基于数据的风电机组发电机健康状况评估

基于数据的风电机组发电机健康状况评估

刘欣涛

身份证号：370283198607278319

发动机虽然作为风电设备上的关键部件，但是因为工况严酷、内部结构繁杂，因此发动机内部健康状态出现问题的概率很大而且修复难度。因此根据此情况，给出了一个根据SCADA(supervisory control and data acquisition)数据分析的发动机内部状况的判断方式。对专业性知识进行总结，并分析状态变量之间的管理先，能够确认发电机运行模式下关联的变数和冗余变数，以此为基础能够选择出正确的参数。对于多维状况资料进行对比分析，结合发电机内部健康运行状态资料构建起高斯混合模型(GMM)的良好状况指标模式。最后对风电机组健康情况使用马氏距离的健康衰退指标(HDI)进行判定。

关键词：风电机组；发电机；健康状况

1.引言

风电机组一般位于天气条件不良的海边、山区等地方，受地理位置、气候、工作时间等诸多原因的影响，定期进行维护会产生较多的成本，所产生的费用是综合风电行业生产总市值的15%左右。风电机械设备中发电机是主要的设备，考虑到的发电机较复杂的内部结构，并且也会受到很多变动因素的影响，例如风能、温度、机械等，所以说，在实际的运行中发电机会出现的一些故障性问题，维修的时间也会比较久。但是，由于发动机的许多设备故障问题并不是突然性的或偶尔出现故障问题，在出现设备故障问题之前总是经过了一连串的劣化过程。所以，通过对发动机的日常制造经营状况做出即时评价，以确定其当前的良好状况，从而及早发觉了潜伏性设备故障问题，并指导现场的工程师注意预防和及早制订具体的大修规划，对于减少风能机械设备的突然性停机概率、改善风能机械设备的安全运行，以及整个风场的制造经营效果都有着重大的意义。

2.风电机组研究现状

对风电设备进行状态检测往往只能依靠对其中的振动信息进行分析，而另外配置震动感应器等往往会增加设备运维的成本。面对此情况，研究人员提供了一个同步重取样的新技术，对非稳定的电流传感器的故障信息进行了提取与重构，并利用计算的关联维数进行了状态检测。但是，仅通过一个低维度信息，因为信息量的欠缺，还无法对发电厂的工作状况做出全方位的评估。目前，大多数风电场都采用了装备的SCADA管理系统(风电数据信息收集与监测管理系统)来监控风电机械设备的运行状态，而近年来运用SCADA管理系统中大规模与风电机械设备运行状态有关的运行状态参数统计来实现工作状况监控，渐渐变成科研的热门话题。通过本构非线性状况判断( NEST)的技术，采用齿轮箱正常工况状态的相关温度数据构建模式，通过滑动窗口的方式估算残余参数，并通过与设定的残余误差报警阈值进行对比来实现状态判断。Andrew等学者对于汽轮机中轴承类型温度改变出现故障预测研究使用的是人工神经网络方式，在进行状态变量选择中会使用以往的工作经济，对于状态参数之间的关联性没有考虑，没有进行合理化的特性选择，这样所出现的的问题就是受到认为因素影响，出现的一些不具关联性检测对象、状态变数多余无效，对于身体健康测评也会出现一定的误差。

3.风电机组健康状态测评方案

根据上述风机身体健康评价方法所存在的若干缺陷，我们给出了一个依据SCADA统计的发电机健康状态的测评方案。该方式一般分为特征选择、健康基准模型，以及网络健康状态测评三组成部分。

首先，关于测量结果选取，对状态参数之间的关联性进行思考需要结合专业性知识，对于因素之间的关联性状况使用的是Pearson相关性系数与最佳阶段信息比率的方式，做得到的特性表示的就是最佳的状况特征向量。然后，根据有关的多维关系数据资料，利用SCADA控制系统中发动机通常运转时的历史数据构建一个高斯混合模型(GMM)的良好状态指标模式，并把此模式用作功能评定中确定发动机劣化状况以及故障原因的背景模式。还制定了一个根据马氏时间的良好退化指数HDI(Health degradationindex)用来衡量发电机的健康状况。

4.健康状态评估

4.1数据清洗和处理

采用影像处理中“背景减除”的方式能够对于发动机问题状况进行有效的检验，在开始进行检验的时候，第一步是对于发动机运转问题进行是识别。也就是的使用发动机运转过程中产生的状态数据构建起健康基准模式，对于发动机问题与出现的故障能够很好的识别，这样对于发动机出现问题状态下的数据进行监控。但是需要考虑到的现实中SCADA管理模式下，也会出现的数据处理问题、风机运行错误、感应器失误等多种问题，致使数据信息出现遗漏、非正常等问题。

为此，我们首先采用如下方式对原有数据信息予以清除：1)删除数据信息集中出现状态变量为“无数据信息”的记载或全部状态变量为“0”的记载；2)扣除数据集中全部有功功率值不足等于零的记载；3)扣除数据集中出现状态变量，超出了报警阈值的记载；4)根据风机的故障记录，扣除在机组发生故障停止前最后一个时间，维护或手动启停机时间的记载。然后，再对全部样本数据作出归一化处理：

x'i = xi-μ/σ

并且，xi是一种特性参数，μ和σ区别为表征xi的平均数和基准差。

4.2健康基准模型

高斯混合模型(GMM)是一种无监督学习方法中的数值聚类算法，它使用K个高斯机率密度来描述参数空间中统计的空间分布特征。它能够把每一种状况的数值都用一种高斯分布来逼近，而且由于增大高斯先生模式成员的数量能够以各种精度逼近所有的连续分布状态，而且抗干扰能力和去噪技术能力也更加优秀。但充分考虑到现实中风电状况数据信息过多且噪音太大，以及在各种工作环境下，状况统计的空气分布模型并不相同，为更快地确定这些模式并与发电机中出现异常状况时统计的空间分布特征加以对比，本文将使用高斯混合模型来建立健康的基准模式。

4.3在线健康评估

发电机出现的故障或者是的问题的状态下所表示的就是的发电机健康受到影响，在对于劣化状态下风电机设备工作特点与健康状态基准模型之间的差距进行衡量，所体现的就是劣变程度。风电机在运行的状态下或者是健康的模式下出现的较大的差距所代表的就是的设备运行的效果并不好。所以，在对于风点击劣变状况与故障运行下的健康状况进行确定的情况下，就必须测量发电机出现异常时状态特征矢量与健康工作状况空间分布的偏离量。马氏间距(Mahalanobis distance)是由印度学者Ma-halanobis所给出的间距，它可以用于衡量在空气中一点x和一个空间分布P间的相距差，是基于样本分布的空间距离描述。和欧氏距离不同，也可以考察不同特征间的联系。

这里，x代表多维空间中的一个点，μ代表分布P中所有数据点的均值，而C代表分布P中数据点间的协方差矩阵。

5.结束语

对于风机的工作状况进行检测，一方面是了解到的风电机组关键部件的健康状况，另一方面是在对于风机的工作状况进行测评的时候，这是主要的数据。不过整个过程中考虑到会受到环境、负荷等多种因素的影响，对于风机的运行也会有所转变。所以说，在进行深入研究的过程中，对于工作状况的转变需要深入的考虑，这样才能保证风电机组工作状况更加合理，也可以提前做好预警。

参考文献

［1］ 周封，吕金贵，李隆，等. 智能电机故障诊断分析及预警系统设计[J].信息与控制，2017，46( 6) : 738 - 745．

［2］刘长良，闫萧.基于工况辨识的风电机组齿轮箱状态监测[J].热能动力工程，2016，31( 7) : 41-46．

［3］王鹏，张善从.基于最大信息系数的时延数据相关性分析方法[J].电子测量技术，2015( 9) : 112 -115．