何 群, 王 紅, 江國乾, 謝 平, 李繼猛, 王騰超

(燕山大學 電氣工程學院 河北省測試計量技術及儀器重點實驗室, 河北 秦皇島 066004)

1 引 言

風能作為一種潛力巨大的可再生能源受到了廣泛的關注,全球風電裝機容量呈現(xiàn)逐年上漲的趨勢。然而,伴隨著裝機容量的不斷增加,機組的故障率也在不斷增加,導致高額的維護費用和停機損失嚴重影響了風場的經濟效益。因此,風電機組運行狀態(tài)監(jiān)測已成為風電產業(yè)需要迫切解決的問題之一。目前,常用的狀態(tài)監(jiān)測方法包括振動、油液和數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(supervisory control and data acquisition, SCADA)監(jiān)測等,但是振動和油液監(jiān)測方法測試系統(tǒng)復雜、成本較高;而SCADA系統(tǒng)監(jiān)測數(shù)據(jù)獲取較容易,并可實時對機組及其主要部件的運行狀況進行記錄、存儲,其已成為近年來風電狀態(tài)監(jiān)測的研究熱點[1]。

文獻[2]基于風電機組SCADA運行數(shù)據(jù)建立正常工作行為模型,有效地實現(xiàn)齒輪箱、發(fā)電機異常及故障的檢測；文獻[3]運用聚類技術挖掘SCADA系統(tǒng)監(jiān)測參數(shù)間的關系,實現(xiàn)了早期故障的自動檢測；一些學者也分別針對發(fā)電機[4]、齒輪箱[5～7]和塔架[8]的故障檢測開展了類似的研究工作。然而,針對主軸承展開的研究則較少。

近年來,神經網(wǎng)絡在SCADA數(shù)據(jù)建模和狀態(tài)監(jiān)測方面得到了廣泛的應用,如誤差反向傳播(error back propagation, BP)網(wǎng)絡,然而其存在學習過程收斂速度慢、容易陷入局部極小點、魯棒性不好以及網(wǎng)絡性能差等缺點[9]。基于此,文獻[10]提出了一種新型學習算法——極限學習機(extreme learning machine, ELM)。該方法學習速度快、泛化能力強,已成功應用于軟測量建模[11～13]及短期負荷預測[14]等領域。因此，將此方法作為本文的主要建模方法。首先對某機組的SCADA數(shù)據(jù)進行預處理,建立主軸承正常運行時的溫度模型并用其進行溫度預測;其次采用滑動窗和核密度估計方法對正常運行時的殘差進行分析,確定主軸承異常監(jiān)測時所需的閾值。當模型預測的溫度殘差分布特性超出設定的閾值時,發(fā)出報警。本文從整體上實現(xiàn)了主軸承潛在故障的預測。

2 風電機組SCADA監(jiān)測參數(shù)

本文所用數(shù)據(jù)為內蒙古某風電場1.5 MW變速恒頻風力發(fā)電機組的監(jiān)測數(shù)據(jù)。該風電機組的SCADA系統(tǒng)每隔30 s采集并記錄一次機組的參數(shù),記錄的內容包括主軸承溫度、風速和環(huán)境溫度等共47個連續(xù)量參數(shù),同時還包括機組的運行狀態(tài)、子系統(tǒng)或部件的啟動次數(shù)、運行時間等共25個離散量信息。該離散量信息同時設定了各個子系統(tǒng)或部件各個監(jiān)測量的“安全閾值”,一旦所采集的數(shù)據(jù)超出此閾值,系統(tǒng)就會報警。但此閾值設定范圍較廣,往往達到該閾值時,風機已經發(fā)展到“故障停機”的地步。本文從SCADA連續(xù)量監(jiān)測數(shù)據(jù)入手,充分利用主軸承與其他子系統(tǒng)或部件之間的相互作用關系,實現(xiàn)主軸承的異常狀態(tài)監(jiān)測。

3 主軸承溫度ELM建模

3.1 ELM原理

(1)

式中:j=1,2,…,N;wi=[wi1,wi2,…win]T為網(wǎng)絡輸入層到隱含層的連接權值;βi=[βi1,βi2,…,βim]T為隱含層節(jié)點到輸出層的連接權值;bi為第i個隱含層神經元的閾值;g(x)為激活函數(shù);wi·xj為wi和xj的內積。

單隱含層神經網(wǎng)絡學習的目的是使輸出的誤差最小,即存在βi、wi和bi,使得

(2)

式(2)可以簡化為:

Hβ=T

(3)

式中:H稱為神經網(wǎng)絡的隱含層輸出矩陣;T為網(wǎng)絡輸出矩陣。

(4)

式中H+為隱含層輸出H矩陣的廣義摩爾逆。

3.2 主軸承ELM建模變量選取

為建立主軸承ELM模型,選取表征主軸承運行狀態(tài)的主軸承溫度作為模型的輸出變量。同時采用相關-主成分分析法(principal component analysis, PCA)選取與主軸承溫度密切相關的變量作為模型的輸入變量。所用數(shù)據(jù)為該機組2014年7月29日至8月4日正常運行的SCADA數(shù)據(jù)。首先采用相關系數(shù)法來確定模型的初始輸入變量。計算主軸承溫度與其它46個變量兩兩之間的相關系數(shù)。在計算之前,為了減少數(shù)據(jù)隨機性和各變量之間量綱不同對計算結果產生的影響,對數(shù)據(jù)進行平滑和歸一化處理,歸一化到[-1,1]之間。本文選用相關系數(shù)的絕對值大于0.6的變量作為模型初始輸入變量,選擇結果見表1。

表1 主軸承溫度與初始輸入變量的相關系數(shù)

為了消除以上9個初始輸入變量之間的相關性和冗余性,采用主成分分析方法[15]來提取主成分作為模型新的輸入,從而減少模型訓練的復雜性以及提高模型的預測精度。各個主成分所對應的特征值、方差貢獻率以及累計方差貢獻率如表2所示。一般地,當累計貢獻率大于85%時,就認為新變量能足夠反映原變量的信息。由表2可見,當包含5個主成分時,累計貢獻率達到98%以上,表明新變量涵蓋了原始變量多于98%的信息。進一步驗證表明,含有5個主成分時的預測精度最高,因此將原來的9個變量轉化為線性無關的5個變量作為ELM模型的輸入。并可按照圖1對新的輸入數(shù)據(jù)進行分析。

表2 方差及主成分貢獻率

圖1 研究路線框圖

4 基于ELM的主軸承溫度預測

4.1 主軸承ELM溫度模型有效性驗證

為了使ELM模型能夠覆蓋主軸承的正常工作空間以及盡可能包含正常時的全部工況,選取3.2節(jié)所提的2014年7月29日至8月4日機組正常運行、功率大于零的14 318個歷史SCADA樣本作為模型的訓練樣本集,8月22日正常運行的2 873個樣本作為測試樣本集。采用本文所提方法與相關ELM以及相關BP方法進行預測,并選擇合理的隱含層節(jié)點個數(shù),預測結果如圖2和圖3所示。

圖2 正常情況下主軸承溫度實際值與預測值對比圖

圖3 正常情況下主軸承溫度預測殘差對比圖

為了能夠定量地對圖2和圖3的預測結果進行分析,分別以3種方法的訓練時間、均方根誤差(RMSE)、平均絕對誤差(MAE)和平均百分比誤差(MAPE)作為性能評價指標,結果見表3所示。

表3 3種預測方法對比

圖2、圖3以及表3數(shù)據(jù)分別為模型試驗100次的平均值。由表3可知:主軸承在正常運行狀態(tài)下,相關ELM方法無論是從訓練時間還是預測精度方面都優(yōu)于相關BP;同時,相關PCA-ELM由于輸入變量只有5個,結構簡單,所用訓練時間最少,且預測精度高于相關ELM。

4.2 主軸承預測殘差分析

為實時反映主軸承溫度殘差特性的變化,以及消除隨機因素的干擾,使用圖4所示的滑動平均窗口方法對殘差進行滑動平均處理,其中N為滑動窗口的寬度;同時,為根據(jù)殘差的特性變化檢測主軸承的異常變化,采用式(5)所示的核密度估計方法來設定檢測閾值。

(5)

式中:n為樣本總數(shù);xi為給定樣本;h為帶寬或平滑參數(shù);K為核函數(shù),并且滿足下式:

(6)

圖4 殘差滑動窗口工作原理

滑動窗口的寬度N取為120,核函數(shù)采用高斯核函數(shù),置信度取為0.99。對4.1節(jié)中驗證集中主軸承正常運行時3種方法的殘差序列分別進行分析,確定主軸承異常監(jiān)測時各種方法所需的閾值。當模型預測的主軸承溫度殘差滑動窗口統(tǒng)計特性超過預先設定的閾值時,發(fā)出報警。

在該風電機組的SCADA數(shù)據(jù)中,沒有主軸承從正常運行到出現(xiàn)故障的記錄。為了驗證本文所提基于相關PCA-ELM方法監(jiān)測主軸承故障的有效性,基于實測的SCADA數(shù)據(jù)進行故障模擬,模擬主軸承故障時導致主軸承溫度升高的情況。對驗證集中于8月22日的2 873個歷史數(shù)據(jù)從第1 001點開始對主軸承溫度變量加入步距為0.005的累計溫度偏移,以達到主軸承故障從發(fā)生到故障程度不斷加深的過程。故障預測結果如圖5所示。

圖5 主軸承故障預測結果

同時,分別使用相關BP和相關ELM方法進行故障預測。3種方法的殘差滑動窗口特性以及報警閾值如圖6所示。

圖6 主軸承故障預測殘差滑窗特性和報警閾值

由圖6可以看出,使用相關BP、相關ELM和相關PCA-ELM進行故障預測時,經過滑動平均處理后的殘差曲線分別在第1 069、937、726個滑動窗口超出預先設定的報警閾值,且隨著故障程度的加深,超出報警閾值的程度也在不斷增大?？紤]到滑動窗口的寬度N為120,可以得出3種方法分別在第1 189、1 057、846點檢測出了主軸承的異常變化。比較發(fā)現(xiàn),相比于相關BP和相關ELM方法,本文所提的基于相關PCA-ELM狀態(tài)監(jiān)測方法可以有效地實現(xiàn)主軸承潛在故障的預測。

5 結 論

在風電機組實測SCADA數(shù)據(jù)的基礎上,運用相關分析法與主成分分析法對SCADA數(shù)據(jù)進行處理,建立主軸承正常運行時的ELM溫度模型并用其進行溫度預測,并運用滑動窗口統(tǒng)計方法與核密度估計方法來確定主軸承工作異常監(jiān)測閾值,實現(xiàn)故障早期檢測。對比結果表明:本文所提的基于相關PCA-ELM方法具有更快的學習速度以及更高的預測精度,同時能夠更早預測故障的發(fā)生。該方法可進一步用于機組其他部件監(jiān)測變量的建模分析和故障預測。

[參考文獻]

[1] 趙文爽. 風機異常狀態(tài)監(jiān)測與關鍵參數(shù)預測方法研究[D]. 秦皇島:燕山大學, 2015.

[2] Zaher A, McArthur S D J, Infield D G,etal. Online wind turbine fault detection through automated SCADA data analysis[J].WindEnergy, 2009, 12(6):574-593

[3] Kim K, Parthasarathy G, Uluyol O,etal. Use of SCADA data for failure detection in wind turbines[C]//Presented at the 2011 Energy Sustainability Conference and Fuel,Cell Conference.Washington D C, USA, 2011.

[4] Guo P, Infield D, Yang X. Wind turbine generator condition-monitoring using temperature trend analysis[J].IEEETransactionsonSustainableEnergy, 2012, 3(1): 124-133.

[5] 郭鵬, David Infield, 楊錫運. 風電機組齒輪箱溫度趨勢狀態(tài)監(jiān)測及分析方法[J]. 中國電機工程學報, 2011, 31(32): 129-136.

[6] 顧煜炯, 宋磊, 徐天金, 等. 變工況條件下的風電機組齒輪箱故障預警方法[J]. 中國機械工程, 2014, 25(10) :1346-1351.

[7] 董玉亮, 李亞瓊, 曹海斌, 等. 基于運行工況辨識的風電機組健康狀態(tài)實時評價方法[J]. 中國電機工程學報, 2013, 33(11): 123-127.

[8] 郭鵬, 徐明, 白楠, 等. 基于SCADA運行數(shù)據(jù)的風電機組塔架振動建模與監(jiān)測[J]. 中國電機工程學報, 2013, 33(5): 128-135.

[9] 龍泉, 劉永前, 楊勇平. 基于粒子群優(yōu)化BP神經網(wǎng)絡的風電機組齒輪箱故障診斷方法[J]. 太陽能學報, 2012, 33(1):120-125.

[10] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine : theory and applications[J].Neurocomputing,2006, 70(1-3): 489-501.

[11] 潘孝禮, 肖冬,常玉清,等. 基于極限學習機的軟測量建模方法研究[J]. 計量學報,2009, 30(4) : 324-327.

[12] 毛志忠, 唐奡, 肖冬. 基于 ELM 的非線性 PLS 軟測量方法研究[J]. 計量學報, 2010, 31(4): 374-378.

[13] 謝平,王一凡,江國乾,等. 基于樣本熵的風力發(fā)電機早期故障檢測[J]. 計量學報, 2017,38(5): 626-630.

[14] 成天樂, 周勝瑜, 李斯, 等. 基于極限學習機方法的短期負荷預測[J]. 電力科學與工程, 2013, 29(4): 24-29.

[15] 周松林, 茆美琴, 蘇建徽. 基于主成分分析與人工神經網(wǎng)絡的風電功率預測[J]. 電網(wǎng)技術, 2011, 35( 9) : 128-132.