某風電場基于數據驅動的診斷系統的建設與應用

蘇俊 陳振華

1.國家電投集團江蘇新能源有限公司；2.北京協合運維風電技術有限公司

國內風電機組裝機容量迅速擴大，機組運行中的故障問題日益突出，如何提前預測機組部件故障，合理安排檢修，減少安全事故及發電量損失越來越重要。本文通過SCADA 數據建立了大部件、設備健康和性能劣化3 類共134 個模型，將這些模型集成到數據驅動型的診斷系統中，成功發現了機組發電機軸承異常和功率曲線異常，結合風電場定檢和巡檢工作進行了處理，降低風電場非計劃性停機損失，為智能化運維模式的探索提供有效依據。

伴隨著風電行業的快速發展和風電機組的廣泛安裝使用，運行機組的故障問題日益突出。如何合理采用故障預警技術，通過實時數據和預警算法有效地發現事故隱患，快速準確地進行機組維護和維修，保障機組安全運行，降低機組的故障率，提高風電的競爭能力，成為了行業的共識。

本文利用風電機組運行及狀態數據進行全量小顆粒度監測和大數據挖掘計算，開發基于SCADA 數據的監測發電機軸承溫度、齒輪箱溫度這類大部件診斷模型，監測風電機組功率曲線的性能劣化診斷模型，監測設備健康的傳感器、溫度模擬量數值、發電機繞組溫度、變槳電機溫度類設備健康診斷模型。并開發集成各類模型的數據驅動型診斷系統，對風電場設備數據開展實時智能預警分析，為智能化運維模式的探索提供有效依據。

1 預警及診斷技術研究

實施風電機組故障預警是目前形勢下電力企業適應市場經濟、降低發電成本、提高經濟效益的一項有力的措施。其目的是實時、在線掌握設備的健康狀況降低企業維修費，提高設備可靠性、安全性。

1.1 預警及診斷理論

在國外，基于狀態檢修的大部件預警技術是20世紀70年代初發展起來的一種較為先進的檢修方式，已在歐美發達國家得到較為廣泛的運用。目前，國外在狀態檢修技術研究與實踐應用方面都已取得了顯著成績。從2000年開始，以美國為代表的發達國家正在從以可靠性為中心的維修(RCM)方式向實施預知性檢修(PDM)和狀態檢修(CBM)方面發展，來改進和優化檢修工作。

風機狀態檢修和大部件預警可分為基于模型的方法和基于信號的方法，但是當系統越來越復雜，使用模型和信號的方法都無效時，基于人工智能的方法就發展起來了。（1）其中基于模型的方法可用來發現一些特殊的系統故障。從實現的角度可以分為通過數值計算實現，以及通過知識學習的方法實現。參數估計、狀態監測，都是常用的模型方法，模型方法有時也會用到推斷和分類算法。（2）基于信號的方法是通過分析輸出信號來診斷故障。發生故障的信號通常具有一定的特征，從時域或頻域的角度進行分析，可以發現風機齒輪箱和其他部件的初期故障[1]。（3）專家系統與人工智能方法，某些時候需處理的對象過于復雜，基于模型的方法和基于信號的方法都無法有效使用的情況下，例如同時發生的一些故障造成了不同的影響，這時就可以用統計學習的方法進行故障診斷。常用的統計學習的方法有概率法、模糊邏輯、人工神經網絡、貝葉斯網絡。統計學習的方法有一個特點，就是需要大量歷史數據。常使用深度學習、神經網絡、組合神經網絡[2]、BP 神經網絡[3]、提升樹、支持向量機[4]、分類回歸樹等方法。

1.2 建模方式

本文基于SCADA 歷史數據和案例分別建立大部件診斷模型、設備健康模型和功率曲線異常模型并進行測試，再通過風電場實時數據驗證和迭代優化模型。建模的技術路線和方式如下：

（1）技術路線，首先需將風機歷史數據分為異常狀態和正常狀態，并進一步將異常狀態按照系統物理構成或其他特征區分成不同的數據集，通過構建模型建立這些故障數據的模型，通過機組歷史正常數據構建健康數據模型；再將機組實時監控數據導入到這些模型中，實時判斷機組健康狀態，預測機組是否出現劣化或故障，并通過各種故障模型識別具體故障部位和等級，提供特征決策。

（2）模型訓練方式，預警模型訓練主要包括兩種方式，一是根據已有算法和原理拿現場數據和案例進行驗證；另一種是根據現場案例，嘗試不同算法和數據進行驗證。

（3）模型建立過程，必然一個循序漸進的過程。整個路線圖分為了4 個階段進行：1）基于原理的一維參數閾值模型建立。即采用傳統方法，基于部件原理和設計參數，通過搭建實驗平臺或用軟件搭建模型，根據嚴格的輸入輸出公式，導入輸入數據通過輸出結果判斷大部件損壞。2）基于統計學的全量風機模型建立。采用統計學的概率及分布規律，計算全場風機各部件溫度值、電流、電壓等統計概率閾值，通過閾值對各風機各參數進行預警。3）基于原理規則的制定參數多維數據模型建立。針對齒輪箱、葉片等大部件存在一定規則，但是無法通過簡單模型進行表述，采用有監督學習方法挑選有限的參數進行訓練。4）基于深度神經網絡的多維數據模型建立。針對無法通過規則訓練的模型，采用全量數據進行無監督、深度神經網絡和深度編碼算法的訓練。

（4）建模數據，一般采用兩種數據，即離線數據和在線實時數據。

2 預警和診斷模型

本文針對風電場的數據和使用場景，將預警診斷模型分為大部件、功率曲線異常和設備健康3 類，分別采用不同的理論和方式建立模型。

2.1 大部件預警診斷模型

風機大部件因設計缺陷、質量隱患及安裝維護不規范導致的安全隱患風險大，難以通過風機自身的故障報警系統提前發現運行風險，故障停機后處理難度大，部件失效后造成的發電量損失影響較大；下面介紹基于SCADA 數據的發電機軸承故障診斷模型。

該模型基于SCADA 的10min 數據，采用單機自適應和多機協同的無監督學習自適應算法，利用功率、發電機轉速、發電機驅動端軸承溫度、發電機非驅動端軸承溫度、發電機繞組溫度、環境溫度測點建模，利用風速、輪轂轉速、槳距角、發電機冷卻溫度這些測點進行條件判斷和數據剔除。通過數學運算并結合業務知識將與軸承溫度，葉輪轉速相關性低的變量剔除，進一步進行降維處理提取出發電機溫度和發電機軸承溫度相關的特征信息，通過推薦算法建立發電機溫度預警模型及發電機軸承故障檢測和診斷模型。

通過全場風機歷史10min 數據進行訓練和驗證，得到最終模型；模型執行時采用全場風機10min 數據，每天判斷設備狀態，最后綜合每天狀態得到預警指標。

2.2 功率曲線異常診斷模型

從風電場損失電量占比可知，機組發電性能劣化導致的損失電量占比較高，而風機SCADA 系統并沒有針對功率曲線的診斷機制，導致運維人員無法及時發現性能不佳的機組。功率曲線診斷模型就是基于風速、功率、轉速、槳距角、各種溫度的SCADA 數據，以單臺機組的功率曲線擬合和異常點識別為出發點，結合圖像識別技術，通過數據挖掘、人工智能算法方式識別風機限功率、功率曲線偏移、槳葉角受限、風機控制策略變化、風機無法滿發等情況，并自動推送診斷報警信息。

2.3 設備健康診斷模型

針對設備健康診斷，風機中傳感器、溫控閥等常規部件數量多，維修頻次較高，目前常規固定閾值觸發的故障報警機制，運維人員往往只能進行事后運維，缺乏故障預警及預防性運維方法。該類診斷模型將重點關注風電機組的關鍵模擬量、各子系統溫度類數值異常情況和轉速類數值異常情況，通過對設備歷史數據進行機器學習，結合當前設備運行狀態，綜合判斷設備健康狀態，及時給出高準確率的故障診斷信息。

第一個階段是通過運用深度神經網絡算法建立各類設備健康的預警診斷模型。監測模型基于代表正常風機的SCADA 數據進行訓練，所有正常以及非正常的風機的擬合誤差將會被預測出來。第二階段是建立EWMA控制表。UCL 和LCL 將被用于對設備異常進行報警。

3 系統開發

數據驅動型診斷分析系統基于現有的運行數據來系統地檢測和預測設備狀況的過程變化以及其未來趨勢。

3.1 系統架構設計

數據驅動型診斷分析系統通過接口接入集控中心實時數據，支持離線Excel 格式數據導入。數據采集后，根據模型進行訓練，提供預警，并將消息推送給用戶。

單臺風機的預警模型遍歷需要消耗一定時間及計算資源，如何保證全場風機的預警模型同時工作，在有限時間內從數據中訓練得到診斷模型和預測模型是實時預警的內在要求。本次針對實時性要求不高的模型采用延長預警間隔，增加模型計算時間，減少硬件費用的投入。

3.2 硬件及部署

系統程序安裝在應用服務器上，安裝程序之前先對服務器環境進行維護，并安裝軟件。硬件配置如下：浪潮NF5270M5，Intel Xeon 4216（16 核）或Xeon 4214(12 核)×2 個，2GRDIMM DDR4 內存×4 個，960G SSD 2.5×3 個+2TB SAS 硬盤（15K）3.5×5 個，INSPUR 八通道高性能SAS RAID 卡RS0820P(2G 緩存)×1 個，550W白金電源PURLY×2 個。

數據從監控中心Ⅲ區的南瑞朗坤數據服務器通過API 獲取，服務器共用2 個物理網卡，分別用于集團內網系統訪問、外網遠程維護。

3.3 系統功能

預警系統的功能設計基于現場生產業務場景，根據每個風場的數據采集情況和設備歷史運行規律定制化配置預警模型參數，將預警模型的算法邏輯和業務需求相結合，通過釋放數據價值，實現了基于狀態檢修的智慧運維生產模式。

智能預警系統包括首頁、預警概覽、預警詳情、統計查詢、算法調度等功能。

（1）首頁和預警概覽，如圖1所示。為智能預警系統的信息總覽模塊，針對用戶所關注的電站，可以查看電站各模型未處理工單統計，各類模型在各個場站歷史預警甘特圖。

圖1 系統圖Fig.1 System diagram

（2）預警詳情，各預警模塊為智能預警系統每個模型詳細信息，展示從預警概覽跳轉過來的預警信息或每個模型篩選條件下的結果。

可以查看該電站選擇風機下未處理、已確認、已關閉預警信息，默認未處理。多維度、快捷切換和跳轉展示預警歷史信息、每條信息下的特征圖、支撐用戶確認是否需要處理、提供處理意見和處理過程及結果反饋功能。

可以批量確認預警信息，確認后才能進行后續處理過程跟蹤。

（3）統計查詢，提供風機維度、模型維度和時間維度的預警結果查詢和分布規律。

（4）算法調度，支持技術人員通過選擇快速配置和調度任務，可對單個風電場單個模型下方診斷任務，可一次下發多條任務；也可以創建周期性任務，定時執行；可實時跟蹤任務狀態。

4 系統應用及經驗總結

系統部署后，大部件、設備健康和性能劣化共134個模型每天執行一次，成功發現3 臺發電機軸承異常，2臺功率曲線異常，10 臺限功率運行?，F場針對系統檢修建議，結合定檢和巡檢對異常情況進行了處理，實現提升風電場故障消缺的準確性、及時性，大幅度降低風電場非計劃性停機損失，為智能化運維模式的探索提供有效依據。

預警系統在該風電場的應用有利于風電場在線掌握設備的健康狀況，提高設備可靠性、安全性；應用過程中也發現預警模型在實際應用中存在泛化性不足，對數據質量要求較高的特點。因此，后續預警模型建立及系統開發需要充分考慮模型的泛化性，提高模型的準確性，減少模型對數據質量的要求，同時要求風電場做好傳感器及數據的維護工作。