計及氣象因素的風電機組故障診斷與風險預測

程江洲， 馮馨以， 馮夢婷， 閆冉陽， 張曉瑀

(三峽大學電氣與新能源學院， 宜昌 443002)

隨著“雙碳”目標的提出，電力作為清潔、高效的二次能源，將在支撐社會經濟發展，服務民生用能需求，構建清潔低碳、安全高效能源體系中發揮更加重要的作用[1]。近年來，中外頻繁出現因電力供需緊張造成的大規模停電事故，部分事故與風電等新能源供電在負荷高峰時期電力供應不足和極端天氣情況下電網調節靈活性不足等原因有關[2]。為了穩定出力水平，減小不正常運行狀態帶來的損失，對風電機組不正常運行狀態進行故障診斷與風險預測具有重要的現實意義。

近年來基于模型驅動[3]的故障診斷方法發展迅速。韓松等[4]提出了一種基于主成分分析和支持向量機的故障診斷方法；Mani等[5]運用模糊集理論對數據進行預處理，結合專家系統、人工神經網絡(artificial neural network, ANN)進行建模，最后輸出診斷結果；顏肅等[6]對輸電線路建立模糊Petri網進行故障診斷，并采用逆向搜索策略對模型進行優化，提高診斷效率。然而上述方法在對風電機組故障進行診斷時存在各自的局限性，其中人工神經網絡需要大量的原始數據支撐，不適用于處理小樣本數據，Petri網增加了系統計算復雜度，診斷精度下降。

針對風電機組故障樣本小、模型結構復雜的特點，基于貝葉斯網絡的故障診斷方法在處理小數據樣本和降低模型復雜度上具有良好的表現。李軍鋒等[7]構建單層貝葉斯分類器診斷變壓器低壓側故障；Amin等[8]研究了一種基于動態貝葉斯網絡的故障檢測方案；褚景春等[9]利用貝葉斯理論建立概率神經網絡，結合故障樹對風電機組進行故障診斷。貝葉斯網絡具備正向診斷的能力，對故障進行事前診斷，并且具備反向推理[10]的能力，使得貝葉斯網絡能夠在正常運行狀態下對系統內各隱患進行推理預測。但在現有研究中利用貝葉斯網絡反向推理技術對風機進行風險預測的應用較少。另一方面，天氣惡劣的情況下，電網故障更容易發生[11]，對于運行環境多處于山區、沙漠等地的風力發電系統來說不良天氣的影響則更為明顯。因此，文中提出一種計及氣象因素的基于改進貝葉斯網絡的風電機組故障診斷與風險預測模型(meteorological factor-Bayesian network，MF-BN)，對多源氣象因素進行特征提取，考慮氣象因素對貝葉斯網絡進行參數優化，在風機出現不正常運行狀態時進行及時的診斷排除。當風電機組穩定運行時，對各系統部件可能出現的風險事件進行預測，有助于運維人員進行合理的檢修維護，提高風力發電的供電靈活性和穩定性。

1 計及氣象因素相關性的評估指標

1.1 風電機組故障機理分析

風電機組由多種復雜的系統構成，主要分為變槳系統、齒輪箱、偏航系統、制動系統、主控系統、傳感器、液壓系統等[12]。對風機可能發生的故障進行總結如表1所示，其中疲勞、裂紋等故障的發生與材料強度不良、器件老化等原因有關；齒輪箱齒輪件卡死或螺栓損壞與漏油導致潤滑不足等原因有關；傳感器故障與其內部電路或機械故障等原因有關。

除了因為電氣、機械等原因直接導致的風機故障外，氣象因素同樣可能間接的引發風機潛在故障。例如，溫度過高導致絕緣損傷、油高溫分解，溫度過低改變材料機械特性使部件在正常振動下出現裂紋，濕度過大導致設備結霜、絕緣降低，降雪密集導致葉片覆冰。對風機進行故障診斷與風險預測時考慮氣象因素對診斷與預測效率有重要意義。

表1 風電機組典型故障類型

1.2 基于Relief F算法的氣象因素特征提取

對風機典型故障類型的發生原因進行分析，發現故障的產生與溫度、氣壓、濕度、降水降雪、風速等因素存在關聯。由此確定的風機故障初始特征集中包含所有可能導致故障的氣象因素，冗余的數據特征會使模型結構變得復雜，不利于故障的識別和診斷，甚至降低診斷準確度。因此，需先對初始特征集進行特征提取，剔除冗余特征，將風電機組的故障數據樣本分類為特定的故障模式并對故障影響因子重要性進行排序，選取最優特征集合。

Relief F(relevant features F)算法的基本思想是給樣本的每一個特征賦予權值，權值越大表示該特征對樣本的區分能力越強，對權值閾值進行設置即可得到特征子集，從而達到對數據進行降維的目的。該算法首先對特征的預測權值初始化為0，然后從數據集中隨機抽取一個樣本R，分別從相同類別及不同類別中找到K個近似R的樣本，用Hj和Mj表示，最后利用特征權重計算公式開始迭代更新每一個特征權值[13]。特征權重計算公式為

(1)

式(1)中：W(A)和W′(A)分別為迭代更新后和更新前的特征權重值；k為樣本總數，j=1,2,…,k；Class(R)為R樣本類型；C為C類樣本；Mj(C)為與樣本R距離最近不同類樣本中的C類樣本；P[Class(R)]為R樣本類型占樣本總數的比例；Hj與Mj分別為訓練集中與樣本R距離最近的同類樣本與不同類樣本；m為抽樣次數；K為近鄰樣本數；PC是第C類樣本數占樣本總數的比例；diff(A,R,Hj)為樣本R和Hj關于特征A的差異，特征A用n維數組表示，A={a1,a2,…,an}，其樣本特征差計算公式為

(2)

(3)

2 貝葉斯模型的診斷與推理

貝葉斯網絡(Bayesian network, BN)是一種基于統計的人工智能算法，利用樣本先驗信息進行最大后驗估計，可以有效進行多源信息表達與融合，具有處理不確定性問題的能力[14]。

2.1 貝葉斯網絡

貝葉斯網絡將先驗分布融入建模，后驗分布正比于似然估計和先驗分布的乘積，其原理為

posterior∝likelihood×prior

(4)

式(4)中：posterior為后驗概率；likelihood為似然函數；prior為先驗概率。

貝葉斯網絡空間復雜度低，因為模型僅有兩個成分定義，即BN=(G,P)。如圖1所示，G=(V,E)表示有向無環圖(directed acyclic graph，DAG)，可分為原因層(Cause)、征兆層(Symptom)和故障層(Fault)3個層次表示[15-16]，證據(Evidence)順著有向邊向下傳遞。P表示條件概率表(conditional probability table，CPT)，這些條件表僅需要很小的存儲空間，用于描述節點之間的影響強度。

2.2 建立貝葉斯模型

(1)訓練數據集生成。貝葉斯網絡的學習數據采用風電機組的歷史監測數據。在生成貝葉斯網絡的訓練數據集的過程中，采集設備過往故障，對故障數據進行轉化生成。

(2)構建貝葉斯網絡。存在隨機變量集合X={X1,X2,…,Xn}，則模型結構(DAG)由節點集合DN有向邊集合DL構成。

各個節點ni的條件概率函數為

f(xi)=P(Xi=xi|Ni),Xi∈X

(5)

式(5)中：Ni為隨機變量Xi對應的節點ni的所有父節點的集合。

條件概率表(CPT)中的參數即為模型結構中所有節點的條件概率函數集合F={f|Ni∈DN}。

(3)基于貝葉斯網絡的正向診斷。

圖1 貝葉斯網絡基本結構Fig.1 Basic structure of Bayesian network

貝葉斯網絡的正向診斷首先對觀測數據進行概率密度估計，確定父節點的先驗概率。當原因(Cause)產生后，證據(Evidence)順向傳播導致對應子節點的后驗概率改變，實現故障診斷。

貝葉斯公式為

(6)

式(6)中：ωi為故障告警信息；P(X)為節點X的先驗概率；P(ωi|X)為給定X的條件概率；P(X|ωi)為ωi發生的情況下X發生的概率，也稱為后驗概率。

當先驗狀態更新為后驗狀態即為學習完成。每經過一次學習，模型便得到更新，原來的后驗狀態變為新的先驗進行學習，依據不斷學習的狀態模型對故障診斷做出最優決策。

(4)基于貝葉斯網絡的反向推理。從結果到原因的反向推斷稱為貝葉斯網絡反向推理過程，根據假設的子節點狀態和已知的CPT，反推各父結點的后驗概率，通過計算風險事件發生的后驗概率來實現風險預測。

反向推理的貝葉斯公式為

(7)

式(7)中：P(X|Y=θ)表示子節點Y的故障概率為θ時各父節點Xi的后驗概率；概率值越高表示當節點Y發生故障時，由節點Xi導致的可能性越大。

2.3 計及氣象因素的參數優化貝葉斯模型

結合上文分析，將氣象因素影響融入模型的先驗信息，建立計及氣象因素的風電機組故障診斷與風險預測模型，模型預測流程圖如圖2所示。

圖2 MF- BN模型預測流程圖Fig.2 MF-BN model prediction flow chart

模型具體應用步驟如下。

(1)采集風電場歷史故障信息，以及發生故障時的天氣情況，建立原始數據集。

(2)分析風機故障機理，確定故障初始特征集。利用Relief F算法對可能引發風機故障的氣象因素進行特征提取，剔除冗余特征以減小數據維度。

(3)建立基于貝葉斯網絡的風電機組故障診斷與風險預測模型，將提取出的故障特征集中的氣象因素作為相關故障節點的父節點加入模型的原因層(Cause)。

(4)從原始數據集中隨機抽取80%作為訓練數據集來訓練模型，其余20%作為測試數據集對模型進行驗證。

(5)結合反向推理公式，將子節點故障概率設置為100%，反向計算后驗概率，即對應父節點的致因性。后驗概率越大表示該節點的致因性越強，需要在正常運行狀態時加以重點監控。

3 算例分析

3.1 特征提取

根據實際工程經驗，初步確定包含14個故障特征的初始故障特征集。利用Relief F算法對特征權重進行計算，得到特征權重以及準確率如表2所示。

繪制特征權重和分類準確率變化趨勢如圖3所示。由表2和圖3可知，權重均值約為0.025，“平均溫度”“3～5級風”“平均風速”和“霧霾”的特征權重遠遠低于該均值。計算至第7個特征時的分類準確率最高，隨著特征量的增加，至第8個特征時分類準確率出現大幅下降。故確定特征權重閾值為0.023，提取“降雪量”“極端高溫”“雷雨”“8級風以上”“5～8級風”“相對濕度”和“極端低溫”為有效故障特征集。

表2 風電機組故障特征

圖3 分類準確率Fig.3 Classification accuracy

3.2 計及氣象因素的風電機組故障診斷

3.2.1 數據預處理

將故障記錄逐一轉化為待使用的原始數據集。以發生“安全鏈觸發”故障為例，該故障發生時風速為17.9 m/s，故對應數據集中將“8級風以上”“安全鏈故障”標記為“abnormal”。

3.2.2 構建故障診斷模型

使用GeNIe軟件對計及氣象因素的貝葉斯模型進行仿真，在視圖界面構建MF- BN模型結構如圖4所示。

圖4 MF-BN模型Fig.4 MF-BN model

當風機出現不正常運行信號時，隨著證據從父節點向子節點傳播，下方節點的后驗概率隨之更新。綜合考慮故障發生部位和更新的后驗概率，優先對后驗概率較大的事件進行排查。

3.3 基于MF-BN模型的風電機組風險預測

在建立的MF-BN模型的基礎上，將節點“風機”的狀態設置為故障，即將“abnormal”的概率值設置為100%，再將原有的條件概率表輸入到模型中，根據式(7)即可反向推理其他模型的后驗概率，后驗概率的大小表示該節點致因性的大小，從而找出導致風電機組發生故障的最大可能事件。

受篇幅所限僅以各主要系統節點以及與齒輪箱相關的子節點為例表示結果，MF-BN模型反向推理結果如圖5所示。

由圖5可知，當風機發生故障時，電氣系統、變槳系統、液壓系統致因性較高，應適當加以監控。針對齒輪箱系統，齒面故障發生的可能性高于其他部件，當運行環境氣溫過高時，應當注意防范油溫過高和齒面膠合擦傷故障的發生。

利用MF-BN模型反向推理得到風險預測結果與各節點發生故障的真實概率較為貼合，在故障診斷的同時可以完成實時的風險預測，對風機進行預防性監控。

3.4 ROC曲線驗證

ROC曲線是一種常用在診斷性試驗中的評價指標[17]。在ROC曲線中，以真陽性率作為Y軸，假陽性率作為X軸。

一般情況下，其常采用ROC曲線下面積(area under curve，AUC)作為評判標準。AUC取0～1的值，值越接近1，則該模型的性能越好。

驗證結果如圖6所示，MF-BN模型的AUC為0.904 9，證明模型具有較高的使用價值。

3.5 結果對比

為驗證文中所提模型的必要性，分別對貝葉斯網絡(BN)、計及氣象因素但未進行特征提取的貝葉斯網絡(non-feature extraction-MF-BN)，以及MF-BN模型進行同等數據集下的精確度驗證，驗證結果如表3所示。

測試集中包含預測數據10 000組，正常數據8 352組預測正確8 057組，故障數據1 648組預測正確1 435組，其中受天氣影響導致故障572組，預測正確534組。最終結果表明，MF- BN模型對故障預測準確率為94.92%，較之其余兩種模型均有一定程度的提高。

4 結論

基于貝葉斯理論，考慮氣象因素相關性對貝葉斯網絡進行參數優化，提出了一種計及氣象因素的基于改進貝葉斯網絡的風電機組故障診斷與風險預測模型，得出以下結論。

圖5 MF-BN模型反向推理結果Fig.5 Reverse inference results of MF-BN model

圖6 MF-BN模型ROC曲線Fig.6 ROC curve of MF-BN model

表3 準確率對比

(1)利用Relief F算法對影響風機運行狀態的氣象因素進行特征提取，剔除冗余特征，提高了模型計算與診斷的效率。

(2)計及氣象因素對風機運行狀態的影響對診斷模型進行優化，結果表明提出的MF-BN模型診斷精確度為94.92%，經ROC曲線驗證模型性能較好，驗證了所提模型的正確性和有效性。

(3)利用貝葉斯網絡反向推理技術對風電機組正常運行狀態下的風險事件進行預測，實現了由故障事后控制向風險事前監控的轉變，有效幫助運維人員掌控運行風險。