張 超，武 越，鄭思遙

（內(nèi)蒙古科技大學內(nèi)蒙古自治區(qū)機電系統(tǒng)智能診斷與控制重點實驗室，內(nèi)蒙古 包頭 014010）

1 引言

隨著日常生產(chǎn)生活對能源需求的不斷增加，不可再生能源儲量不斷減少，可再生能源成為能源及環(huán)保領(lǐng)域內(nèi)的研究和開發(fā)重點，截至2019年年底，全球風能總?cè)萘恳殉^651GW。然而隨著風電行業(yè)的蓬勃發(fā)展，所面臨的運維問題也隨之到來，風力發(fā)電機零件的意外失效會引起高昂的維修費用，甚至導致數(shù)月停機不能工作，因此增加了運維的成本和一系列能源成本。所以在故障出現(xiàn)的初期對風力發(fā)電機的異常狀態(tài)進行有效識別十分重要。狀態(tài)監(jiān)測常被定義為對機器的參數(shù)狀態(tài)監(jiān)測過程，如參數(shù)（例如：振動、溫度等）的變化表明故障的演變。現(xiàn)在許多風力發(fā)電機的監(jiān)測和診斷技術(shù)已經(jīng)較為成熟。

文獻［1］采用高光譜成像技術(shù)對風力發(fā)電機葉片進行檢測。文獻［2］通過利用超聲波測試技術(shù)對葉片進行無損檢測，并用實驗驗證了方法的有效性。文獻［3］提出了一種改進的傅里葉分析方法，用于風機齒輪箱振動信號的分析。文獻［4］綜述介紹了風機齒輪箱油液檢測技術(shù)的應(yīng)用與發(fā)展。文獻［5-11］采用基于深度學習的方法對風機SCADA數(shù)據(jù)進行分析，并且進一步驗證了其方法對風機異常狀態(tài)識別的有效性。以上方法均對關(guān)鍵因素進行監(jiān)測，有利于分析非正常因素。但是上述多種狀態(tài)監(jiān)測方法中，只對單一信號進行監(jiān)測分析的方法極易受到外界環(huán)境變化的影響，可能造成分析結(jié)果可靠性不足，深度學習的方法又存在算法復(fù)雜、需要大量樣本、訓練周期長等缺陷。為改善以上問題，提出了一種采用協(xié)整分析對風力發(fā)電機運行狀態(tài)進行監(jiān)測的方法。

文獻［12］在上世紀80年代提出了協(xié)整理論，在經(jīng)濟學領(lǐng)域當中被廣泛應(yīng)用于處理非平穩(wěn)信號，近年來，協(xié)整理論也逐漸被用在解決工程問題當中，如果多項非平穩(wěn)信號間存在協(xié)整關(guān)系，經(jīng)過協(xié)整計算后可以去除信號當中的非線性趨勢和環(huán)境等因素的影響，從而得到一組協(xié)整殘差，該殘差代表了各項信號間的長期動態(tài)均衡關(guān)系，殘差平穩(wěn)說明被監(jiān)測對象運行狀態(tài)正常，殘差平穩(wěn)狀態(tài)被破壞則說明被監(jiān)測對象運行狀態(tài)發(fā)生異常。

協(xié)整分析［13-14］的方法可以有效改善以上問題，協(xié)整分析采用向量自回歸的方法，同時對多組SCADA數(shù)據(jù)進行分析，去除數(shù)據(jù)中的共同趨勢，降低外界環(huán)境與工況變化的影響，做到對低頻SCADA數(shù)據(jù)的分析與解釋。僅需要多組少量風力發(fā)電機組正常運行狀態(tài)下的SCADA數(shù)據(jù)建立協(xié)整模型，便可以完成后續(xù)的風力發(fā)電機狀態(tài)監(jiān)測任務(wù)，該方法對多組變量同時進行監(jiān)測，改善了由于風速等環(huán)境變化對狀態(tài)監(jiān)測效果的影響，并且避免了費時、復(fù)雜的模型訓練過程，使風力發(fā)電機的狀態(tài)監(jiān)測任務(wù)變得省時、高效。

2 協(xié)整分析方法在風力發(fā)電機狀態(tài)監(jiān)測中的應(yīng)用

2.1 Johansen檢驗法

Johansen于1988年提出了一種用向量自回歸模型進行檢驗的方法，通常稱為Johansen檢驗［15］。Johansen檢驗是基于多變量的無約束向量自回歸模型（Unrestricted VAR：Unrestricted Vector Auto Regression）之上的，因此，在多變量的協(xié)整檢驗前，應(yīng)建立多變量的無約束向量自回歸（VAR）模型。

VAR模型的一般數(shù)學表達式為：

式中：yt—為m維非平穩(wěn)I（1）變量；

A1…Ap—為待估計的系數(shù)；

et—為殘差。

Johansen檢驗的目的是檢驗若干非平穩(wěn)變量間是否存在協(xié)整關(guān)系，如果存在，則進一步估計出非平穩(wěn)變量的協(xié)整系數(shù)。這樣，如果多個非平穩(wěn)變量經(jīng)過線性組合后的序列，呈現(xiàn)平穩(wěn)性，我們則認為變量之間具有相同的長期趨勢。

2.2 模型的建立

選用包頭市某風場1.5MW 雙饋風力發(fā)電機SCADA 數(shù)據(jù)作為研究對象。該機組切入風速為3.0m/s，額定風速為11m/s，切出風速為15m/s，在不同風速下風機的表現(xiàn)也不相同。我們選用風機正常運行狀態(tài)下SCADA數(shù)據(jù)中的平均風速、平均理論輸出功率和平均實際輸出功率進行Johansen 協(xié)整檢驗，對以上三項SCADA數(shù)據(jù)進行歸一化后，如圖1所示。

圖1 歸一化后的原始SCADA數(shù)據(jù)Fig.1 Original SCADA Data After Normalization

從圖1中可以看出平均風速、平均理論輸出功率、平均實際輸出功率存在較強的共同趨勢［16-17］。對以上三項SCADA參數(shù)進行ADF檢驗，判斷其是否為一階單整序列，檢驗結(jié)果，如表1所示。

表1 三項參數(shù)的ADF檢驗結(jié)果Tab.1 ADF Test Results of Three Parameters

表中：y1—平均風速；Δy1—平均風速的一階差分序列；y2—理論輸出功率；Δy2—理論輸出功率的一階差分序列；y3—實際輸出功率；Δy3—實際輸出功率的一階差分序列。表中當ADF檢驗值小于臨界值表示序列平穩(wěn)，ADF檢驗值大于臨界值則非平穩(wěn)。從表中可以看出三序列都是一階差分平穩(wěn)，即一階單整，符合協(xié)整條件。將以上平均風速、平均理論輸出功率、平均實際輸出功率三項數(shù)據(jù)輸入EViews軟件對協(xié)整模型的系數(shù)進行估計結(jié)果，如表2所示。

表2 協(xié)整模型各項系數(shù)Tab.2 Cointegration Model Coefficients

將計算出的各項系數(shù)值以及常數(shù)項帶入式（1），建立協(xié)整模型，如式（2）所示。

式中：y1—風速（m/s）；

y2—理論輸出功率（kW）；

y3—實際輸出功率（kW）；

et—殘差。

對協(xié)整殘差et進行平穩(wěn)性檢驗，檢驗結(jié)果，如表3所示。

表3 協(xié)整殘差的ADF檢驗結(jié)果Tab.3 ADF Test Results of Cointegration Residuals

檢驗結(jié)果顯示ADF檢驗值小于臨界值，協(xié)整殘差平穩(wěn)，證明平均風速、平均理論輸出功率、平均實際輸出功率三項參數(shù)間存在協(xié)整關(guān)系。求得標準差σ=1.3262。根據(jù)概率論中大概率事件的特性選擇±3σ作為閾值，閾值大小為±3.9786。

由以上條件得到協(xié)整殘差序列，如圖2所示。

圖2 協(xié)整殘差Fig.2 The Cointegrating Residuals

圖中橫軸為運行時間，縱軸為殘差的值，一種顏色曲線為協(xié)整殘差et，一種顏色曲線為協(xié)整殘差的均值，另一種顏色直線為閾值±3σ，若殘差均值在閾值范圍內(nèi)認為狀態(tài)正常，反之異常，由圖3可看出，風力發(fā)電機正常運行狀態(tài)下，協(xié)整殘差表現(xiàn)為平穩(wěn)狀態(tài)，且在閾值范圍內(nèi)。

圖3 歸一化后的風機故障狀態(tài)下SCADA數(shù)據(jù)Fig.3 SCADA Data Under Normalized Fan Failure State

2.3 模型驗證

取包頭市某風場同一臺1.5MW雙饋風力發(fā)電機故障狀態(tài)下的SCADA數(shù)據(jù)對模型進行驗證，將帶有故障的平均風速、平均理論輸出功率和平均實際輸出功率三項數(shù)據(jù)進行歸一化后，如圖3所示。

圖中，在第36.3h處，風力發(fā)電機產(chǎn)生電氣故障，風速與理論輸出功率保持穩(wěn)定，但實際輸出功率出現(xiàn)異常驟降的現(xiàn)象。同樣對以上三項帶故障的SCADA參數(shù)進行ADF檢驗，判斷其是否為一階單整序列，檢驗結(jié)果，如表4所示。

表4 三項帶故障參數(shù)的ADF檢驗結(jié)果Tab.4 Three ADF Inspection Results with Fault Parameters

表中：y4—平均風速序列；Δy4—平均風速的一階差分序列；y5—帶故障的理論輸出功率序列；Δy5—帶有故障的理論輸出功率的一階差分序列；y6—帶有故障的實際輸出功率序列；Δy6—帶有故障的實際輸出功率的一階差分序列。從表中可以看出三序列都是一階差分平穩(wěn)，即一階單整，符合協(xié)整檢驗條件。

將以上三項歸一化后的帶故障SCADA數(shù)據(jù)直接導入?yún)f(xié)整模型式（2）中，利用協(xié)整模型計算出的協(xié)整殘差同，如圖4所示。

圖4 故障數(shù)據(jù)協(xié)整殘差Fig.4 Failure Data Cointegration Residual

并且對協(xié)整殘差序列進行平穩(wěn)性檢驗，檢驗結(jié)果，如表5所示。

表5 帶故障協(xié)整殘差的ADF檢驗結(jié)果Tab.5 ADF Test Results of Cointegration Residuals

圖4中，在第36.3h處，協(xié)整殘差均值偏離平穩(wěn)狀態(tài)，超出了設(shè)定的閾值，且表5顯示協(xié)整殘差序列為非平穩(wěn)狀態(tài)，表明風力發(fā)電機狀態(tài)出現(xiàn)了異常，應(yīng)及時進行檢修。以上驗證了風機運行狀態(tài)若出現(xiàn)故障情況，則平均風速、平均理論輸出功率和平均實際輸出功率三項SCADA數(shù)據(jù)的協(xié)整關(guān)系會被破壞，協(xié)整殘差不再平穩(wěn)，并且偏出閾值范圍，能夠?qū)︼L機故障狀態(tài)起到準確的報警作用。

3 結(jié)論

這里提出了一種利用協(xié)整分析對風力發(fā)電機運行狀態(tài)進行監(jiān)測的方法，取包頭市某風場1.5MW雙饋風力發(fā)電機SCADA數(shù)據(jù)作為研究對象進行建模，并且采用一組風機電氣故障數(shù)據(jù)進行驗證。結(jié)果表明所提方法僅對協(xié)整殘差進行分析即可有效監(jiān)測風力發(fā)電機的運行狀態(tài)。與其他大數(shù)據(jù)分析方法相比，所提方法具有算法實現(xiàn)簡單、運算時間短的優(yōu)勢，并且可在故障發(fā)生初期有效識別出故障狀態(tài)。