基于数据挖掘的风电机组变桨系统劣化状态在线辨识方法_郭慧东
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
KEY WORDS: wind turbine; pitch system; condition prognosis; support vector machines; Gaussian mixture model
摘要：传统阈值法难以及时准确地辨识出运行设备的劣化状 态，针对风力发电机组实施状态检修工作的要求，提出一种 风机变桨系统劣化状态在线辨识方法。在阐述风机变桨控制 原理和变桨系统监测参数的基础上，建立了以风速、有功功 率为输入，风轮转速、3 个叶片的桨距角和变桨驱动电流为
文献[8]评估了 D-S 证据、贝叶斯网络、模糊推 理、神经网络等几种信息融合方法在早期故障诊 断、寿命预测、退化状态评价方面的特点和优势。 文献[9]认为残差的均值和标准差可以直观地反映 其大小和分布情况。文献[10]建立了自适应模糊推 理 模 型 (adaptive neuro-fuzzy inference system ， ANIFS)检测风电机组关键部件的早期缺陷或潜在 故障，并且与专家知识结合进行故障诊断和定位。 文献[11]通过时间序列模型和自适应神经网络对历 史数据中蕴含的特征进行挖掘，以实现设备异常的 快速检测。文献[12]通过实验验证了支持向量机应
采用变桨变速控制策略的风电机组通过调节 叶片攻角控制风能转化率和发电功率，叶片变桨还 可作为气动刹车防止高风速时的风机超转速。为避 免风电机组在最佳叶尖速比跟踪控制阶段向恒功 率控制阶段过渡的运行区间发生较大的功率波动 及较强的瞬间载荷，风电机组多采用了独立变桨控
第9期
郭慧东等：基于数据挖掘的风电机组变桨系统劣化状态在线辨识方法
图 1 为典型风电机组电动独立变桨系统结构及 控制原理图。单个叶片变桨距装置一般包括控制 器、伺服驱动器、伺服电机、减速器、变桨轴承、 传感器、角度限位开关、蓄电池、电源等。变桨系 统常见故障可分执行机构故障、传感器故障、和控 制系统故障 3 类。其中部分故障形式(如渗漏油)可 通过定期人工巡检的方式发现，此类故障不在本文 研究范围内。 1.2 风电机组变桨系统控制策略及运行特点
2390
中国电机工程学报
第 36 卷
SCADA 数据挖掘的机组及其主要部件健康状况预 测，可在不额外增加传感器和接线的前提下实施风 电机组状态检修管理，对降低风电场整体运维费用 有重要意义[1]。
风电机组功率和转速变化随机性大，而且机组 主轴轴承、齿轮箱低速轴轴承、偏航和变桨轴承均 为低速或不完全旋转，这两个因素限制了振动分析 法用于风电机组状态辨识的效果。由于主轴轴承、 偏航和变桨轴承多采用润滑脂润滑或润滑脂和润 滑油液混合润滑，难以采用在线监测的方法；离线 分析时，也难以保证采集到的样品参与了润滑工 作，因此油液监测方法用于风机状态辨识的效果也 难以保证。此外，仅采用单参数绝对阈值评估方法 也很难适应风电机组变工况运行的特点。大数据[2] 及人工智能(artificial intelligence，AI)聚类算法在信 息相关性分析、推理、优化决策方面拥有优势，可 有效应用于复杂非线性系统的故障探测[3]，国内外 学者对人工智能算法在 FDP 中的应用开展了大量 研究。文献[4]利用人工神经网络(artificial neural network，ANN)综合风速、风向、空气密度、地理 位置等因素预测风电机组发电量，结果表明 ANN 的预测精 的预测方法可于齿轮箱真实故障发 生前 2 天发出预警信息，该文同时建立了基于专家 系统(expert system)的故障诊断模型，大大减轻了运 行现场人员处理大量 SCADA 实时信息的工作量， 有助于现场决策。文献[6]基于热力学第一定律的原 理建立了基于齿轮箱温度变化数据的故障预测模 型。文献[7]对基于规则的专家系统在风电机组故障 诊断及预测中的应用进行了研究。然而，上述研究 大都直接利用风电机组的部分运行数据，未考虑运 行参数的相关 性及耦合性，使得故障状态识别的 灵敏度和准确度不够。
为此，本文建立一种基于回归模型与 GMM 相 结合的风电机组变桨系统运行状态在线辨识模型， 在融合变桨系统多传感器数据信息的基础上，提高 了劣化状态识别的准确度及故障预测的提前量。
1 风电机组变桨系统
1.1 风电机组变桨系统结构及故障分析 变桨系统是风力发电机组的重要组成部分，它
不仅确保了风电机组对风能的有效利用，同时还担负 着确保极端情况下风机自身安全，避免发生超速飞 车、倒塔事故的任务。风电机组变桨系统安装在距离 地面几十米的高空，故障后维修困难且维修费用高， 因此实施预防性维修可以节约大量的费用。变桨系统 观测参数数量较多，便于数据分析。综合风电机组各 子系统失效诱发机组整体毁灭性事故的可能性，及其 状态检测的技术经济可行性[15-16]，本文选择变桨系统 作为风电机组状态监测的重点对象。
大型风电机组普遍配置了数据采集与监控系统能够采集记录机组每10min的风力机械电气温度等运行参数值这些数据反映了丰富的机组状态信息因此开展基于2390scada数据挖掘的机组及其主要部件健康状况预测可在不额外增加传感器和接线的前提下实施风电机组状态检修管理对降低风电场整体运维费用有重要意义风电机组功率和转速变化随机性大而且机组主轴轴承齿轮箱低速轴轴承偏航和变桨轴承均为低速或不完全旋转这两个因素限制了振动分析法用于风电机组状态辨识的效果
关键词：风力发电机组；变桨系统；状态辨识；支持向量机； 高斯混合模型
0 引言
随着风电机组大型化及海上风电场的建设，风 电机组事故造成的设备财产损失、电量损失、维护 费用将大大增加。风电机组实施状态检修可提前发 现故障隐患，监测故障发展趋势，避免早期缺陷或 事故隐患由于延误导致更为严重的故障破坏，优化 机组维修计划，从而节约风机的运维成本支出。
基于数据挖掘的风电机组变桨系统 劣化状态在线辨识方法
郭慧东，王玮，夏明超
(北京交通大学电气工程学院，北京市 海淀区 100044)
On-line Identification for Wind Turbine Pitch System Degradation Based on Data Mining Technology
第 36 卷 第 9 期 2016 年 5 月 5 日
中国电机工程学报 Proceedings of the CSEE
Vol.36 No.9 May 5, 2016 ©2016 Chin.Soc.for Elec.Eng. 2389
DOI：10.13334/j.0258-8013.pcsee.2016.09.010 文章编号：0258-8013 (2016) 09-2389-09 中图分类号：TM 315
2391
风速风向仪 现场总线
风机主控制器 安全链
滑环
恒功率 控制
主供电源
尖速比跟
手动变桨
踪控制
机舱
第3个独立变桨距装置
轮毂
第2个独立变桨距装置
第1个独立变桨距装置
0度、90度接近限位开关
风轮转速、方位角
输入
变桨
桨距角编码器
GUO Huidong, WANG Wei, XIA Mingchao
(School of Electrical Engineering, Beijing Jiaotong University, Haidian District, Beijing 100044, China)
ABSTRACT: It’s difficult for traditional threshold value method to identify degradation of operating equipment accurately. An on-line degradation evaluation method suitable for wind turbine condition maintenance strategy implementation was proposed. Based on the analysis of typical variable-speed pitch-to-feather control principle and monitoring parameters for pitch system, a multi input multi output (MIMO) regression model was applied to pitch system, where wind speed, power generation regarding as input parameters, wheel rotation speed, pitch angle and motor driving currency for three blades as output parameters. Then, the difference between the on-line measurement and the calculated value from the MIMO regression model applying least square support vector machines (LSSVM) method was defined as the Observed Vector of the system. The Gaussian mixture model (GMM) was applied to fitting the distribution of the multi dimension Observed Vectors. Applying the model established, the degradation index was calculated using the SCADA data of a wind turbine damaged its pitch bearing retainer and rolling body, which illustrated the feasibility of the provided method.
基金项目：国家自然科学基金项目(51477006)。 Project Supported by National Natural Science Foundation of China (51477006).
输出的非线性多输入多输出(multi input multi output，MIMO) 系统回归模型。将系统特征向量实测值与最小二乘支持向量 机(least square support vector machines，LSSVM)回归计算结 果间的偏离定义为系统“观测值”。接着采用高斯混合模型 (Gaussian mixture model，GMM)拟合多维观测值的分布，并 利用风机数据采集与监控系统(supervisory control and data acquisition，SCADA)中的数据计算系统劣化指数，实现系 统状态的在线辨识。最后，以一台发生过变桨轴承保持架和 滚动体损坏故障的风机为对象，进行了实例验证，证明了所 建模型的准确性和有效性。
基 于 故 障 诊 断 和 预 测 (fault diagnosis and prognosis，FDP)的状态检修在传统火电领域已经进 行了大量的研究。但与常规水、火电机组不同，风 电机组单机功率小，风电场中风电机组数量众多且 地理位置分散，因此风电场需安装的传感器数量 多，采集和需要处理的数据量大，最终导致风电机 组状态监测成本的大幅增加。大型风电机组普遍配 置了数据采集与监控系统，能够采集记录机组每 10 min 的风力、机械、电气、温度等运行参数值，这 些数据反映了丰富的机组状态信息，因此开展基于
用在风电机组故障诊断的有效性。文献[13]研究了 电动变桨系统状态特征参量的提取，通过计算由支 持向量机(support vector machine，SVM)预测得到的 特征向量与 SCADA 测量值得到的特征向量间的距 离，根据设定阈值判断系统异常。文献[14]提出了 一种基于工况辨识的健康状态实时评价方法，在采 用主成分分析方法辨识运行工况子空间的基础上， 建 立 了 高 斯 混 合 模 型 (Gaussian mixture model ， GMM)多状态特征融合的健康状态评价模型，给出 了健康状态评价指标。但以上研究方法只能获得几 分钟或一天左右的预测提前量，对实施状态维修的 意义不大。
摘要：传统阈值法难以及时准确地辨识出运行设备的劣化状 态，针对风力发电机组实施状态检修工作的要求，提出一种 风机变桨系统劣化状态在线辨识方法。在阐述风机变桨控制 原理和变桨系统监测参数的基础上，建立了以风速、有功功 率为输入，风轮转速、3 个叶片的桨距角和变桨驱动电流为
文献[8]评估了 D-S 证据、贝叶斯网络、模糊推 理、神经网络等几种信息融合方法在早期故障诊 断、寿命预测、退化状态评价方面的特点和优势。 文献[9]认为残差的均值和标准差可以直观地反映 其大小和分布情况。文献[10]建立了自适应模糊推 理 模 型 (adaptive neuro-fuzzy inference system ， ANIFS)检测风电机组关键部件的早期缺陷或潜在 故障，并且与专家知识结合进行故障诊断和定位。 文献[11]通过时间序列模型和自适应神经网络对历 史数据中蕴含的特征进行挖掘，以实现设备异常的 快速检测。文献[12]通过实验验证了支持向量机应
采用变桨变速控制策略的风电机组通过调节 叶片攻角控制风能转化率和发电功率，叶片变桨还 可作为气动刹车防止高风速时的风机超转速。为避 免风电机组在最佳叶尖速比跟踪控制阶段向恒功 率控制阶段过渡的运行区间发生较大的功率波动 及较强的瞬间载荷，风电机组多采用了独立变桨控
第9期
郭慧东等：基于数据挖掘的风电机组变桨系统劣化状态在线辨识方法
图 1 为典型风电机组电动独立变桨系统结构及 控制原理图。单个叶片变桨距装置一般包括控制 器、伺服驱动器、伺服电机、减速器、变桨轴承、 传感器、角度限位开关、蓄电池、电源等。变桨系 统常见故障可分执行机构故障、传感器故障、和控 制系统故障 3 类。其中部分故障形式(如渗漏油)可 通过定期人工巡检的方式发现，此类故障不在本文 研究范围内。 1.2 风电机组变桨系统控制策略及运行特点
2390
中国电机工程学报
第 36 卷
SCADA 数据挖掘的机组及其主要部件健康状况预 测，可在不额外增加传感器和接线的前提下实施风 电机组状态检修管理，对降低风电场整体运维费用 有重要意义[1]。
风电机组功率和转速变化随机性大，而且机组 主轴轴承、齿轮箱低速轴轴承、偏航和变桨轴承均 为低速或不完全旋转，这两个因素限制了振动分析 法用于风电机组状态辨识的效果。由于主轴轴承、 偏航和变桨轴承多采用润滑脂润滑或润滑脂和润 滑油液混合润滑，难以采用在线监测的方法；离线 分析时，也难以保证采集到的样品参与了润滑工 作，因此油液监测方法用于风机状态辨识的效果也 难以保证。此外，仅采用单参数绝对阈值评估方法 也很难适应风电机组变工况运行的特点。大数据[2] 及人工智能(artificial intelligence，AI)聚类算法在信 息相关性分析、推理、优化决策方面拥有优势，可 有效应用于复杂非线性系统的故障探测[3]，国内外 学者对人工智能算法在 FDP 中的应用开展了大量 研究。文献[4]利用人工神经网络(artificial neural network，ANN)综合风速、风向、空气密度、地理 位置等因素预测风电机组发电量，结果表明 ANN 的预测精 的预测方法可于齿轮箱真实故障发 生前 2 天发出预警信息，该文同时建立了基于专家 系统(expert system)的故障诊断模型，大大减轻了运 行现场人员处理大量 SCADA 实时信息的工作量， 有助于现场决策。文献[6]基于热力学第一定律的原 理建立了基于齿轮箱温度变化数据的故障预测模 型。文献[7]对基于规则的专家系统在风电机组故障 诊断及预测中的应用进行了研究。然而，上述研究 大都直接利用风电机组的部分运行数据，未考虑运 行参数的相关 性及耦合性，使得故障状态识别的 灵敏度和准确度不够。
为此，本文建立一种基于回归模型与 GMM 相 结合的风电机组变桨系统运行状态在线辨识模型， 在融合变桨系统多传感器数据信息的基础上，提高 了劣化状态识别的准确度及故障预测的提前量。
1 风电机组变桨系统
1.1 风电机组变桨系统结构及故障分析 变桨系统是风力发电机组的重要组成部分，它
不仅确保了风电机组对风能的有效利用，同时还担负 着确保极端情况下风机自身安全，避免发生超速飞 车、倒塔事故的任务。风电机组变桨系统安装在距离 地面几十米的高空，故障后维修困难且维修费用高， 因此实施预防性维修可以节约大量的费用。变桨系统 观测参数数量较多，便于数据分析。综合风电机组各 子系统失效诱发机组整体毁灭性事故的可能性，及其 状态检测的技术经济可行性[15-16]，本文选择变桨系统 作为风电机组状态监测的重点对象。
大型风电机组普遍配置了数据采集与监控系统能够采集记录机组每10min的风力机械电气温度等运行参数值这些数据反映了丰富的机组状态信息因此开展基于2390scada数据挖掘的机组及其主要部件健康状况预测可在不额外增加传感器和接线的前提下实施风电机组状态检修管理对降低风电场整体运维费用有重要意义风电机组功率和转速变化随机性大而且机组主轴轴承齿轮箱低速轴轴承偏航和变桨轴承均为低速或不完全旋转这两个因素限制了振动分析法用于风电机组状态辨识的效果
关键词：风力发电机组；变桨系统；状态辨识；支持向量机； 高斯混合模型
0 引言
随着风电机组大型化及海上风电场的建设，风 电机组事故造成的设备财产损失、电量损失、维护 费用将大大增加。风电机组实施状态检修可提前发 现故障隐患，监测故障发展趋势，避免早期缺陷或 事故隐患由于延误导致更为严重的故障破坏，优化 机组维修计划，从而节约风机的运维成本支出。
基于数据挖掘的风电机组变桨系统 劣化状态在线辨识方法
郭慧东，王玮，夏明超
(北京交通大学电气工程学院，北京市 海淀区 100044)
On-line Identification for Wind Turbine Pitch System Degradation Based on Data Mining Technology
第 36 卷 第 9 期 2016 年 5 月 5 日
中国电机工程学报 Proceedings of the CSEE
Vol.36 No.9 May 5, 2016 ©2016 Chin.Soc.for Elec.Eng. 2389
DOI：10.13334/j.0258-8013.pcsee.2016.09.010 文章编号：0258-8013 (2016) 09-2389-09 中图分类号：TM 315
2391
风速风向仪 现场总线
风机主控制器 安全链
滑环
恒功率 控制
主供电源
尖速比跟
手动变桨
踪控制
机舱
第3个独立变桨距装置
轮毂
第2个独立变桨距装置
第1个独立变桨距装置
0度、90度接近限位开关
风轮转速、方位角
输入
变桨
桨距角编码器
GUO Huidong, WANG Wei, XIA Mingchao
(School of Electrical Engineering, Beijing Jiaotong University, Haidian District, Beijing 100044, China)
ABSTRACT: It’s difficult for traditional threshold value method to identify degradation of operating equipment accurately. An on-line degradation evaluation method suitable for wind turbine condition maintenance strategy implementation was proposed. Based on the analysis of typical variable-speed pitch-to-feather control principle and monitoring parameters for pitch system, a multi input multi output (MIMO) regression model was applied to pitch system, where wind speed, power generation regarding as input parameters, wheel rotation speed, pitch angle and motor driving currency for three blades as output parameters. Then, the difference between the on-line measurement and the calculated value from the MIMO regression model applying least square support vector machines (LSSVM) method was defined as the Observed Vector of the system. The Gaussian mixture model (GMM) was applied to fitting the distribution of the multi dimension Observed Vectors. Applying the model established, the degradation index was calculated using the SCADA data of a wind turbine damaged its pitch bearing retainer and rolling body, which illustrated the feasibility of the provided method.
基金项目：国家自然科学基金项目(51477006)。 Project Supported by National Natural Science Foundation of China (51477006).
输出的非线性多输入多输出(multi input multi output，MIMO) 系统回归模型。将系统特征向量实测值与最小二乘支持向量 机(least square support vector machines，LSSVM)回归计算结 果间的偏离定义为系统“观测值”。接着采用高斯混合模型 (Gaussian mixture model，GMM)拟合多维观测值的分布，并 利用风机数据采集与监控系统(supervisory control and data acquisition，SCADA)中的数据计算系统劣化指数，实现系 统状态的在线辨识。最后，以一台发生过变桨轴承保持架和 滚动体损坏故障的风机为对象，进行了实例验证，证明了所 建模型的准确性和有效性。
基 于 故 障 诊 断 和 预 测 (fault diagnosis and prognosis，FDP)的状态检修在传统火电领域已经进 行了大量的研究。但与常规水、火电机组不同，风 电机组单机功率小，风电场中风电机组数量众多且 地理位置分散，因此风电场需安装的传感器数量 多，采集和需要处理的数据量大，最终导致风电机 组状态监测成本的大幅增加。大型风电机组普遍配 置了数据采集与监控系统，能够采集记录机组每 10 min 的风力、机械、电气、温度等运行参数值，这 些数据反映了丰富的机组状态信息，因此开展基于
用在风电机组故障诊断的有效性。文献[13]研究了 电动变桨系统状态特征参量的提取，通过计算由支 持向量机(support vector machine，SVM)预测得到的 特征向量与 SCADA 测量值得到的特征向量间的距 离，根据设定阈值判断系统异常。文献[14]提出了 一种基于工况辨识的健康状态实时评价方法，在采 用主成分分析方法辨识运行工况子空间的基础上， 建 立 了 高 斯 混 合 模 型 (Gaussian mixture model ， GMM)多状态特征融合的健康状态评价模型，给出 了健康状态评价指标。但以上研究方法只能获得几 分钟或一天左右的预测提前量，对实施状态维修的 意义不大。