過(guò)程功率曲線模型功率預(yù)測(cè)殘差序列為

EWMA 控制圖中第i 個(gè)統(tǒng)計(jì)量li為

式中：λ為歷史殘差對(duì)當(dāng)前EWMA 統(tǒng)計(jì)量的權(quán)重，0＜λ≤1，本文取值為0.2。

EWMA 統(tǒng)計(jì)量的初值l0取圖1 中驗(yàn)證樣本序列殘差的均值。 EWMA 控制圖的上、下控制限分別為

式中：UCL 為控制圖上控制限；LCL 為控制圖下控制限；μ0為驗(yàn)證樣本序列殘差的均值；σ0為驗(yàn)證樣本序列殘差均值的標(biāo)準(zhǔn)差；N 為樣本容量；K為控制限寬度，取值為2；λ 為權(quán)重。

當(dāng)監(jiān)測(cè)樣本的EWMA 控制圖統(tǒng)計(jì)量超出上、下控制限時(shí)，發(fā)出風(fēng)電機(jī)組發(fā)電性能劣化預(yù)警。

4 風(fēng)電機(jī)組劣化監(jiān)測(cè)實(shí)例

在風(fēng)電場(chǎng)運(yùn)行日志中，實(shí)驗(yàn)機(jī)組在2019 年2月1-5 日發(fā)生了葉輪轉(zhuǎn)速傳感器故障，葉輪傳感器測(cè)量轉(zhuǎn)速偏低。在此時(shí)段，該機(jī)組的功率和葉輪轉(zhuǎn)速與機(jī)組正常運(yùn)行時(shí)段 （2019 年1 月16-31日）的對(duì)比如圖4，5 所示。

圖4 實(shí)驗(yàn)機(jī)組劣化前后葉輪轉(zhuǎn)速比較Fig.4 Comparison of rotor speed before and after degradation

圖5 實(shí)驗(yàn)機(jī)組劣化前后功率比較Fig.5 Comparison of power before and after degradation

由于葉輪轉(zhuǎn)速傳感器故障， 相同風(fēng)速下的測(cè)量轉(zhuǎn)速偏低，導(dǎo)致實(shí)驗(yàn)機(jī)組在2 月1-5 日的發(fā)電功率下降，機(jī)組性能劣化。

將實(shí)驗(yàn)機(jī)組2019 年1 月30 日-2 月5 日的運(yùn)行數(shù)據(jù)作為監(jiān)測(cè)數(shù)據(jù)送入高斯過(guò)程回歸功率曲線模型，測(cè)試發(fā)電性能劣化監(jiān)測(cè)的效果。功率曲線模型對(duì)此時(shí)段數(shù)據(jù)的功率預(yù)測(cè)值及預(yù)測(cè)殘差如圖6 所示。

圖6 功率曲線模型監(jiān)測(cè)結(jié)果Fig.6 Monitoring result of power curve model

由圖6 可知：開(kāi)始時(shí)機(jī)組運(yùn)行正常，監(jiān)測(cè)樣本功率曲線模型預(yù)測(cè)精度較高； 在2 月1 日葉輪轉(zhuǎn)速傳感器故障后， 機(jī)組實(shí)測(cè)功率小于模型預(yù)測(cè)功率， 預(yù)測(cè)殘差向負(fù)值變化， 機(jī)組發(fā)電性能出現(xiàn)劣化。 為及時(shí)發(fā)出機(jī)組發(fā)電性能劣化預(yù)測(cè)， 采用EWMA 控制圖對(duì)圖6 中的功率預(yù)測(cè)殘差進(jìn)行分析，結(jié)果如圖7 所示。

對(duì)比圖6 的功率預(yù)測(cè)殘差和圖7 的EWMA殘差分析可以發(fā)現(xiàn)， 在第177 個(gè)監(jiān)測(cè)樣本以后，EWMA 統(tǒng)計(jì)量多次持續(xù)超過(guò)控制圖報(bào)警下限并發(fā)出報(bào)警。在實(shí)驗(yàn)機(jī)組發(fā)生性能劣化時(shí)，通過(guò)本文中的高斯過(guò)程功率曲線模型和EWMA 殘差分析方法， 可以準(zhǔn)確捕捉到機(jī)組功率的異常變化并發(fā)出性能劣化預(yù)警。

圖7 EWMA 殘差分析Fig.7 Residual analysis of EWMA

5 結(jié)論

發(fā)電性能劣化監(jiān)測(cè)對(duì)提高風(fēng)電機(jī)組和風(fēng)電場(chǎng)運(yùn)行的安全性和經(jīng)濟(jì)性有重要意義。 本文采用風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)，完成了以下研究工作。

①采用偏最小二乘方法從風(fēng)電機(jī)組眾多監(jiān)測(cè)參數(shù)中選取對(duì)機(jī)組發(fā)電功率影響最大的變量作為功率曲線的建模變量。 將傳統(tǒng)的單變量功率曲線建模改進(jìn)為多變量功率曲線建模。

②采用適合隨機(jī)數(shù)據(jù)特性的高斯過(guò)程回歸作為功率曲線建模方法， 并將偏最小二乘方法選擇的多個(gè)對(duì)功率有重要影響的變量作為模型輸入，對(duì)風(fēng)電機(jī)組發(fā)電功率的建模精度較傳統(tǒng)國(guó)際標(biāo)準(zhǔn)IEC61400-12 有大幅提高。

③在監(jiān)測(cè)階段， 采用高斯過(guò)程回歸功率曲線模型實(shí)時(shí)監(jiān)測(cè)機(jī)組的輸出發(fā)電功率。 采用指數(shù)加權(quán)移動(dòng)平均值控制圖對(duì)模型功率預(yù)測(cè)殘差進(jìn)行準(zhǔn)確分析并發(fā)出發(fā)電性能劣化預(yù)警。