風電機組功率特性劣化監(jiān)測技術(shù)研究

付德義，孔令行

(中國電力科學研究院有限公司 新能源與儲能運行控制國家重點實驗室， 北京 100192)

1 引言

風電機組是典型的機械電氣耦合系統(tǒng)，內(nèi)部結(jié)構(gòu)復雜，結(jié)構(gòu)部件種類繁多。結(jié)構(gòu)部件本身的運行壽命特性，不可避免地出現(xiàn)老化現(xiàn)象，從而導致風電機組運行性能的下降。風電機組功率特性是機組最為關(guān)鍵的性能指標，它與風電機組發(fā)電量輸出直接相關(guān)。風電機組功率輸出特性劣化，直接影響風電機組發(fā)電量。長期服役的風力發(fā)電機組，由于自身元器件老化或故障引起的輸出功率特性劣化，導致風電機組乃至風電場發(fā)電量及綜合收益下降，目前已成為風電行業(yè)面臨的重要難題，針對風電機組功率特性開展劣化監(jiān)測，以制訂針對性的應對策略顯得尤為重要。

截至目前，專家學者在風電機組功率曲線建模、分析與評價，結(jié)構(gòu)部件故障監(jiān)測與預警等方面開展了大量研究工作。郭鵬等[1]詳細分析了影響風電機組風能捕獲的因素，采用適合隨機數(shù)據(jù)建模的改進高斯過程方法建立多變量功率曲線模型，引入序貫概率比檢驗方法，分析模型預測功率的異常變化。劉琳等[2]為提高風電機組功率曲線的建模精度，利用偏互信息方法對影響機組風能捕獲的因素全面分析，采用隨機梯度提升回歸樹算法，實現(xiàn)多變量下的功率曲線建模。李航濤等[3]提出一種基于概率和離散度的數(shù)據(jù)處理方法，依據(jù)風速-功率數(shù)據(jù)在坐標系內(nèi)的分布特征，采用完全縱向濾波和分段濾波對運行數(shù)據(jù)中的異常點進行去除，使繪制出的功率曲線更為精確。劉偉等[4]針對服役風電機組的在線評估問題，提出一種基于線性插值模型的風電機組服役性能指標計算及評估方法，包括線性插值模型的建立和服役指標的計算及評估等，最后運用風電機組SCADA(supervisory control and data acquisition system)數(shù)據(jù)進行驗證，證明方法的有效性。文獻[5-14]基于神經(jīng)網(wǎng)絡算法、小波變換、深度學習等也開展了風電機組運行狀態(tài)監(jiān)測相關(guān)研究。

但是對于長期處于在役運行狀態(tài)的風電機組功率輸出特性劣化監(jiān)測方面，未見相應的研究和突破。風電機組功率輸出隨風速的變化而變化，呈現(xiàn)波動特性，大多仍按照機組設計功率曲線輸出模式運行。本文考慮同一風電場(假定所有機組型號、配置均相同)，相鄰區(qū)域內(nèi)風電機組所處的環(huán)境條件和功率輸出特性具有較高的相似性，將多臺風電機組的功率輸出自動進行橫向比對，分析被監(jiān)測風電機組的工作狀態(tài)?；谙噜徬嗤渲蔑L電機組功率輸出特性的相似性和強關(guān)聯(lián)特性，提出一種基于非線性狀態(tài)估計的風電機組功率特性劣化監(jiān)測方法，建立風電機組功率特性劣化監(jiān)測模型，實現(xiàn)風電機組功率特性的劣化監(jiān)測，為風電機組計劃運維檢修與優(yōu)化技改提供技術(shù)支撐。

2 風電機組功率特性及其劣化分析

風電機組功率特性主要運用功率曲線，即風速-功率曲線表征，具體可以表示為：

P(v)=f(v)=0.5ρAv3Cp(λ,β)

(1)

(2)

(3)

A=A0cos(φ)

(4)

其中，v為區(qū)間平均風速(m/s)；ρ為空氣密度(kg/m3)；A為葉輪對風投影面積(m2)；Cp(λ,β)為功率系數(shù)，無量綱；λ為葉尖速比，無量綱；β為葉片槳距角(rad)；ω為葉輪轉(zhuǎn)速(rad/s)；R為風電機組葉輪半徑(m)；A0為葉輪掃掠面積(m2)；φ為偏航誤差角度(rad)。

由式(1)可以看出：風電機組的功率曲線與風電機組的控制特性直接相關(guān)，對于同一風電場，假定安裝的風電機組型號、配置均相同，在不考慮尾流、湍流影響等理想情況下，某一特定時間范圍內(nèi)，各個風電機組的輸出功率應相同。風電機組表現(xiàn)出來的功率特性應當與設計功率曲線基本吻合。

但實際上，同一風電場不同位置處的風電機組受到尾流、湍流、入流角度等綜合影響，同一時刻不同位置處的風電機組輸出功率有較大差別。隨著風電機組服役時間的增加，機組各結(jié)構(gòu)部件老化的程度也逐漸增大。結(jié)構(gòu)部件老化直接導致風電機組出力性能下降，即功率特性劣化。功率特性劣化具有變化速度慢、幅度小、持續(xù)時間長等特點，簡單的運用功率輸出特性是否在其正常設計功率曲線上下限區(qū)域之間的方法來判斷風電機組功率特性是否發(fā)生劣化，無法達到理想的效果。

圖1為某3 MW雙饋型風力發(fā)電機組劣化前后功率曲線。

圖1 劣化前后風電機組功率曲線

特別地，針對該3 MW風電機組，假定該風電機組所處區(qū)域年平均風速為6.5 m/s，則當機組功率曲線劣化2%時，年發(fā)電量損失約為2%，即風電機組功率特性劣化對機組發(fā)電量具有顯著影響。

3 風電機組功率特性劣化建模

3.1 功率特性劣化監(jiān)測原理與基本假設

一般而言，同一風電場內(nèi)配置的風電機組型號、配置基本相同。以一個典型50 MW風電場為例，一般配置同一制造商同一型號的33臺1.5 MW機組或25臺2 MW機組。這些參數(shù)配置類似或相同的風電機組，分布在風電場不同的區(qū)域。對于地形特征相似且地理位置相近的多臺機組，其外部環(huán)境條件特性，如風速、空氣密度、湍流、入流角度、風切變等均具有很強的相似性和相關(guān)性。在外部環(huán)境條件特性相似的基本前提下，處于該區(qū)域內(nèi)相鄰風電機組的運行狀態(tài)和功率輸出特性也是相似的?？梢詫⒌乩砦恢孟噜徢倚吞柵渲孟嗤娘L電機組歸納為一個風電機組簇。

假設同一簇內(nèi)各風電機組運行正常且穩(wěn)定，則簇內(nèi)各風電機組在不同外部環(huán)境條件下的功率輸出特性關(guān)系是穩(wěn)定的。風電機組功率特性劣化監(jiān)測，如果僅僅考慮被監(jiān)測風電機組本身輸出特性，往往不能及時發(fā)現(xiàn)異常。但如果將其放到同一風電機組簇內(nèi)的相關(guān)關(guān)系參照系中統(tǒng)籌考慮，當簇內(nèi)的被監(jiān)測風電機組功率輸出特性出現(xiàn)異常時，這種異常將會破壞其與所屬簇內(nèi)其余風電機組功率輸出特性之間的相似或關(guān)聯(lián)關(guān)系。

運用正常運行狀態(tài)下簇內(nèi)各風電機組功率輸出特性數(shù)據(jù)，即簇內(nèi)各風電機組同一時間范圍內(nèi)的輸出功率，建立簇內(nèi)風電機組功率輸出關(guān)系模型。該模型的輸入為簇內(nèi)所有風電機組各歷史時刻的功率數(shù)據(jù)，輸出為簇內(nèi)所有風電機組的功率預測輸出。關(guān)系模型主要表征簇內(nèi)機組正常工作時的輸出特性之間的相似關(guān)系，當被監(jiān)測風電機組功率輸出特性出現(xiàn)異常時，其實際功率輸出值與簇內(nèi)其他風電機組功率輸出之間原有的相似關(guān)系發(fā)生改變，相似關(guān)系模型對功率輸出的預測值將會顯著偏離實測值，預測殘差增大，即表示風電機組功率輸出特性發(fā)生變化，從而實現(xiàn)風電機組功率輸出特性的劣化監(jiān)測。

本文運用同一簇內(nèi)各風電機組歷史運行數(shù)據(jù)，建立了基于非線性狀態(tài)估計的風電機組功率輸出特性監(jiān)測模型。風電機組功率特性劣化監(jiān)測過程，如圖2所示。

圖2 風電機組功率特性劣化監(jiān)測流程框圖

3.2 基于改進非線性狀態(tài)估計的劣化監(jiān)測

非線性狀態(tài)估計(nonlinear state estimate technology，NSET)由Singer等提出，是一種非參數(shù)化建模分析方法。該方法在大型旋轉(zhuǎn)機械設備運行狀態(tài)評價與特性監(jiān)測方面有較為廣泛的應用?；诜蔷€性狀態(tài)估計技術(shù)的狀態(tài)監(jiān)測關(guān)系模型的建立，關(guān)鍵在于過程記憶矩陣的構(gòu)造。假設某一被監(jiān)測過程存在m個相互關(guān)聯(lián)的測量節(jié)點，則在某一時刻m個測量物理量可以表述為

(5)

式(5)中，i表示某一時刻?？紤]到在風電機組正常工作時間段內(nèi)，簇內(nèi)機組的內(nèi)在關(guān)聯(lián)特性相對穩(wěn)定。收集某個時間段內(nèi)，不同外部環(huán)境條件下的n個歷史觀測向量，從而形成這個過程對應的關(guān)系記憶矩陣MR。

(6)

被監(jiān)測設備的一個正常工作狀態(tài)對應過程記憶矩陣的一列觀測向量。設備或系統(tǒng)正常運行完整動態(tài)過程可以用過程記憶矩陣中的m個歷史觀測向量來表征。構(gòu)造過程記憶矩陣的本質(zhì)是對設備或系統(tǒng)正常運行過程中內(nèi)外在特性學習與記憶過程。

以某時刻被監(jiān)測設備的觀測向量Xobs作為非線性狀態(tài)估計模型的輸入，相應的，模型的輸出即為該輸入?yún)⒘繉念A測向量Xpre。對于任意給定的觀測向量Xobs，非線性狀態(tài)估計模型將生成一個維度為m的權(quán)值向量W：

(7)

使得：

Xpre=MR·W=w1·X(1)+w2·X(2)+

w3·X(3)+…+wm·X(m)

(8)

過程記憶矩陣中m個觀測向量的線性組合是NSET模型預測的輸出。其中，權(quán)值向量W可以通過下列方法予以確定。構(gòu)造得到的NSET模型輸入與輸出預測向量之間的殘差可以表述為

ε=Xobs-Xpre

(9)

極小化處理殘差，得到：

(10)

式(10)中：?為非線性運算符，用來替代矩陣運算中的乘法運算。該算子主要用來計算2個向量之間的相似程度。向量相似度的計算有多種方法，如歐氏距離(Euclidean Distance)、余弦相似度(Cosine Similarity)、杰卡德距離(Jaccard Distance)等。其中，歐氏距離法基于向量上對應各點之間的絕對距離來判斷向量的相似性，但是對于向量方向上的相似性欠缺考慮；余弦相似度則主要從兩個向量的方向夾角方面計算向量之間的相似性?？紤]同一簇內(nèi)風電機組功率輸出值在絕對值上存在關(guān)聯(lián)性，且由于受到尾流影響，各個觀測向量在方向上也存在相似性，因此本文選取的運算符兼顧了兩向量間的歐氏距離和余弦相似度：

(11)

(12)

?(X,Y)=min(1-CS(X,Y),ED(X,Y))

(13)

非線性運算符?表征的是兩個物理量之間真實關(guān)系的遠近。當非線性運算符運算得到的距離為0或接近0時，表明當前兩向量是相同或相似的，非線性運算的結(jié)果越大，表明兩向量之間的差異也越大。

NSET模型輸入觀測向量與過程記憶矩陣中各向量的內(nèi)在相關(guān)與相似特性，由式(10)中的權(quán)值向量W表征。NSET模型對被監(jiān)測過程或設備預測的最終結(jié)果可以運用式(10)與式(8)的代入運算得到：

(14)

當被監(jiān)測的設備或系統(tǒng)工作于正常的狀態(tài)時，NSET的輸入觀測向量將會處于過程記憶矩陣所表征的正常工作空間范圍內(nèi)，即與MR記憶矩陣中的某個觀測向量的非線性運算距離較近，相應的，其NSET的預測值Xpre具有較高的精度，殘差也較低。一旦被監(jiān)測設備的工作狀態(tài)或特性發(fā)生改變，這種動態(tài)特性的突變，將導致NSET模型運算輸出的觀測向量偏離正常工作空間范圍，也即通過MR矩陣中歷史觀測向量的組合，無法構(gòu)造對應的精確預測值，進而導致實際觀測值與預測值之間存在較大的殘差。

4 風電機組功率特性劣化監(jiān)測案例

本文運用江蘇省響水縣某海上風電場歷史運行數(shù)據(jù)進行建模分析。該風電場安裝有18臺3MW海上風電機組，并網(wǎng)運行時間超過5年。隨著風電機組在役運行時間的不斷增加，個別風電機組(如3號機組)功率輸出特性發(fā)生劣化現(xiàn)象，本案例以3號機組作為功率特性劣化監(jiān)測對象，對基于非線性狀態(tài)估計的風電機組功率特性劣化監(jiān)測方法進行驗證。該風電場內(nèi)風電機組分布，如圖3所示。

圖3 風電機組排布示意圖

考慮風電場內(nèi)機組地理位置分布特點，為了對3號機組進行功率特性劣化監(jiān)測，將1～5號機組定義為一個風電機組簇。根據(jù)自并網(wǎng)運行之日起1年(2014年7月18日—2015年7月17日)的完整數(shù)據(jù)作為輸入數(shù)據(jù)，建立5臺風電機組的功率輸出關(guān)系模型，后續(xù)將該模型用于監(jiān)測3號機組之后的功率輸出特性情況。

在相關(guān)關(guān)系模型建立之前，對該簇內(nèi)的5臺風電機組運行數(shù)據(jù)進行清洗，主要包括時標清洗、單臺機組瞬態(tài)過程數(shù)據(jù)、限電運行數(shù)據(jù)以及停機數(shù)據(jù)濾除等。本文收集到的簇內(nèi)5臺風電機組功率特性數(shù)據(jù)160 242條，數(shù)據(jù)清洗濾除后，剩余有效數(shù)據(jù)60 035條。

圖4、圖5給出了數(shù)據(jù)濾除前后，1號機組功率特性數(shù)據(jù)。

圖4 1號風電機組功率特性散點圖(清洗前)

圖5 1號風電機組功率特性散點圖(清洗后)

為了降低數(shù)據(jù)維度對于監(jiān)測模型精度的影響，對清洗后的歷史運行數(shù)據(jù)進行歸一化處理，將功率數(shù)據(jù)歸一化到[0,1]范圍，歸一化過程如下式：

(15)

式(15)中，pnorm,i為歸一化后的功率；pmax為功率歷史數(shù)據(jù)最大值；pmin為功率歷史數(shù)據(jù)最小值；pi為某個10 min功率歷史數(shù)據(jù)。1號機組功率特性散點歸一化后，如圖6所示。

圖6 1號風電機組功率特性散點圖(歸一化后)

圖7給出了正常運行期間同一簇內(nèi)各風電機組功率輸出的時序曲線，結(jié)果表明個機組的功率輸出趨勢和過程具有較強的相關(guān)性。

圖7 簇內(nèi)風電機組功率特性時序曲線

為了進一步的對用于記憶矩陣建模的數(shù)據(jù)自檢的相關(guān)性進行定量分析，本文采用相關(guān)系數(shù)法，分析計算簇內(nèi)各風電機組功率輸出之間的相關(guān)系數(shù)。相關(guān)系數(shù)越大，相關(guān)程度越高。

表1給出了簇內(nèi)風電機組功率輸出p1～p5的相關(guān)系數(shù)矩陣。

表1 簇內(nèi)風電機組功率特性輸出相關(guān)系數(shù)矩陣單元

表1的結(jié)果表明，該簇內(nèi)5臺風電機組功率特性輸出之間的內(nèi)在相關(guān)系數(shù)均在0.6～1.0根據(jù)相關(guān)系數(shù)法理論的相關(guān)定義，表明各機組功率輸出特性是強相關(guān)的，這也為后續(xù)基于非線性狀態(tài)估計的功率特性劣化監(jiān)測建模提供了基礎(chǔ)。

將簇內(nèi)各臺風電機組每隔10 min的輸出功率，記為一個功率觀測向量：

(16)

式(16)中，P1到P5分別表示1～5號機組輸出的功率。

將本文收集的60 035個歷史觀測向量，分成兩部分，一部分(40 000個)用于形成NSET模型的過程記憶矩陣M，另一部分數(shù)據(jù)用于模型驗證。

(17)

基于該記憶矩陣，運用式(8)和式(10)描述的方法，對3號風電機組之后的功率特性輸出情況進行預測。圖8給出了2015年7月17日之后一段時間，運用NSET模型得到的3號機組功率輸出預測值和實際觀測值。

圖8 3號風電機組功率預測值與觀測值曲線

圖9給出了3號機組運用NSET模型得到的預測值與觀測值之間的殘差情況。

圖9 3號風電機組功率預測值與觀測值殘差曲線

繼續(xù)將該監(jiān)測模型應用到后續(xù)的功率特性數(shù)據(jù)，可以觀測到，該風電機組功率輸出殘差特性發(fā)生變化，如圖10所示。

圖10 3號風電機組功率預測值與觀測值殘差曲線(異常)

綜合對比圖9和圖10的結(jié)果分析，當3號機組功率輸出特性未出現(xiàn)劣化時，模型預測功率輸出與實際觀測到的輸出之間的殘差較小，維持在0.5%以內(nèi)；當3號機組功率特性輸出出現(xiàn)異?；蛄踊瘯r，原有的簇內(nèi)機組功率輸出相關(guān)關(guān)系被破壞，模型預測功率輸出與實際觀測到的輸出之間的殘差增大，超出正常水平，且呈現(xiàn)正向增大的趨勢，即表明風電機組實際輸出與模型預測輸出之間的差距逐漸加大，風電機組功率輸出特性出現(xiàn)劣化。

5 結(jié)論

基于地理位置相鄰、機型配置相同的風電機組在某一連續(xù)時間范圍，功率輸出應當具有較強的相似性和相關(guān)性這一基本假設，運用非線性狀態(tài)估計技術(shù)，采用改進歐式距離相似性算法，建立風電機組功率特性劣化監(jiān)測模型能夠?qū)︼L電機組功率特性劣化進行及時有效的監(jiān)測與預測，具有普遍適用性，尤其對于海上風電機組。