基于機器學習算法與SCADA系統的風電機組變槳系統變頻器的故障預警方法研究

孟憲梁，梁 偉，楊 志，馮文新，柯 超，尹立軍

(1. 國電電力新疆新能源開發有限公司，烏魯木齊 830000；2. 華風數據(深圳)有限公司，深圳 518110)

0 引言

由于風電機組長期處于復雜的工作環境中，因此開展風電機組故障預警可以有效降低風電機組的維護成本，提高風電機組的可用性，進而提高風力發電項目的經濟效益。變槳系統是風電機組的關鍵設備，其可在不同工況下控制風電機組功率與轉速的平衡[1]，而變槳系統故障是風電機組故障中最常見的故障之一。

當前，針對風電機組變槳系統故障預警的研究主要集中在對SCADA系統數據進行分析[2]，以及機器學習算法可有效應用于風電機組變槳系統的故障預警這些方面[3]。河北工業大學的學者成功使用SCADA系統數據進行了變槳系統的狀態預測[4]；南京理工大學的學者利用支持向量機進行機器學習，實現了對齒形帶斷裂故障的智能檢測[5]；北京交通大學的田彤彤[6]采用SCADA系統與機器學習算法結合的方法，針對風電機組變槳系統的狀態評估與預測進行了研究，為消除風電場的環境隨機因素對風電機組運行的干擾，其采用滑動時間窗的方法處理模型殘差，并以殘差閾值作為變槳系統狀態的判斷依據。上海機電學院的梅曉娟[7]研究和分析了變槳系統的SCADA系統數據，對機器學習算法SVM進行了改進，并將其應用于變槳系統的SCADA系統數據建模方面。

變槳系統變頻器是變槳系統中故障發生率最高的部件，為了減少因變槳系統變頻器故障而導致的變槳系統故障，研究變槳系統變頻器的故障預警十分必要。針對電動變槳系統變頻器的故障預警，本文提出一種基于機器學習算法與SCADA系統結合的方法，建立變槳系統變頻器故障預警模型，并采用滑動時間窗殘差估計方法處理模型溫度殘差，計算得出故障預警的溫度殘差值閾值，依此判斷變槳系統變頻器的狀態，進而評估變槳系統的運行狀態；然后以新疆維吾爾自治區某風電場實際的運行數據為例，驗證了該方法對風電機組變槳系統變頻器故障預警的可行性，從而可為風電機組的檢修提供依據。

1 電動變槳系統的工作原理及變槳系統變頻器的相關參數

風電機組當前的風速及電機轉速與其歷史風速、電機轉速存在著關聯關系。本研究以北京華電天仁電力控制技術有限公司生產的電動變槳系統為例，其分別給每個葉片配備單獨的變頻器。根據風電專家和相關資料的指導，選取SCADA系統的相關變量作為算法的特征變量，將風速、轉子轉速、發電功率、3個變槳輪轂溫度、3個葉片偏角、3個變槳軸承箱柜溫度、3個變槳電機溫度、3個變槳電池溫度、3個變槳電機電流、3個變槳電容溫度，共計24個特征參數作為機器學習模型輸入參數，以各個變槳系統變頻器的溫度作為機器學習模型輸出參數。使用先進的機器學習算法進行模型訓練，從而對變槳系統變頻器的運行狀態進行預測，通過與實際的風電機組SCADA系統數據進行對比，驗證該方法的可行性。

2 基于機器學習算法和SCADA系統的風電機組變槳系統變頻器的故障預警模型的建立

當前所有機器學習算法中，Xgboost算法與LightGBM算法為2種熱門的機器學習算法。在很多應用中，2種算法都表現出了優異的性能。但在風電領域，利用LightGBM算法的研究較少，因此，本研究嘗試使用2種算法并進行對比分析。

Xgboost算法是組合算法中的提升方法，是一種可擴展的強大的機器學習算法，應用非常廣泛。LightGBM算法是基于直方圖的決策樹算法，其支持并行學習，學習速度快。

本文提出的故障預警模型是基于機器學習算法和SCADA系統的風電機組變槳系統變頻器故障預警模型。該故障預警模型的邏輯示意圖如圖1所示。

圖1 本故障預警模型的邏輯示意圖Fig. 1 Logic schematic diagram of fault early warning model proposed in this paper

對于篩選好的特征參數，從SCADA系統中抽取相關的數據輸入機器學習算法中進行機器學習模型訓練。在故障預警時，從SCADA系統中抽取相關的數據輸入訓練好的機器學習模型，得到變槳系統變頻器的溫度預測值；另外，從SCADA系統獲取變槳系統變頻器的溫度實際值；以預測值減去實際值，可得到溫度殘差值；將溫度殘差值與提前計算得到的溫度殘差值閾值(即預警閾值)進行比較，從而可得出當前變槳系統狀態的結論；為了消除由于風電機組復雜的工作環境帶來的隨機因素對該模型計算結果的影響，采用滑動時間窗殘差估計方法對溫度殘差值分布進行計算和處理。

3 基于滑動時間窗的預警閾值的設定方法

風電場的工程師通過將變槳系統變頻器的實際溫度曲線與由故障預警模型計算得到的溫度曲線進行對比和分析，來判斷變槳系統變頻器的工作是否正常。然而實際的風電場環境復雜，風電機組工作時會受到多種隨機因素的干擾，進而會影響風電機組變槳系統的工作狀態，導致變槳系統變頻器的實際溫度曲線與由故障預警模型計算得到的溫度殘差曲線均會受干擾信號的影響，這就為利用變槳系統變頻器故障預警模型對變槳系統故障進行預測帶來了困難。

滑動時間窗殘差估計方法可以消除上述多種隨機因素對風電機組的干擾，提高模型的可靠性，并提高預測的準確度。因此，本文提出的基于機器學習算法和SCADA系統的風電機組變槳系統變頻器故障預警模型采用滑動時間窗殘差估計的方法來反映其溫度殘差分布特性的變化。

基于滑動時間窗的預警閾值的設定方法(以Xgboost算法為例)具體為：

1)通過計算風電機組變槳系統變頻器溫度的歷史觀測向量Xi與由Xgboost模型得到的回歸預測向量得到溫度殘差。假設在某段時間內，Xgboost模型得到的變槳系統變頻器的溫度殘差ε的序列ε=[ε1,ε2,ε3, …,εN]，對該序列取1個寬度為n(n為1個窗口內溫度殘差數據的數量)的滑動窗口；對窗口內的連續n個溫度殘差計算溫度殘差均值和溫度殘差標準差Sε，公式為：

式中，i為第i個時間窗；εi為第i個窗口的均值。

殘差滑動窗口的示意圖如圖2所示。

圖2 殘差滑動窗口的示意圖Fig. 2 Schematic diagram of residual sliding window

2)確定溫度殘差均值和溫度殘差標準差的故障預警閾值，記為EY和SY。假設風電機組正常工作時故障預警模型的溫度殘差絕對值的均值的最大值為ET，溫度殘差絕對值的標準差的最大值為ST，則變槳系統變頻器的故障預警閾值為：

式中，k1和k2均為系數，取值由實際的實驗數據計算得到。

4 基于機器學習算法和SCADA系統的風電機組變槳系統變頻器的故障預警模型的算例分析

為了驗證本文所提出的故障預警方法的準確性，選擇新疆維吾爾自治區某風電場中1.5 MW風電機組的SCADA系統歷史數據進行驗證。數據的持續時間為2017年1月～2019年12月，共計3年的歷史運行數據，數據采集頻率為1 min。經過去噪、過濾異常狀況數據后，共剩余40萬條數據，按照8:2的比例將所有數據劃分為訓練數據集和測試數據集。另外，還選取了包含該風電機組故障運行狀態的數據共計1810條作為故障檢測數據，這些數據取自風電機組發生故障停機前30 h的數據。

4.1 Xgboost模型訓練

Xgboost模型涉及樹的深度、樹的數量、葉子節點、學習率等參數的調優。本文是利用強大的網格搜索的方法尋找潛在最優參數組合，首先通過人為設定一些參數組合，從中找尋最佳組合，然后再通過人工微調該最佳組合中的參數，最終確定最優參數組合。Xgboost模型的最優參數組合如表1所示。

表1 Xgboost模型的最優參數組合Table 1 Optimal parameters combination of Xgboost model

4.2 LightGBM模型訓練

LightGBM模型涉及樹的深度、樹的數量、葉子數等參數的調優。本文經過多次參數調優，最終選定相對較優的參數，如表2所示。

表2 LightGBM模型的參數組合Table 2 Parameters combination of LightGBM model

4.3 模型評價

為了評價機器學習回歸模型的準確度，引入了實際均值(指某段時間內變槳系統變頻器溫度的實際值的均值)、預測均值(指某段時間內變槳系統變頻器溫度的預測值的均值)、均方差(MSE)、平均絕對誤差(MAE)、平均絕對誤差百分比(MAPE)、決定系數R2共6項評價指標。這6項評價指標的計算公式分別如式(5)～式(8)所示。

MSE的值越小越好，其公式為：

式中，yi為測試數據集的第i號數據；yi為測試數據集第i號數據的預測值。

MAE的值越小越好，其公式為：

MAPE的值也是越小越好，其公式為：

R2的取值在0～1之間，且在此范圍內越大越好，其公式為：

5 結果及分析

5.1 測試數據集的結果及分析

在正常運行的40萬條數據中，按照8:2的比例選取其中的8萬條數據作為測試數據集樣本，將這些數據分別輸入到Xgboost模型與LightGBM模型，提取模型輸出，然后對比模型輸出與從SCADA系統獲取的變槳系統變頻器溫度的實際輸出。

分別將8萬條測試數據集樣本輸入Xgboost模型和LightGBM模型后，計算得到機器學習回歸模型的評價指標，具體如表3所示。

表3 回歸模型的評價指標Table 3 Evaluation index of regression model

從表3可以看出，由Xgboost模型得到的回歸模型的評價指標均優于由LightGBM模型得到的。因此，本文提出采用Xgboost算法作為風電機組變槳系統變頻器故障預警模型的機器學習算法。

5.2 基于滑動時間窗的Xgboost模型的結果及分析

由式(3)、式(4)可知，確定預警溫度殘差均值閾值和溫度殘差標準差閾值與滑動時間窗的大小有關。查閱文獻[8]后，將滑動時間窗的寬度n設為20，將測試數據集樣本輸入模型，通過滑動時間窗殘差估計方法計算得到了滑動時間窗內溫度殘差均值最大值ET和溫度殘差標準差最大值ST，結果如表4所示。

圖3、圖4分別為經過滑動時間窗殘差估計方法處理后得到的溫度殘差均值直方圖和溫度殘差標準差直方圖。

表4 測試數據集中的滑動時間窗最大值Table 4 Maximum value of sliding time window in test dataset

圖3 滑動時間窗殘差估計方法處理后的溫度殘差均值的分布Fig. 3 Distribution of temperature residual mean value obtained by residual estimation method of sliding time window

圖4 滑動時間窗殘差估計方法處理后的溫度殘差標準差的分布Fig. 4 Distribution of temperature residual standard deviation obtained by residual estimation method of sliding time window

由圖3、圖4可以看出，經過滑動時間窗殘差估計方法處理后得到的溫度殘差均值分布和溫度殘差標準差分布均接近高斯分布。由于正常訓練數據樣本集足夠大，使用3σ原則能夠達到理想的處理效果。

測試數據集的滑動時間窗溫度殘差分布如表5所示。

表5 測試數據集的滑動時間窗溫度殘差分布Table 5 Temperature residual distribution of sliding time window in test dataset

根據3σ原則，結合式(3)、式(4)，可以得到系數k1的取值為0.7，k2的取值為0.65。因此，EY的取值為0.51，SY的取值為1.35。

將異常運行數據輸入故障預警模型，經過滑動時間窗殘差估計方法處理后，得到異常運行數據的殘差均值和殘差標準差的分布情況，分別如圖5、圖6所示。圖中，橫實線為預警閾值線，數據間隔時間為1 min。

圖5 滑動窗口殘差估計方法處理后的異常運行數據殘差均值分布Fig. 5 Distribution of residual mean value of abnormal data obtained by residual estimation method of sliding time window

圖6 滑動窗口殘差估計方法處理后的異常運行數據殘差標準差分布Fig. 6 Distribution of residual standard deviation of abnormal data obtained by residual estimation method of sliding time window

根據該風電場檢修記錄表中的記錄，該風電機組由于變槳系統故障，于2019年9月18日14:29停機檢修，故障原因是IGBT組件損壞。觀察圖5和圖6可以看出，從第1500號數據開始，殘差均值超過了均值預警閾值，殘差標準差也超過了標準差預警閾值，可說明變槳系統變頻器將出現故障。由此可以得出，本文提出的基于Xgboost算法和SCADA系統的風電機組變槳系統變頻器的故障預警方法能在風電機組發生事故停機前5 h預測出變槳系統故障。

6 結論

本文基于SCADA系統，分別應用2種機器學習算法Xgboost和LightGBM進行了風電機組變槳系統變頻器的故障預警模型的訓練，對2種算法模型的效果進行對比后，選取了Xgboost算法作為故障預警模型的算法；然后結合滑動時間窗殘差估計方法，分析處理模型的溫度殘差分布，得到了預警閾值。

故障預警的意義在于提前發現、提前處理、將損失最小化，但現行的“響應式維護”和“定期維護”方式所產生的維護成本，嚴重影響了風力發電產業的經濟效益和技術進步。與其他的故障預警方法相比，本文提出的基于Xgboost算法和SCADA系統的風電機組變槳系統變頻器的故障預警方法簡潔、結果可信，且排除了人為因素的影響，更適用于風電機組變槳系統的故障預警。